基于多层神经网络的相控阵超声图像缺陷识别

针对相控阵超声检测(Phased Array Ultrasonic Testing,PAUT)图像缺陷的人工识别结果准确性和一致性难以保证的问题,本文提出一种基于多层神经网络的PAUT图像缺陷识别方法。在碳钢平板试件中设置长度为2mm~4mm,倾斜角度为0°~60°的裂纹,以及直径为2mm~5mm的横通孔,并进行PAUT检测与S扫描图像采集。构建用于训练和测试神经网络的数据集,其中训练集包含13500个样本,测试集包含1874个样本。基于多层卷积神经网络,对PAUT图像实施缺陷搜索,并区分体积型和面积型。根据分类结果加载不同参数进行语义分割,实现缺陷特征还原。研究结果表明,该方法的缺陷识别准确率达到94.53%,缺陷特征还原像素准确率(Class Pixel Accuracy,CPA)平均值与交并比(Intersection of Union,IoU)平均值分别为99.92%与0.979,且训练和预测过程十分高效。