超聲無損評價中圖像復(fù)原與缺陷量化的研究.pdf

1、數(shù)字化成像無損檢測技術(shù)以其特有的便捷性、實時性、直觀性等優(yōu)勢，被廣泛用于產(chǎn)品、零部件以及重要結(jié)構(gòu)的質(zhì)量檢測與評價中。超聲C掃描是出現(xiàn)較早并得到推廣應(yīng)用的成像檢測技術(shù)，受超聲傳播以及超聲與材料組織相互作用特性的影響，超聲成像檢測技術(shù)中還存在一些尚未解決的問題。檢測圖像作為無損評價的重要手段，應(yīng)盡量準(zhǔn)確地反映被檢測材料內(nèi)部缺陷的真實狀況。由于成像系統(tǒng)的作用以及材料自身聲學(xué)特性等原因，檢測圖像存在模糊退化、局部對比度低和背景灰度分布不均等缺點

2、，給缺陷的定量分析與評價帶來極大困難。針對上述情況，本文利用現(xiàn)代圖像處理技術(shù)，深入細致的研究了超聲檢測圖像的復(fù)原與缺陷量化等問題。
　　利用多高斯聲束模型模擬了水浸聚焦探頭輻射的聲場分布，在此基礎(chǔ)上建立了水浸聚焦超聲C掃描成像的數(shù)學(xué)模型，利用該模型分析了點擴展函數(shù)、采樣函數(shù)和附加噪聲對超聲成像質(zhì)量的影響。研究結(jié)果表明在點擴展函數(shù)和噪聲的共同作用下，檢測圖像發(fā)生了退化，其中點擴展函數(shù)使圖像的邊緣模糊化，其模糊程度隨焦柱直徑的增大而加

3、劇。采樣函數(shù)中的采樣間隔是決定圖像分辨率和檢測效率的主要因素。此外受電噪聲、脈沖噪聲及晶粒噪聲等附加噪聲的影響，檢測圖像的清晰度明顯下降。
　　根據(jù)檢測圖像的特點，建立了圖像復(fù)原的非線性模型，研究了基于支持向量回歸(SupportVectorRegression,SVR)網(wǎng)絡(luò)的超聲檢測圖像復(fù)原方法。將平底孔的C掃描圖像和理想圖像作為輸入和輸出進行網(wǎng)絡(luò)訓(xùn)練，結(jié)合基于樣本縮減處理的網(wǎng)格搜索法與梯度下降尋優(yōu)法進行SVR模型超參數(shù)尋優(yōu)。在

4、網(wǎng)絡(luò)訓(xùn)練過程中，按照一定尺寸和移動步長將樣本圖像劃分為不同大小的子圖像作為網(wǎng)絡(luò)輸入輸出量。綜合考慮子圖像尺寸和移動步長對圖像復(fù)原處理效果及網(wǎng)絡(luò)訓(xùn)練時間的影響，確定了最優(yōu)圖像復(fù)原網(wǎng)絡(luò)。試驗結(jié)果表明，基于SVR網(wǎng)絡(luò)的圖像復(fù)原方法能夠有效地提高圖像的質(zhì)量，降低圖像的模糊程度，復(fù)原后的圖像能更準(zhǔn)確地反映被檢測工件內(nèi)部的缺陷分布情況，從而有效提高無損評價的可靠性。
　　研究了用于提高檢測圖像分辨率的自適應(yīng)插值方法。針對線性插值固有的局限性，

5、將基于邊緣方向的非線性插值方法用于無損檢測圖像的插值重建。為了保證插值重建后的圖像具有充足的信息量，結(jié)合小波變換的多分辨分析特點，將邊緣方向插值算法與小波變換相結(jié)合，提出基于圖像邊緣方向的小波變換插值重建算法。為了滿足圖像插值算法中局部區(qū)域灰度統(tǒng)計的約束條件，同時提高算法的執(zhí)行效率，對圖像過渡區(qū)和灰度平坦區(qū)采用不同的方法進行插值處理，并將圖像復(fù)雜度特征變換用于圖像過渡區(qū)的提取。研究了插值過程中小波變換低頻分量的修正及小波函數(shù)的選取問題，

6、將圖像鄰域插值和Haar小波分解相結(jié)合，對小波重構(gòu)的低頻分量進行修正，消除了利用原始圖像作為低頻分量進行小波重構(gòu)產(chǎn)生的灰度偏差。根據(jù)小波函數(shù)的對稱性、線性相位和正則性分析以及試驗驗證，確定了用于插值重建的最優(yōu)小波函數(shù)。
　　研究了低對比度、灰度分布不均的超聲檢測圖像的缺陷量化問題。首先分析了銅鋼堆焊界面的超聲檢測圖像特征，確定了圖像分塊閾值化分割的缺陷提取量化方案。分析了采用規(guī)則形狀分塊的動態(tài)閾值化方法的不足，將動態(tài)閾值與全局閾值