[go: up one dir, main page]

CN118731190A - 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法 - Google Patents

一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法 Download PDF

Info

Publication number
CN118731190A
CN118731190A CN202410938302.7A CN202410938302A CN118731190A CN 118731190 A CN118731190 A CN 118731190A CN 202410938302 A CN202410938302 A CN 202410938302A CN 118731190 A CN118731190 A CN 118731190A
Authority
CN
China
Prior art keywords
data
defects
machine learning
training
internal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410938302.7A
Other languages
English (en)
Inventor
林龙标
黄宾南
李小刚
熊屈
李晓东
刘香文
邓雪君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Power Transmission And Transformation Engineering Construction Co ltd
Original Assignee
Dongguan Power Transmission And Transformation Engineering Construction Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongguan Power Transmission And Transformation Engineering Construction Co ltd filed Critical Dongguan Power Transmission And Transformation Engineering Construction Co ltd
Priority to CN202410938302.7A priority Critical patent/CN118731190A/zh
Publication of CN118731190A publication Critical patent/CN118731190A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0234—Metals, e.g. steel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明提出了一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，包括：利用相控阵设备，运用数十个具有不同折射角度的通道检查电缆终端封铅，使用全矩阵捕获和相关技术收集数据；所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集；制作ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类；制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷；该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，并与人类检查员的结果进行比较。

