一种金属表面微裂纹深度的激光超声探测方法

1.本发明涉及一种激光超声探测方法，尤其涉及一种金属表面微裂纹深度的激光超声探测方法。


背景技术：

2.表面和亚表面缺陷是金属中最常见的材料缺陷类型。受辐射、腐蚀等外部条件的影响，金属材料容易产生微小的内部或表面缺陷，导致材料损坏。这些缺陷往往是看不见的。如果不能及时发现缺陷并采取相应的对策，缺陷将继续扩大，存在安全隐患，甚至发生严重安全事故。
3.与磁粉检测、x射线检测、涡流检测、渗透检测相比，超声波检测具有应用范围广、渗透能力强、检测速度快等优点，且对人体和环境无危害。激光超声检测（lut）也属于超声检测（ut）的范畴，它是一种完全非接触的新型无损检测技术。相比于传统的超声波检测技术，激光超声可以产生高频超声波，可以在腐蚀、高温高压的环境中使用，也适用于复杂的小形状结构。现有的激光超声研究大多采用点源产生宽带超声波。然而，为了提高信噪比，大的激光功率必须集中在小面积的点上，这通常会导致样品的局部损坏。另外，因为超声信号的常规特征提取在低信噪比时存在局限性，缺陷深度的探测一直是超声领域的难点。


技术实现要素：

4.发明目的：本发明旨在提供一种基于相位光栅并同时结合深度学习算法的可用于探测微米级的金属表面微裂纹深度的激光超声探测方法。
5.技术方案：本发明所述的一种金属表面微裂纹深度的激光超声探测方法，包括激光激励，激光探测和信号处理三个步骤，具体步骤如下：（1）激光激励：激光通过玻片和分光镜后通过光束扩展器经过4f系统的柱面透镜、相位光栅以及两个球面透镜，产生激光脉冲信号；（2）激光探测：将所述激光脉冲信号利用ccd成像系统捕获衍射光栅图样，后经过分光镜透射照在样品表面，激光干涉仪通过分光镜反射到样品表面，连接示波器测量超声信号；（3）信号处理：将有限元法模拟的光栅调制的激光脉冲信号与实验信号结合构建数据集；加入随机高斯噪声扩大数据集，对仿真信号与实验信号进行小波变换处理；利用深度神经网络对后续的信号进行处理。
6.优选地，所述步骤（1）具体包括：利用纳秒脉冲激光器通过1/2玻片和分光镜1，一部分能量由能量计接收并实时发送给工业个人电脑，分光镜2用于将另一部分能量作为触发信号传输给光电探测器，之后光束通过光束扩展器经过4f系统，包括柱面透镜，相位光栅，球面透镜1和球面透镜2，从而产生激光脉冲信号。
7.所述步骤（3）具体包括：（1）有限元仿真与计算：利用固体力学模块与固体传热模块对光栅调制的激光超声进行建模仿真计算；（2）超声信号探测：利用激光干涉仪进行超声
信号的非接触式探测；（3）有限元模型验证：将有限元仿真信号与真实测量信号进行比对，以验证仿真信号的合理性；（4）加入随机高斯噪声：在验证仿真信号的合理性后，将时域仿真信号与实验信号进行归一化处理，并对数据基线进行校准，然后加入随机高斯分布噪声；（5）时频小波变换处理：将加入随机高斯噪声的时域数据进行小波变换转换为时频图；（6）构建数据集：利用深度学习框架软件，将时域数据转化为张量形式的数据集；（7）缺陷分类与缺陷深度回归预测：利用构建的深度神经网络进行处理。
8.优选地，所述步骤（3）中的深度神经网络为残差卷积神经网络，深度神经网络训练集与测试集的比例为7：3。
9.优选地，本发明采用相位光栅进行激光信号调制。
10.优选地，本发明金属表面微裂纹探测深度可达微米级。
11.有益效果：与现有技术相比，本发明具有如下显著优点：（1）实现了微米级精度的金属表面微裂纹深度的定量表征，金属表面微裂纹深度的定量表征装置将深度学习算法引入，搭建全套系统，实现对激光超声信号的特征提取，获得高精度的缺陷深度识别效果；（2）在激光激励模块中，选择光学相位光栅，一方面，它有很高的伤害阈值，探测时对样品表面不会产生损伤；另一方面结合4f光学系统，在窄带频率调制方面具有很大的灵活性。
附图说明
12.图1为本发明的激光激励接收模块示意图；图2为本发明4f系统结构示意图；图3为本发明的数据处理流程图。
具体实施方式
13.下面结合附图对本发明的技术方案作进一步说明。
14.本发明包括激光激励模块、激光探测模块和信号处理模块。激光激励模块、激光探测模块如图1和2所示，包括1-纳秒脉冲激光器、2-1/2玻片、3-分光镜1、4-分光镜2、5-4f系统、6-激光干涉仪、7-示波器、8-能量计、9-光电探测器、10-样品、11-柱面透镜、12-相位光栅、13-球面透镜1和14-球面透镜2。纳秒脉冲激光器1发出的激光通过1/2波片和分光镜1。其中一些能量由能量计8接收，并通过报头实时发送给工业个人电脑（ipc）。分光镜2用于将另一部分能量作为触发信号传输给光电探测器9，之后光束通过光束扩展器经过4f系统5照射在样品10上，包括柱面透镜11，相位光栅12，两个球面透镜，可以控制两个球面透镜之间的中心距离调整光栅衍射条纹间距，从而控制激发频率。激光经过4f系统后，利用ccd成像系统捕获衍射光栅图样，激光干涉仪6通过分光镜反射到样品10表面，连接示波器7测量超声信号。
15.信号处理流程如图3所示，将有限元法模拟的光栅调制的激光脉冲信号与实验信号结合构建数据集；对仿真信号与实验信号进行小波变换处理，加入随机高斯噪声扩大数据集；利用深度神经网络对后续的信号进行处理。具体包括：（1）有限元仿真与计算：利用固体力学模块与固体传热模块对光栅调制的激光超声进行建模仿真计算；（2）超声信号探测：利用激光干涉仪进行超声信号的非接触式探测；（3）有限元模型验证：将有限元仿真信号与真实测量信号进行比对，以验证仿真信号的合理性；（4）加入随机高斯噪声：在验证仿真信
号的合理性后，将时域仿真信号与实验信号进行归一化处理，并对数据基线进行校准，然后加入随机高斯分布噪声；（5）时频小波变换处理：将加入随机高斯噪声的时域数据进行小波变换转换为时频图；（6）构建数据集：利用深度学习框架软件，将通过小波变换获得的时频图数据转化为张量形式的数据集；（7）缺陷分类与缺陷深度回归预测：利用构建的深度神经网络进行处理。其中，深度神经网络训练集与测试集的比例为7：3。


技术特征：
1.一种金属表面微裂纹深度的激光超声探测方法，其特征在于，包括激光激励，激光探测和信号处理三个步骤，具体步骤如下：（1）激光激励：激光通过玻片和分光镜后通过光束扩展器经过4f系统（5）的柱面透镜（11）、相位光栅（12）以及两个球面透镜，产生激光脉冲信号；（2）激光探测：将所述激光脉冲信号利用ccd成像系统捕获衍射光栅图样，后经过分光镜透射照在样品（10）表面，激光干涉仪（6）通过分光镜反射到样品（10）表面，连接示波器（7）测量超声信号；（3）信号处理：将有限元法模拟的光栅调制的激光脉冲信号与实验信号结合构建数据集；加入随机高斯噪声扩大数据集，对仿真信号与实验信号进行小波变换处理；利用深度神经网络对后续的信号进行处理。2.根据权利要求1所述的金属表面微裂纹深度的激光超声探测方法，其特征在于，所述步骤（1）具体包括：利用纳秒脉冲激光器（1）通过1/2玻片（2）和分光镜1（3），一部分能量由能量计（8）接收并实时发送给工业个人电脑，分光镜2（4）用于将另一部分能量作为触发信号传输给光电探测器（9），之后光束通过光束扩展器经过4f系统（5），包括柱面透镜（11），相位光栅（12），球面透镜1（13）和球面透镜2（14），从而产生激光脉冲信号。3.根据权利要求1所述的金属表面微裂纹深度的激光超声探测方法，其特征在于，所述步骤（3）具体包括：有限元仿真与计算：利用固体力学模块与固体传热模块对光栅调制的激光超声进行建模仿真计算；超声信号探测：利用激光干涉仪进行超声信号的非接触式探测；有限元模型验证：将有限元仿真信号与真实测量信号进行比对，以验证仿真信号的合理性；加入随机高斯噪声：在验证仿真信号的合理性后，将时域仿真信号与实验信号进行归一化处理，并对数据基线进行校准，然后加入随机高斯分布噪声；时频小波变换处理：将加入随机高斯噪声的时域数据进行小波变换转换为时频图；构建数据集：利用深度学习框架软件，将小波变换后的时频图数据转化为张量形式的数据集；缺陷分类与缺陷深度回归预测：利用构建的深度神经网络进行处理。4.根据权利要求1所述的金属表面微裂纹深度的激光超声探测方法，其特征在于，所述步骤（3）中的深度神经网络为残差卷积神经网络。5.根据权利要求1所述的金属表面微裂纹深度的激光超声探测方法，其特征在于，所述步骤（3）中的深度神经网络训练集与测试集的比例为7：3。6.根据权利要求1所述的金属表面微裂纹深度的激光超声探测方法，其特征在于，采用相位光栅进行激光信号调制。7.根据权利要求1所述的金属表面微裂纹深度的激光超声探测方法，其特征在于，金属表面微裂纹探测深度达微米级。

技术总结
本发明公开了一种金属表面微裂纹深度的激光超声探测方法，包括激光激励，激光探测和信号处理三个步骤，该探测方法基于相位光栅，将有限元法模拟的光栅调制的激光脉冲信号与实验信号结合构建数据集；加入随机高斯噪声扩大数据集，对仿真信号与实验信号进行小波变换处理；利用深度神经网络对后续的信号进行处理。本发明提出了一种基于深度学习的激光窄带超声波微裂纹识别方法，设计了金属表面微裂纹深度的定量表征装置，可以对金属材料表面微裂纹进行可靠、灵活的表征，并可进一步扩展为一种具有通用性的完全无触点的自动检测方法用于表征几十微米甚至亚微米的金属以及半导体材料表面和亚表面缺陷。材料表面和亚表面缺陷。材料表面和亚表面缺陷。


技术研发人员：万浩鹏 丁雷 贾康宁 鲁强兵 徐晓东 颜学俊 卢明辉 陈延峰 张淑仪
受保护的技术使用者：南京大学
技术研发日：2022.01.11
技术公布日：2022/4/29