CN106525967A - 基于支持向量机的多特征融合超声金属防伪识别方法 - Google Patents

基于支持向量机的多特征融合超声金属防伪识别方法 Download PDF

Info

Publication number
CN106525967A
CN106525967A CN201610899041.8A CN201610899041A CN106525967A CN 106525967 A CN106525967 A CN 106525967A CN 201610899041 A CN201610899041 A CN 201610899041A CN 106525967 A CN106525967 A CN 106525967A
Authority
CN
China
Prior art keywords
sample
metal
vector machine
support vector
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610899041.8A
Other languages
English (en)
Inventor
卢康
贺西平
安笑笑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN201610899041.8A priority Critical patent/CN106525967A/zh
Publication of CN106525967A publication Critical patent/CN106525967A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0234—Metals, e.g. steel

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明属于金属材料的鉴别技术领域，具体涉及一种基于支持向量机的多特征融合超声金属防伪识别方法，包括以下步骤：参考样品的预处理、采集时域信号、计算和提取参考样品回拨的特征值、计算和提取待测样品回波的特征值和防伪识别金属材料，本发明是一种利用超声技术来无损鉴别金属材料真伪的方法，是利用不同金属材料的微观结构是独特的，所获取的金属材料的回波信息不同的特性，计算并提取了六个特征量并组合到一起作为识别该种金属材料的防伪信息，构造了基于二叉树的支持向量机分类器完成了对该金属材料的防伪识别，而且鉴别结果准确合理，相对鉴别方法简单，成本低廉，辨识速度快，还易于实现在线鉴别，适于推广应用。