Description

一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自 动检测方法
技术领域
本发明属于机器学习技术领域，尤其涉及一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法。
背景技术
电缆是电力运输的载体,是电网的重要组成部分,封铅是高压电缆中的重要附件之一,其主要作用是对电缆接头进行密封,防止漏电以及潮气侵入,封铅主要由铅锡合金制造而成,大部分长期处于室外环境中,封铅附件也很容易产生变形、开裂等问题。一旦该附件存在缺陷,接头就会失去保护作用。高压电缆封铅附件缺陷类型多样,如开裂、变形、表面起皮、划伤、内部层叠、砂眼等。这些缺陷或存在于封铅的内部,或存在于封铅附件表面,很容易导致电气连接不良、绝缘强度降低、电缆漏电、击穿、电缆着火等问题。因此,检测封铅缺陷具有重要的现实意义。
局部放电检测法、红外线检测法、电场分布检测法、射线检测法等多种技术都已广泛应用于电力电缆附件缺陷诊断之中，这些方法存在检测条件要求较高、操作复杂、检测耗时长、成像不明显以及检测精度不高等问题,目前超声无损检测是检测封铅内部缺陷的主要方法。现代超声检查利用相控阵设备提供的更丰富的数据集。典型的检查可能包括数十个具有不同折射角度的通道，这些通道是在高速下获得的。这些丰富的数据集允许在复杂情况下进行高度可靠和有效的检查,卷积神经网络最近显示出在b扫描水平的超声波信号中以人类水平的精度检测缺陷的能力,为了使关键应用的自动缺陷检测达到人类水平的精度，需要开发这些神经网络，以利用当今丰富的相控阵数据集。
机器学习（ML）模型已经在各种图像识别任务中证明了其有效性，因此ML模型可以用于去除NDT数据分析的大部分重复性，即使在嘈杂和复杂的情况下也是如此。由于大多数检查数据通常没有缺陷，因此ML模型可用于寻找铅封有缺陷的区域。在通过机器学习系统识别出电缆终端封铅可能的缺陷迹象的位置后，检查员可以验证结果并在缺陷评估中应用专家判断。利用越来越多的检测数据的能力允许在早期阶段进行封铅缺陷检测，以及更有效地监控电力系统和缺陷。
发明内容
为了解决现有技术的不足，本发明提供了一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法解决背景中存在的技术问题；
为实现以上目的，本发明通过以下的技术方案予以实现；
一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，所述方法步骤包括：
S1;利用相控阵设备，运用数十个具有不同折射角度的通道检查电缆终端封铅，使用全矩阵捕获和相关技术收集数据；
S2;所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集；
S3;制作ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类；
S4;制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷；
S5;该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，并与人类检查员的结果进行比较。
进一步的技术方案；所述S2中的所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集包括：
所有数据集包含50%只有内部缺陷的图像和50%只有外部缺陷的图像；
对训练集的数据分为50%只有内部缺陷的图像和50%只有外部缺陷的图像，然后对训练集数据进行预处理去除多角度信道包含的大量冗余数据之后，组成训练集数据；
对验证集的数据分为50%只有内部缺陷的图像和50%只有外部缺陷的图像，然后对验证集数据进行预处理和通过虚拟缺陷的方法进行增强之后，组成验证集数据；
排除了训练/验证集中的内部缺陷或外部缺陷后，把剩余图像分为50%只有内部缺陷的图像和50%只有外部缺陷的图像作为测试集数据。
进一步的技术方案；基于S2中所述的对训练数据进行预处理去除多角度信道包含的大量冗余数据，包括：
相控阵探头扫描角度为40°-70°，1°步长，每隔一度距离进行扫描一次，会得到31个角度上的波形数据，31个角度完整波形通道中的每一个都被单独考虑每一帧被整流，即所取信号的绝对值；1/2λ每一帧图像窗口正定矩阵特征值的一半，匹配每一帧图像窗口正定矩阵特征值的一半对单通道进行最大池化，然后将数据存储到压缩的二进制文件中，以方便文件传输和加速学习。
进一步的技术方案；所述的在机器学习中处理有限训练数据的常用技术是使用数据增强，包括：S2中所述的使用所谓的虚拟缺陷可以获得更复杂的增强方案。
进一步的技术方案；基于S3中所述的制作ML训练的物理样本用于训练机器学习模型,包括：
用原始UT数据作为ML训练的物理样本，即扫描表面起皮、划伤的封铅无内部缺陷板样的UT数据；
