超声图像解读与设计过程的智能系统应用

### 超声图像解读与设计过程的智能系统应用 在工业检测和产品设计领域，智能系统发挥着越来越重要的作用。本文将介绍超声图像解读的阶段以及产品设计过程的相关内容。 #### 超声图像解读的阶段 超声图像解读问题可分为三个不同阶段：弧检测、收集相交弧区域的信息以及根据收集的信息对缺陷进行分类。 ##### 1. 弧检测 缺陷特征化的第一步是在黑板上呈现图像的重要特征。这通过一个程序代理来实现，该代理检查图像并将弧拟合到数据点上。为了生成这些弧，使用了霍夫变换（Hough Transform）来确定点的分组。此变换经过修改，排除了与其他点有一定距离的孤立点。弧的实际位置通过最小二乘法拟合确定。 这个预处理阶段有助于减少数据量，并将其转换为适合基于知识进行解读的形式。基于知识的处理从大约30条线性弧的数据开始，而不是400 - 500个数据点的数据。并且不会永久丢失信息，如果DARBS在操作过程中判断某条特定线的更多数据有助于解读，它会检索该线上各个点的信息，并将这些点数据呈现在黑板上。 在解读的初始阶段，处理线而不是点是很自然的。所有缺陷类型都会产生指示弧，并且用于识别缺陷的许多知识都可以用线的属性及其相互关系来表达。 ##### 2. 收集证据 一旦线的描述被记录在黑板上，一个基于规则的代理会根据强度、点数和长度等标准挑选出那些被认为重要的线。规则还用于识别后壁回波和探头混响产生的线，目前这两者都被视为“不重要”。 图像中的关键区域通过找到重要线的交点并将它们分组来生成。对于大型光滑裂纹，每个裂纹尖端都与一个不同的区域相关联，其他缺陷则完全包含在各自的区域内。 基于规则的代理用于收集每个关键区域的证据，这些证据包括： - 区域的大小 - 通过该区域的弧的数量 - 回波动力学的形状（后面会详细定义） - 指示的强度 - 指示强度对探头角度的敏感度 与缺陷相关的回波动力学是沿一条“重要”线的信号强度分布。这种分布在缺陷分类中非常重要，因为不同的分布与不同类型的缺陷相关。在DARBS中，回波动力学的模式分类使用快速傅里叶变换和一组规则来分析变换后信号的特征，也可以使用神经网络来完成相同的任务。 缺陷对探头角度的敏感度是判断缺陷性质的另一个关键指标。大致球形的缺陷，如单个气孔，从不同角度观察时外观大致相同。而光滑裂纹则具有更明显的方向性，探头方向的微小差异可能导致指示强度的显著降低（或增加）。相交区域的方向敏感度用 -1 到 1 之间的数字表示。 ##### 3. 缺陷分类 基于规则的代理可以得出图像中关键区域的定量证据，每条证据都为与关键区域相关的缺陷性质提供线索。例如，光滑裂纹的指示往往对探头角度敏感，回波动力学往往呈高原状；而小圆形缺陷（如夹杂物）的指示往往对探头方向不敏感，回波动力学呈尖峰状。在进行分类时，需要考虑多个这样的因素，并且每个因素都必须进行适当的加权。 使用DARBS尝试了两种基于证据对缺陷进行分类的技术：基于规则的假设 - 测试方法和神经网络。在前者中，关于缺陷的假设被添加到黑板上，这些假设涉及光滑或粗糙裂纹、气孔或夹杂物。通过从这些假设中推导出与图像其他特征相关的期望（或预测）来进行测试。根据期望与图像的对应关系，DARBS得出关于缺陷性质的结论；如果无法确定，则会提醒用户注意特定的问题情况。 编写规则来验证假设的缺陷分类是一项困难的任务，实际上，规则需要根据经验不断改进和调整。使用神经网络来组合证据并进行分类可以避免这个困难，因为神经网络只需要一组有代表性的训练示例，而不需要明确制定规则。 下面是超声图像解读的流程： ```mermaid graph TD; A[弧检测] --> B[收集证据]; B --> C[缺陷分类]; ``` #### 神经网络在超声图像解读中的应用 神经网络在DARBS中用于两个截然不同的任务。 ##### 1. 使用神经网络进行缺陷分类 如果有足够的训练示例并且证据可以以数字形式呈现，神经网络可以进行缺陷分类。在这项研究中，由于数据不足，无法训练神经网络进行四种缺陷类型的分类。因此，一个反向传播网络被训练为根据四个局部因素将缺陷分类为关键（即光滑裂纹）或非关键：区域的大小、通过该区域的弧的数量、回波动力学的形状以及指示强度对探头角度的敏感度。每个局部因素都表示为 -1 到 1 之间的数字。 使用留一法（leave-one-out technique），一个具有两个隐藏层的多层感知器（MLP）正确分类了20个有缺陷组件图像中的16个。 ##### 2. 使用神经网络进行回波动力学分类 分类网络的一个输入需要一个 -1 到 1 之间的值来表示回波动力学的形状。这个值可以通过一个基于规则的代理来获得，该代理检查回波动力学的傅里叶分量并使用启发式方法为形状提供一个数值。另一种方法是使用另一个神经网络来生成这个数字。 回波动力学是穿过缺陷区域的信号强度分布，可以分类为尖峰、高原或波动。理想情况下，神经网络应该根据前n个傅里叶系数的幅度分量进行三分类，但由于尖