(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210902059.4 (22)申请日 2022.07.29 (71)申请人 中国特种设备检测研究院 地址 100029 北京市朝阳区和平街西苑2号 楼 (72)发明人 刘太丽　潘强华　张驰　严志海　 侯冰　史润章　黄嘉诚　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 刘芳 (51)Int.Cl. G01N 29/04(2006.01) G01N 29/46(2006.01) G01N 29/44(2006.01) G06V 10/80(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于CNN的超声复合材料缺陷三维成像 方法及系统 (57)摘要 本发明涉及一种基于CNN的超声复合材料缺 陷三维成像方法及系统， 属于三维成像领域， 方 法包括： 对待测 复合材料试件进行扫描， 采集坐 标值(X， Y)下的超声A扫描时域信号； 将所述超声 A时域信号以一维数组a[n]的形式存储； 将所述 超 声 A 时 域 信 号 进 行 经 验 小 波 变 换 (EmpiricalWaveletTr ansform， EWT)， 并将所述 一维数组a[n]转换为二维时频域信号 图像EWT‑ Hilbert谱图， 以图片的形式存储； 构建CNN网络 模型； 将所述EWT ‑Hilbert谱图输入至所述CNN网 络模型， 得到复合材料缺陷深度值D； 将所述坐标 值(X， Y)和所述深度值D 进行数据融合， 形成三维 离散成像矩阵， 完成缺陷三维成像， 本发明中的 上述方法用于实现缺陷智能三维成像， 提高缺陷 深度值的智能识别准确率。 权利要求书3页 说明书8页 附图6页 CN 115266924 A 2022.11.01 CN 115266924 A 1.一种基于 CNN的超声复合材 料缺陷三维成像方法， 其特 征在于， 所述成像方法包括： 对待测复合材 料试件进行扫描， 采集 坐标值(X， Y)下的超声A扫描时域信号； 将所述超声A时域信号以一维数组a[n]的形式存 储； 将所述超声A时域信号进行经验小波变换， 并将所述一维数组a[n]转换为二维时频域 信号图像经验小 波变换‑希尔伯特谱图， 以图片的形式存 储； 构建CNN网络模型； 将所述经验小波变换 ‑希尔伯特谱图输入至所述CNN网络模型， 得到复合材料缺陷深度 值D； 将所述坐标值(X， Y)和所述深度值D进行数据融合， 形成三维离散成像矩阵， 完成缺陷 三维成像。 2.根据权利要求1所述的基于CNN的超声复合材料缺陷三维成像方法， 其特征在于， 所 述对待测复合材料试件进 行扫描， 采集坐标值(X， Y)下的超声A扫描时域信号具体包括以下 步骤： 对待测复合材 料试件进行蛇形扫描； 根据超声探 头相对于材 料的位置， 确定坐标(X， Y)； 采集得到超声A扫描时域信号。 3.根据权利要求1所述的基于CNN的超声复合材料缺陷三维成像方法， 其特征在于， 将 所述超声A时域信号进行经验小波变换， 并将所述一维数组a[n]转换为二维时频域信号图 像经验小 波变换‑希尔伯特谱图， 以图片的形式存 储具体包括以下步骤： 将所述一维数组a[n]结合采样时间表达为按时间变化的原 始信号f(t)； 对所述原始信号进行经验小波变换， 将所述原始信号分解成N+1个模态函数fk(t)之和 对各个模态函数fk(t)进行希尔伯特变换， 提取具有表征特性的瞬时幅值和瞬时频率， 同时构造出 经验小波变换‑希尔伯特谱图； 将所述经验小 波变换‑希尔伯特谱图以图片的形式保存。 4.