此外，对单独的有内部缺陷的封铅进行扫描以获得有内部缺陷的数据，有内部缺陷不包含任何外部起皮、划伤，因此提供无外部缺陷信号，可以进行必要的增强以丰富数据集；
目前的设置允许从无外部缺陷的样本中提取干净的内部缺陷信号，并将其嵌入到只有外部缺陷的信号中；
上述数据都要进行预处理之后用于训练机器学习模型。
进一步的技术方案；基于S3中所述的ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类，包括：
用于图像分类任务的DCNN可以被认为是YOLO网络来训练机器学习模型，使用小型卷积滤波器输出矢量化实现封铅内部缺陷图像分类；
最终的模型是用所有可用的非测试内部缺陷和外部缺陷进行训练的。
进一步的技术方案；基于S4所述的制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷,包括：
使用与训练网络中的相反的样本，在验证集中，真实的缺陷是包括内部和外部缺陷；
创建一个完全独立的样本集作为验证的物理样品，将验证集中的数据预处理和增强之后输入机器学习模型，验证机器学习模型的性能，自动检测出封铅内部缺陷。
进一步的技术方案；基于S4所述的该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，包括：
最初的ML模型性能是通过测试数据集来测量的，从包含所有可用缺陷尺寸的数据集中提取，大约50%的扫描有内部缺陷，50%没有内部缺陷，以测量模型的真实性能并观察可能的过拟合,结果是基于误呼率和检测概率(POD)指标来评估的。
利用相控阵设备，运用数十个具有不同折射角度的通道检查电缆终端封铅，使用全矩阵捕获和相关技术收集数据；所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集；制作ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类；制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷；该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，并与人类检查员的结果进行比较，
机器学习模型可以对封铅上典型的多通道相控阵数据进行高可靠性的内部缺陷检测，而且机器学习模型能够适应丰富的超声数据，并具有较高的探伤性能。
附图说明
图1本发明检测方法流程图；
图2为本发明探头和楔形装置示意图；
图3为本发明超声数据预处理流程；
图4为本发明利用深度卷积神经网络对超声扫描缺陷进行估计。
图5为本发明验证数据评估。
具体实施方式
实施例:
如图1所示，本实施例提出了一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，所述方法步骤包括：
S1;利用相控阵设备，运用数十个具有不同折射角度的通道检查电缆终端封铅，使用全矩阵捕获和相关技术收集数据；
S2;所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集；
S3;制作ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类；
S4;制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷；
S5;该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，并与人类检查员的结果进行比较。
利用相控阵设备，运用数十个具有不同折射角度的通道检查封铅，使用全矩阵捕获和相关技术收集数据，具体过程包括：
在收发纵向装置中，使用频率为2.25MHz的双矩阵相控阵探头扫描原始数据。每个探针共有28个元素，排列为7×4个元素，有效孔径为19×12mm。探针被放置在一个反射石楔形与18.9和0◦顶角，探针之间的6毫米间距。焦点律设置为40◦至70◦角度，1◦步长。扫描分辨率为1 mm，声音路径设置为3.46 ~ 27.75µs，声音路径分辨率为0.01µs，因此单步扫描的总数据量为2429×31个样本。聚焦点设置在封铅内部，探头中间，无倾斜角度。探头定位使55◦角将在封铅内部为中心，因为只有一条扫描线被记录。装置的示意图如图1所示。
图1探头和楔形装置示意图。将相控阵焦律聚焦到封铅内部，方位角从40°到70°。探针运动由单个编码器记录，同时沿着封铅内部缺陷手动扫描单个扫描线。所使用的接触介质是从喷雾罐中用手喷洒的水。
对数据进行预处理去除多角度信道包含的大量冗余数据，包括：
相控阵探头扫描角度为40°-70°，1°步长，也就是说，每隔一度距离进行扫描一次，这样就会得到31个角度上的波形数据，31个角度完整波形通道中的每一个都被单独考虑每一帧被整流，即所取信号的绝对值；
1/2λ每一帧图像窗口正定矩阵特征值的一半，匹配每一帧图像窗口正定矩阵特征值的一半对单通道进行最大池化，然后将数据存储到压缩的二进制文件中，以方便文件传输和加速学习
