随着科学的飞速发展,超声相控阵检测技术越来越受到业界的重视。超声相控阵检测技术的应用离不开对检测图像的解析,采用人工形式对检测图像中的缺陷进行评定难免存在误差,所以利用机器视觉技术识别超声相控阵图像缺陷,对于提高工业生产效率起到非常关键的作用。再者,最近一段时间深度学习在图像识别研究方面得到了长足的进步,其技术也日益成熟。Tensor Flow就是一种在实践中得到广泛认可的深度学习的框架。因此,本文基于Tensor Flow深度学习框架实现超声相控阵图像缺陷识别,探索包括超声相控阵图像预处理,超声相控阵图像分割和超声相控阵图像最终识别的算法,得到了识别精度更高的算法,并经过对比实验加以验证。本文所做工作如下:(1)在超声相控阵图像预处理方面,中值滤波为非线性滤波器对图像扫描噪声具有良好的效果且自适应直方图均衡化算法可以完善地保存图像局部信息,融合中值滤波方法和自适应直方图均衡化算法对图像进行预处理。经过实验对比分析了经典的图像预处理算法,针对超声相控阵图像的特征,选取了中值滤波对图像进行去噪,而后选取自适应直方图均衡化对其进行增强,经过处理后的超声相控阵图像颜色保持效果良好,减少了颜色失真问题。其PSNR为26.6431,信息熵为7.0011,均高于均值滤波等其他预处理算法。(2)在超声相控阵图像分割方面,针对基于RGB颜色空间的的Grab Cut算法对边缘和细节处的分割不理想的问题,提出了一种结合HSV色彩空间粗分割和Grab Cut分割算法的图像缺陷区域提取方法。通过实验对比了RGB、HSI和HSV三种颜色空间应用于超声相控阵图像的结果,并从实时性和视觉感知两方面评价实验结果。然后通过颜色空间变换,基于HSV空间采用Grab Cut算法进行超声相控阵图像缺陷提取,弥补Grab Cut算法自身的不足,优化了性能,本文图像分割算法的准确率(Precision)约为0.97728,召回率(Recall)约为0.929。(3)在超声相控阵图像缺陷的识别方面,针对Le Net-5网络模型存在训练时间长以及参数计算量大等问题,设计了一个七层的卷积神经网络模型。首先分析了经典的神经网络模型Le Net-5,然后对其进行改进:加入重构层,对图像进行灰度化处理,将其转换成4维以加快卷积,网络模型“看到”的是4维度数据,在保留图像特征的情况下,使得卷积核滑动次数减少,减少网络训练时间;选用堆叠的小卷积核代替大尺寸卷积核,降低了网络7N(N为输入数据的通道数)个参数量;Leaky Re Lu代替Le Net-5模型激励层中的Sigmoid函数,增强了深层神经网络的逼近能力。最后,将本文提出的图像预处理算法、图像分割算法以及改进的网络模型分别对Caltech101标准数据集和自建的超声相控阵图像数据集进行实验。首先将文章提出的图像预处理算法和图像分割算法分别应用于Caltech101标准数据集和自建的超声相控阵图像数据集。接着基于Tensor Flow在Caltech101标准数据集上验证设计的卷积神经网络结构模型能够有效提高识别准确率,改进后的网络平均识别准确率比Le Net-5网络提高了12.6%。然后基于Tensor Flow在自建的超声相控阵图像数据集上验证了本文设计的网络结构模型应用效果,改进后的网络应用于自建数据集最终获得了96.26%的识别准确率,从准确率角度考虑其具备不错的应用价值。最后综合比较本文提出的图像处理算法在两种数据集上的应用效果,相比于直接识别两种数据集的原始图像,识别经过处理的图像,平均准确率均提高了7%,证明了该处理算法的可行性和鲁棒性。