Description

基于支持向量机的多特征融合超声金属防伪识别方法
技术领域
本发明属于金属材料的鉴别技术领域，具体涉及一种基于支持向量机的多特征融合超声金属防伪识别方法。
背景技术
人类文明的发展和社会的进步同金属材料有着密不可分的关系，常用的金属材料包括纯金属、合金、金属材料金属间化合物和特种金属材料等，随着金属资源的逐渐减少，部分稀有金属的价格急剧增长，有些原料供应商以次充好、偷工减料，制造出不符合国际规格或规范的金属制品，从中牟取暴利，造成重大损失和安全事故，故金属材料防伪识别越来越重要，尤其在一些贵重金属的进出口交易过程中。
由于物理鉴别方法简便易行、现场性好，分析精度可从定性到半定量，对于一般常用金属材料，此方法能够满足，但是其存在一定的局限性，有些鉴别方法是有损的，需要对金属制品进行破坏后才能进行鉴别，而且其误差都较大，有时不准确。
化学鉴别是根据化学反应来分析金属的组成成分来鉴别是何种金属。常用的化学成分分析方法有滴定分析方法、重量分析法和容量分析法等。其中，滴定分析法是充分利用化学反应的计量关系来实现定量分析，这种计量关系可以是直接的，也可以是间接的；重量分析法是指采用适当的分离手段，使金属中被测定元素与其它成分分离，然后用称重法来测元素含量。容量分析法是用标准溶液(已知浓度的溶液)与金属中被测元素完全反应，然后根据所消耗标准溶液的体积计算出被测定元素的含量。
化学方法相对比较准确，但是其鉴别过程而且在鉴别时发生化学反应，对金属制品会造成损伤。也有将上述的鉴别方法混合使用来鉴别，但是混合鉴别使其鉴别方法相对复杂、成本较高。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于支持向量机的多特征融合超声金属防伪识别方法。
本发明要解决的技术问题通过以下技术方案实现：
基于支持向量机的多特征融合超声金属防伪识别方法，包括以下步骤：
步骤一、参考样品的预处理：对金属样品表面加工平行，并对其表面进行打磨、清洗干净；
步骤二、采集时域信号：将收发探头与脉冲接收/发射仪连接后置于参考样品的表面，收发探头发射超声波脉冲信号后接收回波信号，通过与脉冲接收/发射仪连接的示波器对该回波信号进行采样，经多次采样并取平均值，得到参考样品的时域波形；
步骤三、计算和提取参考样品回波的特征值：所述特征值为声速、声衰减系数、散射信号的平均峰值、散射信号的均方差、散射信号的主频率和散射信号的幅度谱的极大值，经多次采集计算得到参考样品特征值的样本集；
步骤四、计算和提取待测样品回波的特征值：将待测样品表面打磨并清洗干净，使其表面粗糙度与参考样品的粗糙度相同，将收发探头置于待测样品的表面上，待测样品上的测试位置以及收发探头与待测样品的耦合条件均与步骤二相同，重复步骤二和步骤三，得到待测样品的特征值的样品集；
步骤五、防伪识别金属材料：构造基于二叉树的支持向量机分类器，先利用得到的参考样品特征值的样本集，对分类器进行训练和测试，若作为测试样本输入分类器的输出结果与实际相符，即训练完成，后将待测样品特征值的样本集输入支持向量机分类器，完成金属材料的防伪识别。
作为本发明的进一步说明，所述金属材料为在常温下化学性质稳定的固态纯金属或者其二元、三元合金。
作为本发明的进一步说明，所述纯金属为铍、镁、铝、铟、锗、锡、铅、锑、钛、钒、铬、锰、铁、钴、镍、锌、钇、鋯、铌、钼、钌、铑、钯、银、镉、铪、钽、钨、铱、铂或金。
作为本发明的进一步说明，步骤一中所述金属样品厚度至少为3mm。
作为本发明的进一步说明，步骤二中所述脉冲接收/发射仪的脉冲电压为100V、脉冲重复频率为100Hz。
作为本发明的进一步说明，步骤二中所述收发探头的中心频率为5～20MHz。
作为本发明的进一步说明，步骤二中所述示波器采样速率为500MHz，采样次数为2000次取平均值。
与现有技术相比，本发明取得的有益效果是：
1、本发明是一种利用超声技术来无损鉴别金属真伪方法，其是利用不同金属材料的微观结构是独特的，所获取的金属材料的回波信息不同的特性，提取了声速、声衰减系数、散射信号的平均峰值、散射信号的均方差、散射信号的主频率、散射信号的幅度谱的极大值这6个特征量并组合到一起作为识别该种金属的防伪信息，构造了基于二叉树的支持向量机分类器完成了对该金属材料的防伪识别。
2、本发明的鉴别方法无需要对金属制品进行破坏，鉴别过程中也不会对其产生伤害，实现无损鉴别，此外，相对于传统的物理及化学鉴别方法来说，本发明单独鉴别即可得出金属材料真伪的结果，而且鉴别结果准确合理，相对鉴别方法简单，成本低廉，辨识速度快，还易于实现在线鉴别，适于推广应用。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是超声波在420不锈铁中传播的回波信号示意图。
图2是提取的超声波在420不锈铁中传播的散射信号示意图。
图3是实施例1中三种不同金属样品散射信号的频谱示意图。
图4是分类器的构造示意图。
具体实施方式
为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效，详细说明如下。
实施例1：
