CN119295827A 通过深度学习增强缺陷检测效率的无损探伤方法 （苏州天顺复合材料科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119295827A(43)申请公布日2025.01.10

(21)申请号202411423567.X

(22)申请日2024.10.12

(71)申请人苏州天顺复合材料科技有限公司地址215500江苏省苏州市常熟市通港路

338号

(72)发明人曹聪

(74)专利代理机构苏州诚逸知识产权代理事务所(特殊普通合伙)32313

专利代理师高娟

(51)Int.CI.

GO6V10/764(2022.01)

GO1N23/04(2018.01)

GO1N29/06(2006.01)

GO1N25/72(2006.01)

GO6V10/30(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6V10/40(2022.01)

GO6V10/44(2022.01)

GO6T7/00(2017.01)

G06T5/70(2024.01)

GO6T5/10(2006.01)

GO6T5/40(2006.01)

GO6T5/92(2024.01)

GO6T5/94(2024.01)

GO6N3/0464(2023.01)

权利要求书2页说明书11页附图1页

(54)发明名称

通过深度学习增强缺陷检测效率的无损探

伤方法

(57)摘要

CN119295827A本申请涉及无损检测技术领域，公开了通过深度学习增强缺陷检测效率的无损探伤方法，包括以下步骤：步骤一、获取目标材料的多模态数据，包括通过X射线成像、超声波探测和红外热成像获取的数据；步骤二、对获取的多模态数据进行信号去噪处理，其中信号去噪通过小波变换进行，所述小波变换包括对信号进行多尺度分解，并应用软阈值法去除高频噪声；步骤三、对去噪后的多模态数据进行图像增强处理。通过融合X射线成像、超声波探测和红外热成像的多模态数据，从多个物理维度捕捉材料的内部结构特征。这种多模态融合能够弥补单一检测技术的不足，

CN119295827A

步值二、对获取的多模态数据进行信号去噪处理，其中信号去噪通过小波变换

进行，所述小波变换包括对信号进行多尺度分解，并应用软姆值法去除高频噪

声；

步骤三、对去噪后的多模态数据进行图像增强处理，包括应用直方图均衡化进

行全局对比度增强和应用拉普拉斯算子进行局部对比度增强；

步骤四.将增强后的多模态数据输入崔积神经网络进行特征融合，所述特征融

合包括使用卷积层进行深度特征提取，地化层进行尺寸缩咸和全连接层进行特

征整合；

步骤五、基于融合后的特征图，通过CNN模型识别和分类目标材料的

CN119295827A权利要求书1/2页

2

1.通过深度学习增强缺陷检测效率的无损探伤方法，其特征在于，包括以下步骤：

步骤一、获取目标材料的多模态数据，包括通过X射线成像、超声波探测和红外热成像获取的数据；

步骤二、对获取的多模态数据进行信号去噪处理，其中信号去噪通过小波变换进行，所述小波变换包括对信号进行多尺度分解，并应用软阈值法去除高频噪声；

步骤三、对去噪后的多模态数据进行图像增强处理，包括应用直方图均衡化进行全局对比度增强和应用拉普拉斯算子进行局部对比度增强；

步骤四、将增强后的多模态数据输入卷积神经网络进行特征融合，所述特征融合包括使用卷积层进行深度特征提取，池化层进行尺寸缩减和全连接层进行特征整合；

步骤五、基于融合后的特征图，通过CNN模型识别和分类目标材料的缺陷。

2.根据权利要求1所述的通过深度学习增强缺陷检测效率的无损探伤方法，其特征在于，所述X射线成像的数据采集步骤包括：

选择X射线的能量范围为80-150kV,根据目标材料的密度和厚度选择适当的能量值，以确保最佳的成像效果；

设置曝光时间为10-100ms;

通过多角度扫描获取多个X射线图像，以捕获材料的三维结构特征；

所述X射线图像的分辨率不低于1024x1024像素，图像格式为DICOM。

3.根据权利要求1所述的通过深度学习增强缺陷检测效率的无损探伤方法，其特征在于，所述超声波探测的数据采集步骤包括：

选择超声波探头的频率范围为1-10MHz或10-50MHz,具体频率根据目标材料的厚度和声阻抗匹配特性进行选择；

在材料表面均匀涂抹耦合剂