(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111259179.9 (22)申请日 2021.10.28 (71)申请人 扬州大学 地址 225009 江苏省扬州市大 学路88号 (72)发明人 孙进　雷震霆　 (74)专利代理 机构 南京理工大 学专利中心 32203 代理人 张祥 (51)Int.Cl. G01N 29/44(2006.01) G06N 3/04(2006.01) G06F 30/27(2020.01) (54)发明名称 基于深层特征的深度学习的平板陶瓷膜超 声缺陷检测方法 (57)摘要 本发明属于超声缺陷检测领域， 具体为一种 基于深层特征的深度学习的平板陶瓷膜超声缺 陷检测方法， 包括如下步骤： 步骤1： 搭建装置和 采集超声信号， 并建立检测模型； 步骤2： 提取超 声缺陷信号的深层特征； 步骤3： 空洞卷积神经网 络的训练； 步骤4： 定义缺陷的种类， 并进行缺陷 的分类。 本发明通过连续小波变换进行降噪处 理， 并将信号转换成时间频谱图， 实现了对超声 信号深层次的提取， 将时间频谱图灰度图作为空 洞卷积神经网络的输入， 通过空洞卷积神经网络 对时间频谱图灰度图进行分析并判断缺陷， 能够 准确、 快速、 客观的检测出平板陶瓷膜的内部缺 陷。 权利要求书3页 说明书6页 附图5页 CN 114088817 A 2022.02.25 CN 114088817 A 1.一种基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法， 其特征在于， 包括 如下步骤： 步骤1： 搭建装置和采集超声信号， 并建立检测模型； 步骤2： 提取超声缺陷信号的深层特 征； 步骤3： 空洞卷积神经网络的训练； 步骤4： 定义 缺陷的种类， 并进行缺陷的分类。 2.根据权利要求1所述的方法， 其特 征在于， 所述 步骤1具体包括： 所述装置包括超声检测 移动装置和超声探头夹持装置， 将检测的陶瓷膜放到超声检测 移动装置上， 使用超声探头夹持装置加持超声探头， 调整陶瓷膜到超声探头为最佳 的位置 为止,使得超声探头遍布整个陶瓷膜表面， 更换具有划痕、 断裂、 孔洞缺陷的多个平板陶瓷 膜， 对具有划痕、 断裂、 孔洞的平板陶瓷膜进行检测， 并收集好每次平板陶瓷膜缺陷检测信 号， 建立检测模型， 超声波撞击缺陷时产生的散射效应取决于波长λ和缺陷直径d之间的关 系， 满足下列条件时发生瑞利散射： 其中， ＜＜表示小于波长λ的十分之一， α为超声衰减， β 为平均晶粒体积， s为材料光学 传播速率， f入射 光线的频率， →表示反比， 建立单脉冲超声回波的数 学模型h(t)， 如式(2)所示： h(t)＝s(t)+δ e(t)                        (2) 其中t＝0,1, …， s(t)表示缺陷检测信号， δe(t)表示噪声信号， 它由分布为σ2(0,1)的高 斯随机变量组成， 为反射面， 取值为零， τ为被检测陶瓷膜的厚度， β 为 回波峰值振幅， fc为 回波的中心频率， ψ为带宽系数； 根据Thompson‑Gray测量模型， 换能器从占据VF区域的缺陷接收到的回波信号幅值建模 如下: 其中， Φ为回波信号的幅值， P为传播电缆的电功率， i表示介质的波速， ω代表超声波 的角频率， δp为检测介质与缺陷的密度差， Ui代表粒子极化， 上标o代表无缺陷的场变量， δc 为弹性常数的相似差， Uij表示为散射体密度， 忽略散射体密度涨 落， 那么： 根据公式(5)可知， 如果在接收回波的传播路径中出现缺陷， 则P＞0， 回波信号的幅值 Φ随着P的增 加而减小。权　利　要　求　书 1/3 页 2 CN 114088817 A 23.