该框架与匹配0.5λ的窗口进行最大池化。这样做的效果是使数据的包络具有计算效率。数据大小从48 × 1020减少到48 × 34(=1632)个样本；
然后将数据存储到压缩的二进制文件中，以方便文件传输和加速学习。在训练中，数据被解压缩，并从原来的16位整数转换为32位浮点数，并缩放到0…2.0(大多数数据在0…1.0范围内)；
所述的在机器学习中处理有限训练数据的常用技术是使用数据增强，包括：S2中所述的使用所谓的虚拟缺陷可以获得更复杂的增强方案；
基于S3中所述的制作ML训练的物理样本用于训练机器学习模型,包括：
用原始UT数据作为ML训练的物理样本，即扫描表面起皮、划伤的封铅无内部缺陷板样的UT数据；
此外，对单独的有内部缺陷的封铅进行扫描以获得有内部缺陷的数据，有内部缺陷不包含任何外部起皮、划伤，因此提供无外部缺陷信号，可以进行必要的增强以丰富数据集；
目前的设置允许从无外部缺陷的样本中提取干净的内部缺陷信号，并将其嵌入到只有外部缺陷的信号中；
上述数据都要进行预处理之后用于训练机器学习模型。
基于S3中所述的ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类，包括：
用于图像分类任务的DCNN可以被认为是YOLO网络来训练机器学习模型，使用小型卷积滤波器输出矢量化实现封铅内部缺陷图像分类；
最终的模型是用所有可用的非测试内部缺陷和外部缺陷进行训练的。
基于S4的制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷,包括：
使用与训练网络中的相反的样本，在验证集中，真实的缺陷是包括内部和外部缺陷；
创建一个完全独立的样本集作为验证的物理样品，将验证集中的数据预处理和增强之后输入机器学习模型，验证机器学习模型的性能，自动检测出封铅内部缺陷。
基于S4该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，包括：
最初的ML模型性能是通过测试数据集来测量的，从包含所有可用缺陷尺寸的数据集中提取，大约50%的扫描有内部缺陷，50%没有内部缺陷，以测量模型的真实性能并观察可能的过拟合,结果是基于误呼率和检测概率(POD)指标来评估。
使用所谓的虚拟缺陷可以获得更复杂的增强方案，包括：
1. 每个只有外部缺陷的封铅被用作一个完美的画布。完整的a扫描被剪切到封铅外部缺陷的感兴趣区域，以尽量减少过多的数据：
2. 对于每张画布，生成一组500,000个样本(分为50批，每批10,000个样本):
随机抽取一个数字来选择完美或有内部缺陷的样本。
如果样品被指定为无内部缺陷:
随机选取48张a片的窗口加入结果数据。
3.通过随机游走偏移来移动每个a扫描，模拟扫描过程中可能的探针抖动，进一步增强了数据。
如果样品被指定为有内部缺陷:
从人口中随机挑选一个缺陷并嵌入到文件中的随机位置。
缺陷幅值在0.5 ~ 1.0范围内随随机因子减小。
4.通过随机游走偏移来移动每个a扫描，模拟扫描过程中可能的探针抖动，从而增强了该缺陷。
嵌入后，随机选择48个扫描窗口，使缺陷完全包含在窗口内。
通过随机游走偏移来移动每个a扫描，模拟扫描期间可能的探针抖动，进一步增强了数据。
用于图像分类任务的DCNN可以被认为是YOLO网络来训练机器学习模型，包括：
所使用的DCNN架构类似于具有3个卷积块的VGG16网络。每个块包含两个具有整流线性单元(ReLU)激活的连续卷积层。然后是批归一化(BN)层，将输入分布归一化为下一个块，通过减少内部协变量移位来增加网络的鲁棒性。卷积块之后是矢量化和具有ReLU激活的密集连接层，其单元对应于最后一次卷积的数字滤波器。最后，密集连接层的权重收敛到具有s形激活的单一分类单元，表明是否存在内部。所应用的损失函数为二元交叉熵。在反向传播过程中，采用自适应矩估计(ADAM)计算新的权值。使用的网络如图3所示。使用TensorFlow库对数据流进行预处理和过滤，使用Keras高级API构建DCNN。
请阅读图5所示；去验证机器学习模型的性能,包括：
将来自单独的有内部缺陷的铅封验证样本的数据通过训练后的机器学习模型运行如下:每个文件被分割为一组单独评估的数据帧，对应于所选择的训练模型输入数据大小(96行)。通过在整个数据中移动具有50%重叠的上述大小的窗口来解释帧，即。第一帧包含第1-96行，第二行包含第49 - 144行，以此类推。对于每一帧，所有31个通道分别进行评估。如果这些帧中的任何一个(甚至一个)被指定为有内部缺陷，则认为帧位置有内部缺陷，如果含有内部缺陷的帧被识别为有内部缺陷，这被认为是一个真正的命中，如果被识别为没有内部缺陷，则被认为是未命中，如果一个帧被指出有内部缺陷但不包含内部缺陷，则被认为是一个错误的调用，数据不包含任何情况，其中一个内部缺陷将部分落在框架上，总的来说，这样划分的数据包含32个独立的数据帧，其中近端有11个命中/未命中的机会，远端有11个命中/未命中的机会，误叫有10个机会。

