一种缺陷检测方法、装置、设备和存储介质

技术领域

本发明实施例涉及超声无损检测技术领域，尤其涉及一种缺陷检测方法、装置、设备和存储介质。

背景技术

随着材料技术的发展，越来越多的先进材料被投入使用。目前大型客机上采用的先进复合材料层压制件已成为航空领域重要的发展态势。因为在复合材料层压制件的生产过程中可能会出现分层、夹杂、气孔、孔隙密集和富胶等内部缺陷。因此在复合材料层压制件投入使用之前需要对其进行缺陷检测。

目前，超声无损检测是机械工程材料质量检测的重要方法之一。其原理是利用超声波在被检测材料中传播时，材料的声学特性和内部组织的变化对超声波的传播产生一定的影响，其主要原理是超声波进入物体遇到缺陷时，一部分声波会产生反射，接收器通过对反射波进行分析，来发现隐藏的内部缺陷。常用的超声无损检测方法为通过超声脉冲反射法获取A扫描图像和C扫描图像，依靠有经验的专业人员结合A扫描图像和C扫描图像先对缺陷性质进行判断，再根据缺陷性质进行缺陷面积信息判定。

然而由于复合材料结构的复杂性，造成超声信号复杂，会给有经验的专业人员对A扫描图像和C扫描图像结合进行缺陷性质判定带来一定困难，并且缺陷检测的自动化程度不高，检测时间长、效率低，也会带来一定的人为误差。

发明内容

本发明实施例提供一种缺陷检测方法、装置、设备和存储介质，以提高缺陷检测的效率，减少人工误检。

第一方面，本发明实施例提供了一种缺陷检测方法，包括：

根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域；

根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分；

根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

第二方面，本发明实施例还提供了一种缺陷检测装置，包括：

缺陷区域确定模块，用于根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域；

缺陷A扫描图像部分提取模块，用于根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分；

缺陷性质确定模块，用于根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

第三方面，本发明实施例还提供了一种计算机设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的缺陷检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的缺陷检测方法。

本发明实施例基于对待检测对象的超声脉冲反射C扫描图像确定缺陷区域，根据缺陷区域找到相对应的缺陷A扫描图像部分，并且根据缺陷A扫描图像部分对缺陷性质进行确定。通过结合超声脉冲反射C扫描图像和A扫描图像对缺陷性质进行确定为后续对缺陷面积进一步判定提供基础，提高了缺陷检测的效率；并且通过C扫描图像和A扫描图像结合自动对缺陷性质进行判断提高了缺陷检测的自动化程度。

附图说明

图1是本发明实施例一中的缺陷检测方法的流程图；

图2是本发明实施例二中的缺陷检测方法的流程图；

图3是本发明实施例三中的缺陷检测装置的结构示意图；

图4是本发明实施例四中的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1是本发明实施例一中的缺陷检测方法的流程图，本实施例可适用于根据待检测对象的超声脉冲反射C扫描图像和A扫描图像对待检测对象的缺陷性质进行确定的情况。该方法可以由缺陷检测装置来执行，该装置可以采用软件和/或硬件的方式实现，并可配置在计算机设备中，例如计算机设备可以是后台服务器等具有通信和计算能力的设备。如图1所示，该方法具体包括：

步骤101、根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域。

其中，待检测对象是指需要进行缺陷检测的材料，例如待检测材料可以是复合材料零件，对复合材料零件进行超声波缺陷检测。超声脉冲反射C扫描图像是指向待检测对象发射超声波，当超声波进入检测对象遇到缺陷时，一部分声波会产生反射，通过接收器对反射波进行转化显示得到的图像。C扫描图像显示为待检测对象内部缺陷的不同深度的横截面图像，通过C扫描图像可以对待检测对象内部缺陷的形态和控件位置有一个直观的了解。C扫描图像的显示是通过数字化超声扫描成像的原理，将采集每个位置深度方向上的超声反射回波能量转化为电压信号，并对电压信号的幅值进行256级数字化处理，最后可以得到用不同灰度值代表不同能量的待检测对象内部的横截面图像。

缺陷区域是指在待检测对象内部出现的在制作过程造成的内部缺陷所在位置范围，例如缺陷种类包括复合材料层压制件中的分层、夹杂、气孔、孔隙密集和富胶等。缺陷区域可以通过C扫描图像中的灰度值进行确定。