根据权利要求2所述的方法， 其特征在于， 所述超声检测移动装置包括支撑板(1)、 陶 瓷膜放置台(2)、 四个支撑柱(3)、 稳定板(4)、 Y方向前进装置(5)、 X方向前进装置(6)、 四个 支撑螺帽(7)和移动平台(14)， 支撑板(1)与四个支撑柱(3)通过螺纹连接， 陶瓷膜放置台 (2)通过四个支撑柱(3)通过孔径配合在一起， 由四个支撑螺帽(7)与四个支撑柱(3)通过螺 纹配合在一起支撑陶瓷膜 放置台(2)， 所述支撑螺帽(7)与对应的支撑柱(3)螺纹连接， 支撑 螺帽(7)位于陶瓷膜 放置台(2)和支撑板(1)之间， 通过支撑螺帽(7)的左右旋转能够带动陶 瓷膜放置台(2)上下移动， Y方向前进装置(5)能够带动移动平台(14)在Y方向前进与后退， 进而实现探头的Y方向的前进与后退， X方向前进装置(6)能够带动移动平台(14)在X方向前 进与后退， 进而实现探头的X方向的前进与后退， 四个支撑柱(3)的顶部穿过稳定板(4)并通 过夹紧块(13)的支撑使 所述超声检测移动装置更加稳定， 所述超声探头夹持装置包括探头 夹持支撑板(8)、 夹持块(9)、 导轨(10)、 旋转手柄(11)、 探头定位孔(12)和夹紧块(13)， 采集 超声信号具体包括： 对平板陶瓷膜进行缺陷检测时， 将超声探头放到探头定位孔(12)， 通过旋转手柄(11) 使夹持块(9)加持超声探头， 再将探头夹持支撑板(9)安装到X方向前进装置(6)， 将检测的 陶瓷膜放到陶瓷膜放置台(2)上， 通过旋转支撑螺帽(7)， 调整陶瓷膜到超声探头为最佳的 位置为止,通过使用X方向前进装置(6)和Y方向前进装置(5)让超声探头遍布整个陶瓷膜表 面， 更换具有划痕、 断裂、 孔洞缺陷的多个平板陶瓷膜， 对具有划痕、 断裂、 孔洞的平板陶瓷 膜进行检测， 并收集 好每次平板陶瓷膜缺陷检测信号。 4.根据权利要求3所述的方法， 其特 征在于， 步骤2具体为： 采集的超声信号是一维的时间序列信号， 对步骤1中采集好的信号提取深层特征， 是将 信号采用连续小波变换 的方法进行降噪， 去除信号保留有用的缺陷信号， 然后再将去 噪后 的时间序列信号转换为二维尺度图， 并收集好所有二维尺度图， 从二维尺度图能够看出信 号在时频域的特征。 将收集好的二维尺度图进行图像的灰度化、 分割ROI， 再将图像进行滤 波， 通过Canny算子进行边缘提取， 通过Canny算子提取二 维尺度图的特征的边缘， 凸显出缺 陷的边缘， 提高后续模型识别的准确率， 预处理是将采集的图片进行灰度化处理， 降低图片内存， 能够加快空洞卷积神经网络 的训练和识别的速度， 分割ROI确定二维尺度图缺陷特征位置， 将图像进行滤波， 降低图像 的滤波， 使用每个A扫描后的数据转换为二 维尺度图不仅能深层次提出有用的缺陷信号， 而 且作为空洞卷积神经网络的输入， 能够更好 地让空洞卷积神经网络识别达 到最佳状态。 5.根据权利要求 4所述的方法， 其特 征在于， 步骤3具体为： 空洞卷积神经网络包括卷积层、 池化层、 激活函数、 批规范化层、 注意力机制,空洞卷积 是将原来的3*3的卷积核， 通过空洞的变化让现有3*3的卷积核的感受野扩大到5*5的卷积 核的感受野， 扩充的其他空洞用零填补， 增加空洞卷积神经网络能够让相同的计算量， 得到 更大的感受野， 使得获得 更多的有用信息 。 6.根据权利要求5所述的方法， 其特 征在于， 步骤4具体为： 将陶瓷膜缺陷的种类分为划痕、 断裂、 孔洞， 建立通用的缺陷分类公式模型， 设分类任 务为N， 分类任务的嵌入表示 为x， 第y分类的概 率用Softmax函数进行评估， 如式(6)所示：权　利　要　求　书 2/3 页 3 CN 114088817 A 3