超聲無損評(píng)價(jià)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(cè)技術(shù)以其特有的便捷性、實(shí)時(shí)性、直觀性等優(yōu)勢(shì)，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(cè)與評(píng)價(jià)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(cè)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(cè)技術(shù)中還存在一些尚未解決的問題。檢測(cè)圖像作為無損評(píng)價(jià)的重要手段，應(yīng)盡量準(zhǔn)確地反映被檢測(cè)材料內(nèi)部缺陷的真實(shí)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(cè)圖像存在模糊退化、局部對(duì)比度低和背景灰度分布不均等缺點(diǎn)

2、，給缺陷的定量分析與評(píng)價(jià)帶來極大困難。針對(duì)上述情況，本文利用現(xiàn)代圖像處理技術(shù)，深入細(xì)致的研究了超聲檢測(cè)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(chǎng)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(diǎn)擴(kuò)展函數(shù)、采樣函數(shù)和附加噪聲對(duì)超聲成像質(zhì)量的影響。研究結(jié)果表明在點(diǎn)擴(kuò)展函數(shù)和噪聲的共同作用下，檢測(cè)圖像發(fā)生了退化，其中點(diǎn)擴(kuò)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(cè)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(cè)圖像的清晰度明顯下降。
　　根據(jù)檢測(cè)圖像的特點(diǎn)，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(cè)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(jìn)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(jìn)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(dòng)步長(zhǎng)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(dòng)步長(zhǎng)對(duì)圖像復(fù)原處理效果及網(wǎng)絡(luò)訓(xùn)練時(shí)間的影響，確定了最優(yōu)圖像復(fù)原網(wǎng)絡(luò)。試驗(yàn)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(cè)工件內(nèi)部的缺陷分布情況，從而有效提高無損評(píng)價(jià)的可靠性。
　　研究了用于提高檢測(cè)圖像分辨率的自適應(yīng)插值方法。針對(duì)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(cè)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(diǎn)，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(jì)的約束條件，同時(shí)提高算法的執(zhí)行效率，對(duì)圖像過渡區(qū)和灰度平坦區(qū)采用不同的方法進(jìn)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(duì)小波重構(gòu)的低頻分量進(jìn)行修正，消除了利用原始圖像作為低頻分量進(jìn)行小波重構(gòu)產(chǎn)生的灰度偏差。根據(jù)小波函數(shù)的對(duì)稱性、線性相位和正則性分析以及試驗(yàn)驗(yàn)證，確定了用于插值重建的最優(yōu)小波函數(shù)。
　　研究了低對(duì)比度、灰度分布不均的超聲檢測(cè)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(cè)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(dòng)態(tài)閾值化方法的不足，將動(dòng)態(tài)閾值與全局閾值