公开(公告)号：CN112946081B

公开(公告)日：2023-08-18

申请号：CN202110187998.0

申请日：2021-02-09

Applicant: 武汉大学

Inventor： 李晓红 ,  徐万里

IPC: G01N29/06 ,  G01N29/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/44 ,  G06V10/82 ,  G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于缺陷多特征智能提取与融合的超声成像方法，包括：将获得的待检测物的三维A扫信号矩阵转换为二维信号矩阵；利用主成分分析对转换得到的二维信号矩阵进行分析，提取信号中最有区分度的k个特征；将所提取的k个特征作为神经网络的输入训练得到多特征融合分类器；利用训练好的分类器进行信号识别，从而得到多特征融合识别结果矩阵，并根据原始的三维A扫信号矩阵中的信号排列方式对识别结果矩阵进行整形使其成像；本发明利用降维机器学习算法智能提取采集的信号矩阵中缺陷特征信息，并利用所提特征信息进行融合成像，使得成像中融合了丰富的缺陷信息，可大幅度改善缺陷成像的信噪比，适合任何超声检测技术的C扫成像。

公开(公告)号：CN112014478A

公开(公告)日：2020-12-01

申请号：CN202010885182.0

申请日：2020-08-28

Applicant: 武汉大学

Inventor： 李晓红 ,  徐万里 ,  张俊

IPC: G01N29/44

Abstract: 为解决现有缺陷回波提取算法不能抑制实际噪声以至无法获取缺陷信号的难题，本发明提出一种淹没于超声草状信号中的缺陷回波盲提取自适应方法。具体步骤为：首先，利用无监督机器学习算法对采集的原始信号样本进行相似性分析；然后，将相似的信号样本输入到设计好的降噪自编码器中对其进行训练，使其学得相应的降噪规则；最后，利用训练好的自编码器对信号自动降噪，实现对缺陷信号的智能提取。与现有缺陷信号提取技术相比，本发明对实际噪声的抑制具有更强的自适应性，这种强适应性源于它通过分析原始信号样本所提供的丰富信息能够分别学习到缺陷信号和噪声信号特征的能力。