根据权利要求1所述的基于CNN的超声复合材料缺陷三维成像方法， 其特征在于， 所 述构建CN N网络模型 具体包括以下步骤： 获取样本集； 所述样本集包括训练接和 测试集； 将所述训练集输入值CN N网络进行训练； 使用测试集对所述CN N网络进行测试； 判断测试 结果识别率是否满足要求； 如果满足要求， 则输出CN N网络模型， 用于缺陷深度识别； 如果不满足要求， 则修改网络参数， 重新进行训练和测试， 直至满足要求， 输出CNN网络 模型， 用于缺陷深度识别。 5.根据权利要求1所述的基于CNN的超声复合材料缺陷三维成像方法， 其特征在于， 将 所述超声A时域信号进行经验小波变换， 并将所述一维数组a[n]转换为二维时频域信号图 像经验小 波变换‑希尔伯特谱图， 以图片的形式存 储具体按照以下公式进行存 储：权　利　要　求　书 1/3 页 2 CN 115266924 A 2N≥2fcn/Fs 其中， N表示像素， fc表示采样频率， Fs表示信号中心频率， n表示信号的采样点数。 6.一种基于 CNN的超声复合材 料缺陷三维成像系统， 其特 征在于， 所述成像系统包括： 扫描模块， 用于对待测复合材料试件进行扫描， 采集坐标值(X， Y)下的超声A扫描时域 信号； 存储模块， 用于将所述超声A时域信号以一维数组a[n]的形式存 储； 经验小波变换模块， 用于将所述超声A时域信号进行经验小波变换， 并将所述一维数组 a[n]转换为 二维时频域信号图像经验小 波变换‑希尔伯特谱图， 以图片的形式存 储； 网络模型构建模块， 用于构建CN N网络模型； 深度值确定模块， 用于将所述经验小波变换 ‑希尔伯特谱图输入至所述CNN网络模型， 得到复合材 料缺陷深度值D； 数据融合模块， 用于将所述坐标值(X， Y)和所述深度值D进行数据融合， 形成三维离散 成像矩阵， 完成缺陷三维成像。 7.根据权利要求6所述的基于CNN的超声复合材料缺陷三维成像系统， 其特征在于， 所 述扫描模块具体包括以下 单元： 蛇形扫描单 元， 用于对待测复合材 料试件进行蛇形扫描； 坐标确定单 元， 用于根据超声探 头相对于材 料的位置， 确定坐标(X， Y)； 信号采集单 元， 用于采集得到超声A扫描时域信号。 8.根据权利要求6所述的基于CNN的超声复合材料缺陷三维成像系统， 其特征在于， 经 验小波变换模块具体包括以下 单元： 原始信号确定单元， 用于将所述一维数组a[n]结合采样时间表达为按时间变化的原始 信号f(t)； 分解单元， 用于对所述原始信号进行经验小波变换， 将所述原始信号分解成N+1个模态 函数fk(t)之和 希尔伯特变换单元， 对各个模态函数fk(t)进行希尔伯特变换， 提取具有表征特性的瞬 时幅值和瞬时频率， 同时构造出 经验小波变换‑希尔伯特谱图； 图片存储单元， 用于将所述经验小 波变换‑希尔伯特谱图以图片的形式保存。 9.根据权利要求6所述的基于CNN的超声复合材料缺陷三维成像系统， 其特征在于， 所 述CNN网络模型构建模块具体包括以下 单元： 样本集获取 单元， 用于获取样本集； 所述样本集包括训练接和 测试集； 训练单元， 用于将所述训练集输入值CN N网络进行训练； 测试单元， 用于使用测试集对所述CN N网络进行测试； 判断单元， 用于判断测试 结果识别率是否满足要求； 缺陷识别单 元， 用于当满足要求时， 则输出CN N网络模型， 用于缺陷深度识别； 参数修改单元， 用于当不满足要求时， 修改网络参数， 重新进行训练和测试， 直至满足 要求， 输出CN N网络模型， 用于缺陷深度识别。 10.根据权利要求6所述的基于CNN的超声复合材料缺陷三维成像系统， 其特征在于， 经 验小波变换模块中具体按照以下公式进行图片存 储：权　利　要　求　书 2/3 页 3 CN 115266924 A 3