本發明屬于超聲波無損檢測，尤其涉及一種基于超聲b掃描圖像的缺陷識別與三維可視化方法及系統。

背景技術：

1、超聲無損檢測技術通過超聲波在材料中的傳播特性，對材料內部缺陷進行檢測和定位。超聲波在遇到不同介質時會產生反射、折射等物理現象，從而可以幫助檢測人員識別材料內部的缺陷情況。相控陣超聲技術作為一種先進的超聲檢測手段，憑借其高分辨率和靈活性，在工業檢測中得到了廣泛的應用和認可。

2、然而，傳統的超聲b掃描圖像缺陷檢測方法在實際應用中暴露出一些問題。首先，檢測效率較低。在面對大量的b掃描圖像時，傳統方法需要逐張進行處理和分析，這不僅耗費大量時間，而且容易使檢測人員產生疲勞，從而影響檢測效果。其次，檢測結果受操作人員經驗影響較大。由于缺陷的判斷在很大程度上依賴于操作人員的肉眼觀察和主觀判斷，因此經驗豐富的操作人員可能能夠更準確地識別缺陷，而經驗不足的人員則容易出現漏檢和誤檢的情況。這種主觀性的存在使得檢測結果的穩定性和可靠性受到一定影響。最后，傳統方法缺乏對缺陷的三維可視化展示。在二維的b掃描圖像上，缺陷的形狀和位置可能難以直觀地展示出來，這對于需要深入了解缺陷特征的用戶來說是一個不小的挑戰。

3、因此，如何設計一種高效、準確的缺陷識別與三維可視化解決方案，實現對超聲b掃描圖像數據的快速可靠處理，得到準確可靠的超聲無損檢測結果，降低檢測難度，提高檢測準確率和穩定性，成為相關生產活動中必須解決的一個問題。

技術實現思路

1、本發明的目的是提供一種基于超聲b掃描圖像的缺陷識別與三維可視化方法及系統，以解決傳統方法中存在的效率低、準確性差和缺乏三維可視化展示的問題。

2、本發明具體采用的技術方案如下：

3、第一方面，本發明提供了一種基于超聲b掃描圖像的缺陷識別與三維可視化方法，其包括：

4、s1、獲取針對待識別工件獲取的彩色超聲b掃描圖像序列，并對其進行包含無損灰度化在內的圖像預處理，得到灰度化b掃描圖像序列；

5、s2、針對灰度化b掃描圖像序列，計算其中每張灰度化b掃描圖像的圖像熵并組成圖像熵序列，對圖像熵序列進行擴展后再進行相空間重構，獲得與彩色超聲b掃描圖像序列相同的重構向量，由所有的重構向量兩兩計算相似度并以相似度為元素生成一張二維的無閾值遞歸圖，對無閾值遞歸圖進行二值化后通過計算每一行的元素均值來表征模式突變概率密度，所有行的元素均值歸一化后構成維度與彩色超聲b掃描圖像序列相同的一維濾波器，利用一維濾波器對圖像熵序列進行濾波，并計算每張灰度化b掃描圖像的圖像熵原始值與濾波值之間的差值，提取所有差值大于0的灰度化b掃描圖像為疑似缺陷圖像；

6、s3、將所有疑似缺陷圖像輸入預先基于神經網絡訓練的缺陷識別模型中，識別每張疑似缺陷圖像中的缺陷特征區域，若未識別到缺陷特征區域則將剔除該疑似缺陷圖像；

7、s4、將所有識別到的缺陷特征區域按照各自所在的疑似缺陷圖像，通過三維可視化技術映射至待識別工件的三維模型空間中，完成待識別工件中缺陷的三維可視化。

8、作為上述第一方面的優選，對于每張彩色超聲b掃描圖像，將其無損灰度化為灰度化b掃描圖像時，每個像素的灰度值為255同時減去綠色分量值的三分之一和藍色分量值的三分之二。

9、作為上述第一方面的優選，對每張彩色超聲b掃描圖像執行所述圖像預處理的具體處理方法為：先對彩色超聲b掃描圖像進行無損灰度化，然后對灰度化超聲b掃描圖像進行中值濾波完成圖像去噪，再通過開運算進一步消除噪聲并分割目標，最后裁剪出需要識別缺陷的感興趣區域，輸出裁剪后的灰度化b掃描圖像。

10、作為上述第一方面的優選，基于圖像熵序列生成無閾值遞歸圖的方法為：

11、按照彩色超聲b掃描圖像序列n、預先優化的最優延遲時間τ與最優嵌入維數m，先將n維的圖像熵序列進行尾部填充得到n+(m-1)τ維的擴展后圖像熵序列，然后依次以擴展后圖像熵序列的前n個圖像熵為起始點，從每個起始點開始以τ為間隔采樣m個圖像熵形成行向量；再構造n×n的無閾值遞歸圖，其中第i行第j列的元素值為第i個與第j個起始點的行向量之間的相似度。