具体的，确定需要检测缺陷的复合材料零件，对零件进行超声脉冲反射，并得到C扫描图像，根据C扫描图像中的零件横截面图像灰度变化情况，确定当前横截面上的缺陷区域。

可选的，根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域，包括：

将待检测对象的超声脉冲反射C扫描图像作为缺陷位置预测模型的输入，根据模型输出确定待检测对象的缺陷区域；

其中，通过如下操作训练所述缺陷位置预测模型，包括：

获取测试对象的超声脉冲反射C扫描图像样本；

对所述C扫描图像样本中缺陷区域位置进行标注；

根据标注后的C扫描图像样本，训练得到所述缺陷预测模型。

其中，缺陷位置预测模型是指基于机器学习算法对待检测对象的测试集进行训练得到的预测模型，其输入为待检测对象的超声脉冲反射C扫描图像，输出为待检测对象的缺陷区域，输出形式包括在C扫描图像上显示出缺陷区域或输出缺陷区域边缘的坐标点信息。

在对待检测对象进行缺陷区域确定之前需要对缺陷位置预测模型进行训练，其中，训练过程中的测试对象是指为训练模型准备的已知缺陷位置的检测对象或者人工可以确定缺陷位置的检测对象，可选的测试对象包括对比试块，对比试块是指已知缺陷位置以及缺陷面积信息的复合材料零件，用于为未知缺陷信息的待检测对象提供准确参考。标注是指根据测试对象的C扫描图像，将测试对象的缺陷区域在C扫描图像上标注出来，可以采取对缺陷区域边界坐标点进行确认的方式。

具体的，采集大量内部含有缺陷的复合材料零件的超声脉冲反射C扫描图像，将其作为模型训练样本集，并对训练样本集中的C扫描图像进行缺陷区域的边界坐标点的标注，提取缺陷区域的特征值。可选的，缺陷区域边界的坐标点信息越多越能准确表示缺陷区域信息，所提取的特征值可以是C扫描图像中的灰度值，其越能代表缺陷区域的灰度值。将标注后的带有缺陷区域边界坐标点信息和特征值信息的C扫描图像输入到机器学习算法模型中，算法模型通过不断学习标注出的缺陷区域的灰度信息和非缺陷区域的灰度信息，训练得到最终缺陷位置预测模型。

将未知缺陷区域的待检测对象的超声脉冲反射C扫描图像输入到缺陷位置预测模型中，模型通过对C扫描图像中灰度信息的判断，输出判断得到的缺陷区域信息，可选的，输出为缺陷区域边界的坐标点信息，利用坐标点信息在C扫描图像上形成缺陷区域。通过对大量标注的缺陷信息进行学习得到缺陷位置预测模型，使得缺陷位置预测模型学习了缺陷区域的特征信息，再利用缺陷位置预测模型对缺陷区域进行确定有利于提高对缺陷区域检测的准确性。

步骤102、根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分。

其中，缺陷区域的位置是指根据缺陷位置预测模型得到的可以表征缺陷区域的信息，可选的，可以是位置坐标点，包括缺陷区域中心点的横轴坐标值。超声脉冲反射A扫描图像是指根据超声波被反射回来的波形能量信息得到图像，A扫描图像实际上是超声脉冲回波图像，其横坐标代表超声传播时间，纵坐标代表回波高度即超声波的振幅，在同一均匀介质中，传播时间与深度成正比，所以纵坐标的回波位置可以确定待检测对象中的缺陷深度信息，从缺陷深度信息中可以对缺陷性质进行判断。缺陷A扫描图像部分是指在完整的A扫描图像中，代表缺陷区域的波形图像的部分。

具体的，根据缺陷位置预测模型得到的待检测对象中缺陷区域的坐标点信息，从待检测对象的超声脉冲反射A扫描图像中找到相应的位置，并确定对应位置的缺陷A扫描图像，将其作为缺陷A扫描图像部分。对缺陷区域的A扫描图像部分的准确确定可以为后续的缺陷性质的判断提供良好的基础，避免非缺陷区域的A扫描图像的干扰。

可选的，根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分，包括：

依据待检测对象的超声脉冲反射C扫描图像和超声脉冲反射A扫描图像之间关于图像位置的映射关系，根据所述C扫描图像确定的所述缺陷区域的位置，从所述A扫描图像中提取映射部分，确定缺陷A扫描图像部分。

其中，图像位置的映射关系是指根据超声脉冲反射C扫描图像中某一点的位置信息可以找到在同一检测对象的超声脉冲反射A扫描图像上所对应的波形信息，即C扫描图像上的坐标点信息与A扫描图像上的坐标点信息可以建立对应关系，使对应的位置表征在待检测对象上为相同的。映射部分是指根据图像位置的映射关系在A扫描图像中映射得到的代表C扫描图像上缺陷区域的部分，可以是A扫描图像中一段波形信号。