Claims (8)

1.一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，所述方法步骤包括：
S1;利用相控阵设备，运用数十个具有不同折射角度的通道检查电缆终端封铅，使用全矩阵捕获和相关技术收集数据；
S2;所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集；
S3;制作ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类；
S4;制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷；
S5;该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，并与人类检查员的结果进行比较。
2.根据权利要求1所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，
所述S2中的所有封铅超声数据集将可用的缺陷和画布划分为训练集、验证集和测试集包括：
所有数据集包含50%只有内部缺陷的图像和50%只有外部缺陷的图像；
对训练集的数据分为50%只有内部缺陷的图像和50%只有外部缺陷的图像，然后对训练集数据进行预处理去除多角度信道包含的大量冗余数据之后，组成训练集数据；
对验证集的数据分为50%只有内部缺陷的图像和50%只有外部缺陷的图像，然后对验证集数据进行预处理和通过虚拟缺陷的方法进行增强之后，组成验证集数据；
排除了训练/验证集中的内部缺陷或外部缺陷后，把剩余图像分为50%只有内部缺陷的图像和50%只有外部缺陷的图像作为测试集数据。
3.根据权利要求2所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，基于S2中所述的对训练数据进行预处理去除多角度信道包含的大量冗余数据，包括：
相控阵探头扫描角度为40°-70°，1°步长，会得到31个角度上的波形数据，31个角度完整波形通道中的每一个都被单独考虑每一帧被整流，即所取信号的绝对值；1/2λ每一帧图像窗口正定矩阵特征值的一半，匹配每一帧图像窗口正定矩阵特征值的一半对单通道进行最大池化，然后将数据存储到压缩的二进制文件中，以方便文件传输和加速学习。
4.根据权利要求1所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，所述的在机器学习中处理有限训练数据的常用技术是使用数据增强，包括：S2中所述的使用所谓的虚拟缺陷可以获得更复杂的增强方案。
5.根据权利要求1所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，基于S3中所述的制作ML训练的物理样本用于训练机器学习模型,包括：
用原始UT数据作为ML训练的物理样本，即扫描表面起皮、划伤的封铅无内部缺陷板样的UT数据；
此外，对单独的有内部缺陷的封铅进行扫描以获得有内部缺陷的数据，有内部缺陷不包含任何外部起皮、划伤，因此提供无外部缺陷信号，可以进行必要的增强以丰富数据集；
目前的设置允许从无外部缺陷的样本中提取干净的内部缺陷信号，并将其嵌入到只有外部缺陷的信号中；
上述数据都要进行预处理之后用于训练机器学习模型。
6.根据权利要求1所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，基于S3中所述的ML训练的物理样本用于训练机器学习模型，处理封铅超声相控阵数据实现图像分类，包括：
用于图像分类任务的DCNN可以被认为是YOLO网络来训练机器学习模型，使用小型卷积滤波器输出矢量化实现封铅内部缺陷图像分类；
最终的模型是用所有可用的非测试内部缺陷和外部缺陷进行训练的。
7.根据权利要求1所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，基于S4所述的制作用于验证ML的物理样品，去验证机器学习模型的性能，自动检测出封铅内部缺陷,包括：
使用与训练网络中的相反的样本，在验证集中，真实的缺陷是包括内部和外部缺陷；
创建一个完全独立的样本集作为验证的物理样品，将验证集中的数据预处理和增强之后输入机器学习模型，验证机器学习模型的性能，自动检测出封铅内部缺陷。
8.根据权利要求1所述的一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法，其特征在于，基于S4所述的该模型与训练中使用的类似封铅几何形状的内外两处缺陷进行测试，包括：
最初的ML模型性能是通过测试数据集来测量的，从包含所有可用缺陷尺寸的数据集中提取，大约50%的扫描有内部缺陷，50%没有内部缺陷，以测量模型的真实性能并观察可能的过拟合,结果是基于误呼率和检测概率(POD)指标来评估的。
CN202410938302.7A 2024-07-13 2024-07-13 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法 Pending CN118731190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410938302.7A CN118731190A (zh) 2024-07-13 2024-07-13 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410938302.7A CN118731190A (zh) 2024-07-13 2024-07-13 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法

Publications (1)

Publication Number Publication Date
CN118731190A true CN118731190A (zh) 2024-10-01

Family

ID=92868838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410938302.7A Pending CN118731190A (zh) 2024-07-13 2024-07-13 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法

Country Status (1)