12、作為上述第一方面的優選，對無閾值遞歸圖進行二值化操作時，若無閾值遞歸圖中的元素值超過閾值，則將其設為黑點，否則將其設為白點，且所述閾值應使得二值化遞歸圖中的黑點占比為5%。

13、作為上述第一方面的優選，利用一維濾波器對圖像熵序列進行濾波時，將一維濾波器對圖像熵序列進行濾波時，通過將一維濾波器對應的元素均值序列與圖像熵序列進行逐元素相乘，獲得與彩色超聲b掃描圖像序列相同的濾波后圖像熵序列。

14、作為上述第一方面的優選，所述缺陷識別模型以yolov5或yolov8為基礎模型，通過缺陷標注數據進行監督訓練得到。

15、作為上述第一方面的優選，通過三維可視化技術將缺陷特征區域映射至待識別工件的三維模型空間的方法為：生成與彩色超聲b掃描圖像序列中圖像數量相同的二維背景幀，針對每一個識別到的缺陷特征區域，利用該缺陷特征區域的外包矩形框從對應的彩色超聲b掃描圖像或者灰度化b掃描圖像中提取缺陷圖像塊，然后將缺陷圖像塊映射疊加在對應的二維背景幀上，完成識別到的所有缺陷特征區域的映射疊加后，得到包含缺陷的待識別工件三維可視化模型。

16、作為上述第一方面的優選，在待識別工件的三維模型空間中對缺陷進行三維可視化時，通過包圍盒算法識別孤立的三維缺陷區域，并計算其形狀與位置，作為可視化查詢的信息。

17、第二方面，本發明提供了一種基于超聲b掃描圖像的缺陷識別與三維可視化系統，其包括：

18、b掃描圖像預處理模塊，用于獲取針對待識別工件獲取的彩色超聲b掃描圖像序列，并對其進行包含無損灰度化在內的圖像預處理，得到灰度化b掃描圖像序列；

19、含缺陷圖像篩選模塊，用于針對灰度化b掃描圖像序列，計算其中每張灰度化b掃描圖像的圖像熵并組成圖像熵序列，對圖像熵序列進行擴展后再進行相空間重構，獲得與彩色超聲b掃描圖像序列相同的重構向量，由所有的重構向量兩兩計算相似度并以相似度為元素生成一張二維的無閾值遞歸圖，對無閾值遞歸圖進行二值化后通過計算每一行的元素均值來表征模式突變概率密度，所有行的元素均值歸一化后構成維度與彩色超聲b掃描圖像序列相同的一維濾波器，利用一維濾波器對圖像熵序列進行濾波，并計算每張灰度化b掃描圖像的圖像熵原始值與濾波值之間的差值，提取所有差值大于0的灰度化b掃描圖像為疑似缺陷圖像；

20、缺陷特征識別模塊，用于將所有疑似缺陷圖像輸入預先基于神經網絡訓練的缺陷識別模型中，識別每張疑似缺陷圖像中的缺陷特征區域，若未識別到缺陷特征區域則將剔除該疑似缺陷圖像；

21、三維可視化模塊，用于將所有識別到的缺陷特征區域按照各自所在的疑似缺陷圖像，通過三維可視化技術映射至待識別工件的三維模型空間中，完成待識別工件中缺陷的三維可視化。

22、相對于現有技術而言，本發明的有益效果如下：

23、（1）本發明結合信息無損灰度化算法，搭配中值濾波、開運算和roi提取算法，設計了適用于典型b掃描圖像預處理的方案，能夠實現原始b掃描圖像數據信息無損的精簡和去噪。

24、（2）本發明利用圖像熵代表b掃描圖像所含信息量，將遞歸圖方法引入到含缺陷圖像篩選任務當中，根據遞歸圖結構設計了含缺陷圖像熵序列片段的篩選濾波器，能夠實現在不依賴于大量實驗的前提下對疑似含缺陷b掃描序列的可靠準確篩選。

25、（3）本發明基于神經網絡進一步訓練了缺陷識別模型，將缺陷識別模型與基于圖像熵序列和遞歸圖法的篩選方式耦合，既可以實現高效的疑似缺陷圖像初步篩選，又能夠利用神經網絡的精準識別能力彌補濾除率不足的缺陷。

26、（4）本發明可以進一步對工件的缺陷特征進行三維可視化，能夠可視化缺陷的三維特征，并準確地進行其形狀和位置的自動化定量檢測，該方法本身具有較強的可拓展性，能夠適應多種形狀和材料的工件。