具体的，根据缺陷位置预测模型得到的待检测对象中缺陷区域的坐标点信息，依据超声脉冲反射C扫描图像和超声脉冲反射A扫描图像的位置映射关系，分别找到每一个C扫描图像坐标点映射在A扫描图像中的点，最后将找到的A扫描图像中的点组合形成缺陷A扫描图像部分。根据映射关系可以准确地从A扫描图像上确定缺陷区域，提高A扫描图像上缺陷区域范围确定的准确性。

步骤103、根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

其中，缺陷性质包括宏观缺陷和微观缺陷，微观缺陷是指复合材料在制作过程中造成的缺陷面积极小的缺陷，例如，微观缺陷包括孔隙缺陷，如孔隙密集等；宏观缺陷是指在制作过程中造成的缺陷面积大于孔径的缺陷，例如，宏观缺陷包括分层、夹杂异物、存在气孔等，宏观缺陷一般分布在复合材料的某一深度，不会贯穿整个复合材料的厚度。

具体的，根据确定的缺陷A扫描图像部分中的超声波反射的能量波动，确定能量波动异常的区域，根据区域范围以及幅值大小确定待检测对象的缺陷性质，可选的，若缺陷A扫描图像部分中不同位置的缺陷波位置基本一致则为宏观缺陷，相反则为微观缺陷。

可选的，根据缺陷A扫描图像部分，确定待检测对象的缺陷性质，包括：

将待检测对象的缺陷A扫描图像部分作为缺陷性质预测模型的输入，根据模型输出确定待检测对象的缺陷性质；

其中，通过如下操作训练所述缺陷性质预测模型，包括：

获取测试对象的超声脉冲反射A扫描图像样本；

对所述A扫描图像样本中的缺陷区域位置进行标注；

根据标注后的A扫描图像样本，训练得到所述缺陷性质预测模型。

其中，缺陷性质预测模型是指基于机器学习算法对待检测对象的测试集进行训练得到的预测模型，其输入为待检测对象缺陷的超声脉冲反射A扫描图像，输出为待检测对象的缺陷性质。

在对待检测对象进行缺陷区域性质确定之前需要对缺陷性质预测模型进行训练，其中，训练过程中的测试对象是指为训练模型准备的已知缺陷性质的检测对象或者人工可以确定缺陷性质的检测对象，可选的测试对象包括对比试块，对比试块是指已知缺陷位置以及缺陷性质信息的复合材料零件，用于为未知缺陷性质的待检测对象提供准确参考。标注是指根据测试对象的A扫描图像，将测试对象的缺陷区域在A扫描图像上标注出来，并标注属于宏观缺陷还是微观缺陷，输入训练的样本集可以采取对A扫描图像中缺陷部分的A扫描图像进行截取部分，并添加性质标注。

具体的，采集大量内部含有缺陷的复合材料零件的超声脉冲反射A扫描图像，将其作为模型训练样本集，并对训练样本集中的A扫描图像进行缺陷区域部分截取，并判断截取的缺陷区域部分的缺陷性质。可选的，根据不同位置的缺陷波位置是否一致对缺陷区域的缺陷性质进行判断，若一致则是宏观缺陷，否则为微观缺陷。将标注后的带有缺陷性质信息的缺陷部分的A扫描图像输入到机器学习算法模型中，算法模型通过不断学习标注出的缺陷区域的幅值信息与标注之间的关系，训练得到最终缺陷性质预测模型。

将未知缺陷性质的待检测对象的缺陷A扫描图像部分输入到缺陷性质预测模型中，模型通过对缺陷A扫描图像部分中幅值信息与位置的判断，输出判断得到的缺陷性质信息。通过对大量标注的缺陷性质信息与A扫描图像中的幅值进行学习得到缺陷性质预测模型，使得缺陷性质预测模型学习了缺陷区域的特征信息。利用缺陷性质预测模型对缺陷区域性质进行确定有利于提高缺陷区域检测的自动化程度。

本发明实施例基于对缺陷位置预测模型进行训练，实现根据待检测对象的超声脉冲反射C扫描图像自动对缺陷区域进行识别；再根据C扫描图像与A扫描图像的映射关系，对缺陷区域的A扫描图像部分进行提取，进而根据缺陷性质预测模型对缺陷区域的A扫描图像部分进行测试，得到缺陷区域的性质判定结果。将缺陷位置预测模型和缺陷性质预测模型进行结合实现了对缺陷性质的自动确定，为后续根据缺陷性质对缺陷面积信息进行确定提供必不可少的基础，提高了超声缺陷检测的准确率和自动化程度。