Country Link
CN (1) CN118731190A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1074793A (zh) * 1992-01-22 1993-07-28 三星电子株式会社 具有对角空间频率以外全频带响应的视频动态检测器
CN112184692A (zh) * 2020-10-13 2021-01-05 辽宁工程技术大学 一种输电线路多目标检测方法
CN112381787A (zh) * 2020-11-12 2021-02-19 福州大学 一种基于迁移学习的钢板表面缺陷的分类方法
US20210319265A1 (en) * 2020-11-02 2021-10-14 Zhengzhou University Method for segmentation of underground drainage pipeline defects based on full convolutional neural network
CN114022715A (zh) * 2021-11-17 2022-02-08 国网江苏省电力有限公司电力科学研究院 一种高压电缆终端铅封缺陷检测方法及装置
CN115512831A (zh) * 2022-09-29 2022-12-23 武汉大学 医学超声图像辅助判定病灶严重程度的方法
CN115597662A (zh) * 2022-10-09 2023-01-13 中国第一汽车股份有限公司（Cn） 一种基于小波变换与深度学习的旋转类机械装备故障诊断方法、设备及介质
CN116778020A (zh) * 2023-08-17 2023-09-19 山东大学 一种基于深度学习的柔性超声聚束成像方法及系统
CN116908314A (zh) * 2023-09-08 2023-10-20 中国电力科学研究院有限公司 一种用于电缆附件铅封缺陷的超声波检测方法及系统
CN118262164A (zh) * 2024-04-01 2024-06-28 大连海洋大学 一种基于深度学习的管道焊缝超声相控阵缺陷识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1074793A (zh) * 1992-01-22 1993-07-28 三星电子株式会社 具有对角空间频率以外全频带响应的视频动态检测器
CN112184692A (zh) * 2020-10-13 2021-01-05 辽宁工程技术大学 一种输电线路多目标检测方法
US20210319265A1 (en) * 2020-11-02 2021-10-14 Zhengzhou University Method for segmentation of underground drainage pipeline defects based on full convolutional neural network
CN112381787A (zh) * 2020-11-12 2021-02-19 福州大学 一种基于迁移学习的钢板表面缺陷的分类方法
CN114022715A (zh) * 2021-11-17 2022-02-08 国网江苏省电力有限公司电力科学研究院 一种高压电缆终端铅封缺陷检测方法及装置
CN115512831A (zh) * 2022-09-29 2022-12-23 武汉大学 医学超声图像辅助判定病灶严重程度的方法
CN115597662A (zh) * 2022-10-09 2023-01-13 中国第一汽车股份有限公司（Cn） 一种基于小波变换与深度学习的旋转类机械装备故障诊断方法、设备及介质
CN116778020A (zh) * 2023-08-17 2023-09-19 山东大学 一种基于深度学习的柔性超声聚束成像方法及系统
CN116908314A (zh) * 2023-09-08 2023-10-20 中国电力科学研究院有限公司 一种用于电缆附件铅封缺陷的超声波检测方法及系统
CN118262164A (zh) * 2024-04-01 2024-06-28 大连海洋大学 一种基于深度学习的管道焊缝超声相控阵缺陷识别方法

Similar Documents

Publication Publication Date Title
CN110954793B (zh) 基于光谱成像的复合绝缘子伞裙老化检测方法及检测装置
JPH05240840A (ja) 部品を検査する方法
CN114778574B (zh) X射线数字成像检测识别在运高压电缆内部缺陷方法
Gao et al. A mechanism and method of leak detection for pressure vessel: Whether, when, and how
CN117686588B (zh) 燃气管道焊接质量的无损监测系统及方法
WO2021109577A1 (zh) 一种超声检测方法及装置
CN115856088A (zh) 基于相控阵超声波成像技术对高压电缆铅封质量检测系统
CN113484054B (zh) 一种智能家具新风系统运行故障智能诊断分析方法及云分析平台
TWI840006B (zh) 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法
CN114839269B (zh) Gis固体绝缘件内部缺陷应力无损检测方法及装置
CN118731190A (zh) 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法
Kögel et al. Machine learning assisted signal analysis in Acoustic Microscopy for non-destructive defect identification
CN113552217B (zh) 一种基于双自发自收相控阵探头的未知缺陷轮廓重建方法
CN113177925B (zh) 一种无损检测水果表面缺陷的方法
CN112014471A (zh) 一种基于虚拟传感器的板结构多模态兰姆波拓扑梯度成像方法
El Tokhy et al. Automatic detection algorithm of defects in casting radiography images based on cepstral coefficients
JP4728762B2 (ja) 超音波探傷画像処理装置
CN118091099B (zh) 基于信号识别的电缆接头缺陷检测方法及系统
JPH06281592A (ja) 表面検査方法
CN116609441B (zh) 一种单微裂纹定量识别方法
CN118014976B (zh) 一种可自动识别图像特征的超声检查系统及识别方法
CN118469999B (zh) 芯片焊点检测方法
Legendre et al. Ultrasonic aluminum weld testing method based on the wavelet transform and a neural classifier
CN119399165A (zh) 基于机器视觉的3d深度学习缺陷检测方法
CN118837442A (zh) 一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination