基于深度学习的超声B扫描图像处理缺陷识别实验研究

本文旨在利用深度学习图像处理技术,提出一种基于YOLOv5网络结构的缺陷检测算法对超声B扫描图像进行缺陷识别实验研究。通过对工件进行线性阵列相控阵超声检测,连续采集到多幅B扫描图像或实时采集视频数据,并对图像进行预处理和增强操作。在此基础上,构建神经网络模型,并对预处理后的大量数据集进行标定。使用Pytorch深度学习框架进行数据集训练,结果表明改进的YOLOv5算法对缺陷的目标检测召回率识别达到96.2%,对底波缺失的目标检测召回率达到96.3%。实验结果表明,基于改进的YOLOv5算法在mAP0.5指标上有1.4%的提升,在mAP0.5:0.95指标上有6%的检测性能提升。

面状缺陷超声B扫描检测图像增强研究

针对面状焊接缺陷超声B扫描检测图像受噪声污染造成的质量下降问题,利用多尺度小波分析方法,对超声B扫描图像进行了增强处理。分析了缺陷信号和噪声的小波变换特性,分别在软、硬阈值函数条件下,采用固定阈值、Stein无偏似然估计阈值、混合型阈值、极大极小准则阈值等方法进行了信号增强处理,比较了不同阈值方法小波变换的处理效果。结果表明:小波变换方法能有效地提高超声B扫描图像质量,硬阈值条件下固定阈值小波变换方法的图像增强处理效果较好。