将已知标记的420不锈铁金属试样作为参考样品，分别对编号为1#、2#、3#的待测样品进行防伪辨识，具体方法由以下步骤实现：
将420不锈铁金属试样与另外两种金属试样分别为304不锈钢、铝合金2A13的试样相混，它们外形均为圆柱体，其厚度为15mm，直径为47.1mm，待测样品编号如表1所示。
编号 材质类别
1# 420不锈铁
2# 304不锈钢
3# 铝合金2A13
表1
步骤一、参考样品的预处理
对已知标准420不锈铁材质的参考样品进行预处理，加工成厚度为15mm，直径为47.1mm的圆柱体结构，将其上下表面打磨光滑并用清水冲洗干净。
步骤二、采集时域信号
选用市售的5077PR脉冲接收/发射仪，将其分别与收发探头、Tektronix-DPO5034B数字示波器连接，示波器与计算机连接，选用中心频率为5MHz的收发探头，先设定脉冲接收/发射仪的脉冲宽度为100纳秒、脉冲重复频率为100Hz，将收发探头放置在参考样品的表面，使收发探头与参考样品耦合接触，耦合剂为甘油，收发探头发射超声波脉冲信号，超声波脉冲在参考样品中传播，遇到金属晶粒会产生背向散射，声波传到其底面后产生回波，背向散射波和回波都会被探头接收到，并传送至脉冲接收/发射仪，通过示波器对所采集的背向散射波和回波进行采样，采样速率为500MHz，采样2000次取平均值，之后送入计算机，利用编制好的常规程序进行信息处理，得到参考样品的时域波形；
步骤三、计算和提取参考样品回波的特征值
①声速
声波在介质中传播的速度称为声速，常用c表示，计算公式如下：
式中d为被测样品的厚度，t为一次底面回波到二次底面回波之间的时间。
②声衰减系数
超声波在介质中传播时，随着传播距离的增加能量逐渐减弱的现象叫做超声波的衰减，在传播介质中，单位距离内某一频率下声波能量的衰减值叫做该频率下该介质的衰减系数，常用α表示，这里选择薄工件衰减系数的测定方法，其衰减系数如下：
式中m和n分别是超声波的底面反射次数，Hm和Hn分别是m和n次的底面回波高度，d是工件的厚度。这里选择一次和二次底面回波进行测试，即m和n分别选取1和2。
③散射信号的平均峰值
截取回波信号中始波和一次回波之间的一段散射信号，记为X，求其平均峰值，记为
④散射信号的均方差
截取回波信号中始波和一次回波之间的一段散射信号，记为X，计算其均方差，记为σ，公式如下：
式中一维信号X包含n个向量，Xi表示其第i个向量，表示其平均值，为信号的平均峰值。
⑤散射信号的主频率
对截取回波信号中始波和一次回波之间的散射信号加窗函数，
进行傅里叶变换后，其幅度谱的极大值对应的频率为主频率。
⑥散射信号的幅度谱的极大值
对截取回波信号中始波和一次回波之间的散射信号加窗函数，
进行傅里叶变换后，其主频率对应的幅值为幅度谱的极大值。
将上面计算得到的声速、声衰减系数、散射信号的平均峰值、散射信号的均方差、散射信号的主频率、散射信号的幅度谱的极大值这6个特征量组合到一起作为参考样品的特征值，多次采集计算得到参考样品特征值的样本集。
位于始波和第一次底面回波及其他各回波之间的草状信号即为散射波，提取该时域波形中始波与第一次底面回波之间的散射信号，该信号是由不同深度处参考样品内部的晶粒散射所致，如图1和图2所示，图3为三种金属试样散射信号的频谱图。
采集10组参考样品的时域信号，计算参考样品回波的特征值，特征结果统计值如下：
表2
步骤四、计算和提取待测样品回波的特征值
采集10组参考样品的时域信号，计算参考样品回波的特征值，特征结果统计值如下：
表3
步骤五、防伪识别金属材料
针对本文金属的识别分类问题，构造了基于二叉树的支持向量机分类器，如图4所示，分类器由1个支持向量机结点组成，结点实现一类金属试样和其余类金属试样的区分，其中支持向量机为分类器，本文采用径向基函数作为对支持向量机单元的核函数，单元的RBF核函数参数σ采用K交叉验证及网格搜索结合的方法。
分类器的使用包括训练和识别两个部分。在分类器训练阶段，采集参考样品的时域信号15次，其中任取10次作为训练样本，其余5次作为测试样本。分类器经过15组特征向量训练后，若作为测试样本输入分类器的输出结果与实际结果一致，说明学习完成。
然后，将待测样品特征值的样本集输入分类器，每种金属采集20个样本进行测试，测试结果如下：
表4
实施例2：
将已知标记的304不锈钢金属试样作为参考样品，分别对编号为1#、2#、3#的待测样品进行防伪辨识，具体方法由以下步骤实现：
将304不锈钢金属试样与另外两种金属试样分别为420不锈铁、铝合金2A13的试样相混，它们外形均为圆柱体，与实施例1中一样，其厚度为15mm，直径为47.1mm。
本实施例的基于支持向量机的多特征融合超声金属防伪识别方法中，步骤一中对选用的参考样品表面进行打磨、清洗干净。步骤二中，选用市售的5077PR脉冲接收/发射仪，将其分别与收发探头、Tektronix-DPO5034B数字示波器连接，示波器与计算机连接，选用中心频率为10MHz的收发探头，其他的操作与实施例1相同。重复步骤三和步骤四，分别计算和提取参考样品及待测样品的回波特征值。
参考样品的特征结果统计值如表5所示。
表5
待测样品的特征结果统计值如表6所示。
表6
其他的步骤与实施例1相同，完成待测样品的金属材质辨识，测试结果如下：
表7