实施例二

图2是本发明实施例二中的缺陷检测方法的流程图，本实施例二在实施例一的基础上进行进一步地优化，对确定缺陷性质的缺陷区域的面积信息进行确定。如图2所示，所述方法包括：

步骤201、根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域。

步骤202、根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分。

步骤203、根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

步骤204、若所述缺陷性质为宏观缺陷，确定所述待检测对象的缺陷面积和缺陷深度。

其中，缺陷面积是指缺陷区域在待检测对象上的实际面积大小，可选的，缺陷面积的单位可以是平方毫米。缺陷深度是指所检测出的缺陷区域位于待检测对象中的埋深信息，可选的，缺陷深度的单位可以是毫米或者微米等。通过对缺陷面积和缺陷深度信息的判断可以实现对待检测对象中缺陷相关信息的了解，有利于后续对缺陷进行处理。

具体的，当根据缺陷性质预测模型判断缺陷性质为宏观缺陷后，对缺陷位置预测模型确定的缺陷区域进行识别，得到缺陷面积信息；根据缺陷A扫描图像部分确定缺陷深度信息。

可选的，若所述缺陷性质为宏观缺陷，确定所述待检测对象的缺陷面积和缺陷深度，包括：

若所述缺陷性质为宏观缺陷，依据宏观缺陷面积评定算法，从C扫描图像的缺陷区域中确定缺陷面积，并从缺陷A扫描图像部分确定缺陷深度。

其中，宏观缺陷面积评定算法是指针对宏观缺陷的面积特征设定的面积计算算法，可以根据缺陷区域进行确定。可选的，宏观缺陷面积评定算法包括采用对比试块的C扫描图像中缺陷区域特征确定待测对象的缺陷面积。对比试块是指与待检测对象的厚度、结构形式、成型工艺和材料型号均相同的零件，在对比试块上有已知厚度信息和面积信息的缺陷。

具体的，为每种型号的待检测对象预先设置一个已知缺陷各种信息的对比试块，当确定待检测对象的缺陷性质后，确定与该待检测对象对应的对比试块，采集对比试块的超声脉冲反射C扫描图像，根据对比试块上已知预埋缺陷的C扫描图像灰度或灰度衰减阈值确定待检测对象的缺陷面积。可选的，根据对比试块的C扫描图像确定缺陷区域的灰度衰减规律，并得到鉴定缺陷区域与非缺陷区域的阈值，建立灰度衰减信息和阈值与面积信息的相关关系。以便根据相关关系对待检测对象的C扫描图像进行面积确定。

并确定该待检测对象的缺陷A扫描图像部分和对比试块的缺陷A扫描图像部分，根据已知预埋深度的对比试块缺陷A扫描图像部分对待检测对象的缺陷A扫描图像部分的深度信息进行确定。可选的，根据缺陷波出现位置与深度信息的关系建立对应关系，进而可以根据未知缺陷深度的缺陷波出现位置得到缺陷深度信息。确定宏观缺陷性质后，针对相对应的对比试块的相关信息对待检测对象的缺陷面积信息以及深度信息进行确定，避免因不同型号的内部材料差异造成的识别结果的差异，有利于提高对待检测对象的缺陷信息的检测准确性。

步骤205、若所述缺陷性质为微观缺陷，确定所述待检测对象的缺陷面积。

具体的，当根据缺陷性质预测模型判断缺陷性质为微观缺陷后，对缺陷位置预测模型确定的缺陷区域进行识别，得到缺陷面积信息。可选的，可以采取根据对比试块的缺陷区域面积信息对待检测对象的缺陷区域面积进行确定的方法。

可选的，若所述缺陷性质为微观缺陷，确定所述待检测对象的缺陷面积，包括：

若所述缺陷性质为微观缺陷，依据微观缺陷面积评定算法，从C扫描图像的缺陷区域中确定缺陷面积。

其中，微观缺陷面积评定算法是指针对微观缺陷的面积特征设定的面积计算算法，可以根据缺陷孔隙进行确定。可选的，微观缺陷面积评定算法包括采用预设孔隙率评估曲线确定待测对象的缺陷面积。预设孔隙率评估曲线是指通过对对比试块进行超声脉冲反射A扫描获取的A扫描图像信息进行分析，得到的不同型号的复合材料孔隙与超声衰减以及材料厚度的关系曲线。从预设孔隙率评估曲线可以得到缺陷的面积信息与超声衰减的关系。

具体的，获取不同型号的对比试块的超声脉冲反射A扫描图像，并根据A扫描图像上波形幅值变化信号确定不同型号的预设孔隙率评估曲线。当确定该缺陷性质为微观缺陷后，获取缺陷A扫描图像部分，并得到相应的缺陷波位置以及幅值信息，在同一型号的预设孔隙率评估曲线上找到对应点，确定微观缺陷的面积信息。

