1.一种基于无监督流形分割的超声波缺陷检测方法，无监督流形分割Ums包括统一流形逼近与投影降维及无监督语义分割，其特征在于：包括以下步骤:(1)获取聚合物内部缺陷图像数据集采用超声相控检测仪发射连续的固定间隔的超声脉冲到工件表面，从聚合物内部中采集超声图像，声波在工件内部传播，在测试介质的上表面、下表面以及介质与缺陷构成的界面都将发生反射，使用接收器捕获超声回波，最后，将获取的超声缺陷图像保存为三维矩阵记录下来；

(2)缺陷超声数据预处理

将以三维矩转形式记录的超声缺陷图像转换为二维矩阵，并对二维矩阵进行预处理，以平衡不同深度缺陷的回波并减弱表面和底部回波的影响；

(3)统一流形逼近与投影降维将步骤(2)中预处理后的二维矩阵作为输入，统一流形逼近与投影算法通过计算每个点的最近邻域的隶属度，构建模糊拓扑表示，在低维空间中对低维表示进行优化，并采用交叉熵对其进行度量；

(4)无监督语义分割

将降维后的二维矩阵按行方向取平均值，转换为二维矩阵，根据像素的颜色、纹理进行自适应聚类，分配一致的语义标签并进行超像素分割，并且对图像进行预分类，然后，使用深度卷积网络计算特征图，直到语义分割结果与预分类的结果相符合，最后进行合并区块可视化输出；

(5)缺陷可视化

把超声缺陷图像的无监督流形分割Ums的结果输出，并将缺陷可视化。

2.如权利要求1所述的一种基于无监督流形分割的超声波缺陷检测方法，其特征在于，所述步骤(2)的过程为：

H×X×Y

步骤2.1：将记录的三维超声矩阵X0∈R 转换为二维矩阵X1，其中H，X，Y分别表示采样时间点、水平扫描方向和垂直扫描方向上的位置；

步骤2.2：采用鲁棒标准化方法对二维矩阵X1预处理，以平衡不同深度缺陷的回波并减弱表面和底部回波的影响，其计算公式为：式中x表示样本的某个值，median是样本的中位数，IQR是样本的四分位距。

3.如权利要求1所述的一种基于无监督流形分割的超声波缺陷检测方法，其特征在于，所述步骤(3)的具体过程如下：步骤3.1：对步骤2.2中进行预处理后的超声数据矩阵中的每一个像素值进行近邻点计算，其计算公式为：

式中xi和xj为展开的超声成像数据矩阵中的样本点，其中下标i、j为样本点序号，d(xi,xj)为点xi和点xj之间的任意距离，式中ρi代表从第i个数据点到其第一个最近邻点的距离，σi代表归一化因子；

步骤3.2：使用图拉普拉斯分配初始低维坐标，然后通过构造拉普拉斯矩阵用矩阵代数对其进行形式化，最后对拉普拉斯矩阵进行分解，得到每个xi的k最近邻集合其中 对于每个xi，确定ρi和σi:为了将具有局部变化的度量的点粘合在一起，使用高维概率的对称化，进行分布的计算：

pij＝pi|j+pj|i‑pi|jpj|i；

步骤3.3：用 的曲线簇计算低维距离概率，进行谱嵌入初始化低维表示，不需要进行归一化，qij表示yi是yj邻域的分布概率，公式如下：

2b ‑1

qij＝(1+a(yi‑yj) )式中超参数a、b为经验参数，yi，yj为xi，xj在低维空间中的映射；

步骤3.4：优化低维表示，并采用交叉熵对其进行度量，公式如下：

4.如权利要求1所述的一种基于无监督流形分割的超声波缺陷检测方法，其特征在于，所述步骤(4)的具体过程如下：步骤4.1：将降维后的二维矩阵按行方向取平均值表示成 转换为大小为nx×ny的2维矩阵原尺寸图像，根据像素的颜色、纹理进行自适应聚类，分配一致的语义标签，使用菲尔森茨瓦布算法进行超像素分割，并且对图像进行预分类，若超像素分割后的小区域的语义信息没有区别，则分配一致的语义标签，初始化卷积神经网络，保持每层的方差与均值；

步骤4.2：使用初始化卷积神经网络，根据特征图，取数值最大者为对应像素的标签，对于语义分割聚类结果，统计每个聚类中，出现次数最多的类别，将这个聚类里所有像素中含有相同语义信息的像素记为小区块，最后将所有小区块合并为大区块；

步骤4.3：计算损失函数，采用随机梯度下降更新参数，迭代T次收敛，直到语义分割结果与预分类的结果相符合。