实施例3：
将已知标记的铝合金2A13金属试样作为参考样品，分别对编号为1#、2#、3#的待测样品进行防伪辨识，具体方法由以下步骤实现：
将铝合金2A13金属试样与另外两种金属试样分别为420不锈铁、304不锈钢的试样相混，它们外形均为厚度为3cm，长×宽为40×30mm的长方体，对其表面进行打磨、清洗干净。
本实施例的基于支持向量机的多特征融合超声金属防伪识别方法中，步骤一中对选用的参考样品表面进行打磨、清洗干净。步骤二中，选用市售的5077PR脉冲接收/发射仪，将其分别与收发探头、Tektronix-DPO5034B数字示波器连接，示波器与计算机连接，选用中心频率为10MHz的收发探头，其他的操作与实施例1相同。重复步骤三和步骤四，分别计算和提取参考样品及待测样品的回波特征值。
参考样品的特征结果统计值如表8所示。
表8
待测样品的特征结果统计值如表9所示。
表9
其他的步骤与实施例1相同，完成待测样品的金属材质辨识，测试结果如下：
表10
测试结果：通过测试对比表明，支持向量机作为结点构造的二叉树分类器具有较好的分类识别效果，对参考金属试样有较高综合识别率。
本发明的方法还可以用于鉴别不锈铁之外的其他常温下化学性质稳定的固态纯金属或其合金，如：铍、镁、铝、铟、锗、锡、铅、锑、钛、钒、铬、锰、铁、钴、镍、锌、钇、鋯、铌、钼、钌、铑、钯、银、镉、铪、钽、钨、铱、铂、金等纯金属及上述任意两种或三种或多种构成的二元合金或三元或多元合金，如铜合金、钢合金、铝合金、钛合金、镁合金、镁铝合金、铁锌合金、铜锌合金、球墨铸铁等等，具体的辨识过程与上述实施例相同，而且辨识结果准确无误。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：包括以下步骤：
步骤一、参考样品的预处理：对金属样品表面加工平行，并对其表面进行打磨、清洗干净；
步骤二、采集时域信号：将收发探头与脉冲接收/发射仪连接后置于参考样品的表面，收发探头发射超声波脉冲信号后接收回波信号，通过与脉冲接收/发射仪连接的示波器对该回波信号进行采样，经多次采样并取平均值，得到参考样品的时域波形；
步骤三、计算和提取参考样品回波的特征值：所述特征值为声速、声衰减系数、散射信号的平均峰值、散射信号的均方差、散射信号的主频率和散射信号的幅度谱的极大值，经多次采集计算得到参考样品特征值的样本集；
步骤四、计算和提取待测样品回波的特征值：将待测样品表面打磨并清洗干净，使其表面粗糙度与参考样品的粗糙度相同，将收发探头置于待测样品的表面上，待测样品上的测试位置以及收发探头与待测样品的耦合条件均与步骤二相同，重复步骤二和步骤三，得到待测样品的特征值的样本集；
步骤五、防伪识别金属材料：构造基于二叉树的支持向量机分类器，先利用得到的参考样品特征值的样本集，对分类器进行训练和测试，若作为测试样本输入分类器的输出结果与实际相符，即训练完成，后将待测样品特征值的样本集输入支持向量机分类器，完成金属材料的防伪识别。
2.根据权利要求1所述的基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：所述金属材料为在常温下化学性质稳定的固态纯金属或者其二元、三元合金。
3.根据权利要求2所述的基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：所述纯金属为铍、镁、铝、铟、锗、锡、铅、锑、钛、钒、铬、锰、铁、钴、镍、锌、钇、鋯、铌、钼、钌、铑、钯、银、镉、铪、钽、钨、铱、铂或金。
4.根据权利要求1所述的基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：步骤一中所述金属样品厚度至少为3mm。
5.根据权利要求1所述的基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：步骤二中所述脉冲接收/发射仪的脉冲电压为100V、脉冲重复频率为100Hz。
6.根据权利要求1所述的基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：步骤二中所述收发探头的中心频率为5～20MHz。
7.根据权利要求1所述的基于支持向量机的多特征融合超声金属防伪识别方法，其特征在于：步骤二中所述示波器采样速率为500MHz，采样次数为2000次取平均值。
CN201610899041.8A 2016-10-14 2016-10-14 基于支持向量机的多特征融合超声金属防伪识别方法 Pending CN106525967A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610899041.8A CN106525967A (zh) 2016-10-14 2016-10-14 基于支持向量机的多特征融合超声金属防伪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610899041.8A CN106525967A (zh) 2016-10-14 2016-10-14 基于支持向量机的多特征融合超声金属防伪识别方法