可选的，在待检测对象的缺陷性质、面积和深度信息进行确定后，与该待检测对象的验收标准进行对比，判断缺陷面积和深度信息是否满足要求，若满足则该待检测对象的缺陷合格，否则不合格。

本发明实施例在对待检测对象的缺陷性质进行确定后，针对缺陷性质的不同设置不同的面积评级算法，进行针对性的缺陷面积计算，有利于提高缺陷面积计算的准确性。并且在缺陷面积以及深度信息的计算过程中，计算依据均为缺陷性质判断过程中获取到的信息，从待检测对象进行超声脉冲反射C扫描图像和A扫描图像即可获得缺陷的相关信息，提高了缺陷检测的整体自动化程度和准确度，实现了对待检测对象的自动评价，降低了人员成本，提高检测效率。

实施例三

图3是本发明实施例三中的缺陷检测装置的结构示意图，本实施例可适用于根据待检测对象的超声脉冲反射C扫描图像和A扫描图像对待检测对象的缺陷性质进行确定的情况。如图3所示，该装置包括：

缺陷区域确定模块310，用于根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域。

缺陷A扫描图像部分提取模块320，用于根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分。

缺陷性质确定模块330，用于根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

本发明实施例基于对待检测对象的超声脉冲反射C扫描图像确定缺陷区域，根据缺陷区域找到相对应的缺陷A扫描图像部分，最后根据缺陷A扫描图像部分对缺陷性质进行确定。通过结合超声脉冲反射C扫描图像和A扫描图像对缺陷性质进行确定为后续对缺陷面积进一步判定提供基础，提高了缺陷检测的效率；并且通过C扫描图像和A扫描图像结合自动对缺陷性质进行判断提高了缺陷检测的自动化程度。

可选的，根据缺陷区域的位置，缺陷A扫描图像部分提取模块320，具体用于：

依据待检测对象的超声脉冲反射C扫描图像和超声脉冲反射A扫描图像之间关于图像位置的映射关系，根据所述C扫描图像确定的所述缺陷区域的位置，从所述A扫描图像中提取映射部分，确定缺陷A扫描图像部分。

可选的，缺陷区域确定模块310，具体用于：

将待检测对象的超声脉冲反射C扫描图像作为缺陷位置预测模型的输入，根据模型输出确定待检测对象的缺陷区域；

其中，通过如下操作训练所述缺陷位置预测模型，包括：

获取测试对象的超声脉冲反射C扫描图像样本；

对所述C扫描图像样本中缺陷区域位置进行标注；

根据标注后的C扫描图像样本，训练得到所述缺陷预测模型。

可选的，缺陷性质确定模块330，具体用于：

将待检测对象的缺陷A扫描图像部分作为缺陷性质预测模型的输入，根据模型输出确定待检测对象的缺陷性质；

其中，通过如下操作训练所述缺陷性质预测模型，包括：

获取测试对象的超声脉冲反射A扫描图像样本；

对所述A扫描图像样本中的缺陷区域位置进行标注；

根据标注后的A扫描图像样本，训练得到所述缺陷性质预测模型。

可选的，所述装置还包括：

宏观缺陷确定模块，用于若所述缺陷性质为宏观缺陷，确定所述待检测对象的缺陷面积和缺陷深度；

微观缺陷确定模块，用于若所述缺陷性质为微观缺陷，确定所述待检测对象的缺陷面积。

可选的，宏观缺陷确定模块，具体用于：

若所述缺陷性质为宏观缺陷，依据宏观缺陷面积评定算法，从C扫描图像的缺陷区域中确定缺陷面积，并从缺陷A扫描图像部分确定缺陷深度。

可选的，微观缺陷确定模块，具体用于：

若所述缺陷性质为微观缺陷，依据微观缺陷面积评定算法，从C扫描图像的缺陷区域中确定缺陷面积。

本发明实施例所提供的缺陷检测装置可执行本发明任意实施例所提供的缺陷检测方法，具备执行缺陷检测方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储装置28，连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质，例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储装置28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储装置28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的缺陷检测方法，包括：

根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域；

根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分；

根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的缺陷检测方法，包括：

根据待检测对象的超声脉冲反射C扫描图像，确定待检测对象的缺陷区域；

根据缺陷区域的位置，从待检测对象的超声脉冲反射A扫描图像提取缺陷A扫描图像部分；

根据缺陷A扫描图像部分，确定待检测对象的缺陷性质。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。