Publications (1)

Publication Number Publication Date
CN106525967A true CN106525967A (zh) 2017-03-22

Family

ID=58331967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610899041.8A Pending CN106525967A (zh) 2016-10-14 2016-10-14 基于支持向量机的多特征融合超声金属防伪识别方法

Country Status (1)

Country Link
CN (1) CN106525967A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444261A (zh) * 2018-09-19 2019-03-08 中钢集团新型材料（浙江）有限公司 一种细颗粒等静压石墨产品内部缺陷检测用音速探伤方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412047A (zh) * 2013-08-20 2013-11-27 陕西师范大学 一种用超声无损探测法对金属的真伪鉴别的方法
CN104766097A (zh) * 2015-04-24 2015-07-08 齐鲁工业大学 基于bp神经网络和支持向量机的铝板表面缺陷分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412047A (zh) * 2013-08-20 2013-11-27 陕西师范大学 一种用超声无损探测法对金属的真伪鉴别的方法
CN104766097A (zh) * 2015-04-24 2015-07-08 齐鲁工业大学 基于bp神经网络和支持向量机的铝板表面缺陷分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
袁腾月等: "基于支持向量机的超声检测缺陷识别研究", 《计算机工程与设计》 *
车红昆等: "多特征SVM-DS融合决策的缺陷识别", 《机械工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444261A (zh) * 2018-09-19 2019-03-08 中钢集团新型材料（浙江）有限公司 一种细颗粒等静压石墨产品内部缺陷检测用音速探伤方法

Similar Documents

Publication Publication Date Title
CN103412047B (zh) 一种用超声无损探测法对金属的真伪鉴别的方法
Saniie et al. Quantitative grain size evaluation using ultrasonic backscattered echoes
CN100580445C (zh) 一种工程结构损伤主动监测中Lamb波时间反转聚焦方法
CN104634879B (zh) 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法
CN104330475B (zh) 基于超声背向散射衰减系数谱的金属防伪辨识方法
CN108490081A (zh) 一种基于多参数的合金晶粒尺寸的确定方法及确定系统
Yen et al. Time–frequency analysis of acoustic scattering from elastic objects
CN104749251B (zh) 一种剔除水声距影响的晶粒尺寸超声评价方法
CN106596729B (zh) 2.25Cr-1Mo钢疲劳裂纹扩展监测及氢脆评价方法
CN1743839A (zh) 一种结构缺陷超声在线智能识别系统及识别方法
CN105030279A (zh) 一种基于超声射频时间序列的组织定征方法
Sun et al. Development of frequency-mixed point-focusing shear horizontal guided-wave EMAT for defect inspection using deep neural network
CN112162041B (zh) 一种基于幅度均方根值的高斯分布识别金属材料的方法
CN107941907A (zh) 一种基于有效超声背散射信号提取多晶材料的晶粒平均尺寸的方法
CN101874744B (zh) 用于长骨分析的超声导波参数测量方法
Li et al. Material grain size characterization method based on energy attenuation coefficient spectrum and support vector regression
CN106525967A (zh) 基于支持向量机的多特征融合超声金属防伪识别方法
CN106680821A (zh) NiCoCrAlYTa六元涂等离子喷涂涂层厚度超声无损检测方法
CN104749249B (zh) 一种基于超声波技术的检测种子净度的方法
CN2809640Y (zh) 一种结构缺陷超声在线智能识别系统
CN103412048B (zh) 一种超声无损探测法鉴别多种金属的方法
CN110308205B (zh) 基于emd广义相位排列熵算法的金属分类方法
CN108195934A (zh) 基于时频分析的超声导波检测频率优选方法
Chen High resolution spectral analysis NDE techniques for flaw characterization, prediction and discrimination
CN110161131A (zh) 基于序贯假设检验的缺陷反射信号识别方法及其装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170322