CN109165617A - 一种超声信号稀疏分解方法及其信号降噪与缺陷检测方法 - Google Patents
一种超声信号稀疏分解方法及其信号降噪与缺陷检测方法 Download PDFInfo
- Publication number
- CN109165617A CN109165617A CN201811020455.4A CN201811020455A CN109165617A CN 109165617 A CN109165617 A CN 109165617A CN 201811020455 A CN201811020455 A CN 201811020455A CN 109165617 A CN109165617 A CN 109165617A
- Authority
- CN
- China
- Prior art keywords
- signal
- parameter
- gabor
- dictionary
- frequency
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G01N29/04—Analysing solids
- G01N29/048—Marking the faulty objects
-
- 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
- G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/011—Velocity or travel time
-
- 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
-
- 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
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- 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
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
- G01N2291/0421—Longitudinal waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种超声信号稀疏分解方法及其降噪与缺陷检测方法,涉及超声无损检测领域,步骤一、采用Gabor模型对超声信号进行近似拟合,选取Gabor字典参数集合,组合形成字典矩阵,利用稀疏贝叶斯学习算法求解系数向量在稀疏约束条件下的最优近似解。利用原子向量参数来排除系数向量中对应于噪声的项并通过设置能量阈值进一步去噪,缺陷的数量即为系数向量中非零项的个数。本发明可以实现低信噪比的、包含复杂噪声的超声无损检测信号的降噪、缺陷反射信号的恢复和缺陷检测与定位。
Description
技术领域
本发明涉及超声无损检测领域,一种超声无损检测信号稀疏分解方法和降噪与缺陷检测方法。
背景技术
在土木工程领域,超声无损检测在建筑结构、桥梁、管道等结构损伤检测中已经有着广泛的应用。借助于超声无损检测技术,可以有效检测结构中是否存在缺陷或损伤、进行缺陷定位并测量缺陷大小,以便对结构的安全状况进行及时评估。与结构健康监测的整体监测和少量局部监测技术相比,超声无损检测技术可以更好地检测结构局部微小损伤,是对结构健康监测技术的有益补充。将无损检测技术与结构健康监测技术相融合于一体,可以实现结构局部损伤至整体损伤的全尺度监测,将有效提高结构安全评估的准确性。
土木工程结构复杂,构件材料与服役环境具备多样性,导致超声无损检测信号非常容易受到噪声等因素干扰,使得信号的有效解读变得异常困难,难以准确地获取损伤大小和部位,限制了超声无损检测技术在结构检测方面的有效性和实用性。近些年来,基于信号稀疏表示概念的数字信号处理技术已经成为超声信号处理方面的研究热点。利用冗余表示和稀疏性作为驱动力的信号处理方法在过去的数年中已经在图像去噪研究的一大焦点。在信号稀疏表示框架下,信号在某一过完备字典下可以直接进行稀疏分解。尽管此时信号的分解过程是欠静定的,过去的研究显示这种处理方法在某些应用中具有独特的优势,比如信号恢复和数据压缩。一方面,在捕捉数据特征方面,信号稀疏表示方法更具灵活性,对于特定一种信号,只需要从过完备字典中选取较少数量的原子来进行表征。由于每一个原子都描述这一种数据特征,因此,这样的表征结果会非常紧致。另外,信号稀疏表示相比常规方法具有超分辨率特性,同时还提升了信号存在微小扰动时表示结果的稳定性。目前,信号稀疏表示在超声信号处理方面已经得到较为广泛的研究,例如超声无损检测信号去噪和缺陷反射信号的恢复等,显示出优于诸如小波降噪等常规方法的性能。
而目前的信号稀疏表示在超声无损检测信号处理方面的研究及应用,在噪声特征、字典设计和信号稀疏分解算法方面均存在着若干不足之处,使得信号稀疏表示的优势没有得到充分发掘,方法的抗噪声性能也有进一步提升的空间。
发明内容
本发明的目的是为了解决现有信号稀疏表示在超声无损检测信号处理中存在的字典设计方法和信号稀疏分解算法不够完善等问题,进而导致超声信号分析得到的结果不够精确,而提出的一种基于稀疏贝叶斯学习(SBL)的信号稀疏分解、恢复以及缺陷检测方法,适用于接触式脉冲反射法超声检测。
首先,本发明提供一种超声信号稀疏分解方法,包括以下步骤:
步骤一、采用Gabor模型分别对超声换能器发射的信号和构件底面预定最大探测深度处反射脉冲信号进行近似拟合;
步骤二、选取Gabor字典的时间参数集合;
步骤三、选取Gabor字典的频率参数集合;
步骤四、选取Gabor字典的带宽参数集合;
步骤五、基于步骤二-四选取的Gabor模型参数集合,组合形成字典矩阵并对原子向量(字典矩阵中的列向量称为原子向量),同时对原子向量做能量归一化;
步骤六、利用步骤五处理后的字典矩阵,依据信号稀疏表示模型,利用稀疏贝叶斯学习算法求解系数向量在稀疏约束条件下的最优近似解。
2.根据权利要求1所述的方法,其特征在于:所述步骤一具体为:采用Gabor模型分别对超声换能器发射的信号和构件底面预定最大探测深度处反射脉冲信号进行近似拟合,获得超声换能器激发信号对应的Gabor模型频率参数f0、带宽参数s0,和试件底面或预定最大探测深度处反射脉冲信号的Gabor模型频率参数fb、带宽参数sb,Gabor模型表达式为:g(t)=C0exp[-(t-u)2/(2s2)]exp[i2πf(t-u)],其中,u表示Gabor脉冲信号的中心在时间轴上的位置、f表示脉冲信号中心频率、s表示脉冲信号带宽、t表示时间轴上的时间序列、i为虚数、C0是用于信号能量归一化的参数;其中u、f、s为基本参数。
所述步骤二具体为:选取Gabor字典的时间参数集合:对于包含N个采样点的待分析信号y,参数ui的选取方法如下:ui=aT0Δu,a=0,1,…,(N-1)/Δu((N-1)/Δu是整数);T0为信号的采样时间间隔,取值为采样频率的倒数,Δu为相邻时间参数之间的间隔(指相邻的两个u之间做差),取值为T0的整数倍;参数ui的个数Nu满足N/4≤Nu≤N/2。
所述步骤三具体为:选取Gabor字典的频率参数集合:对于包含N个采样点的待分析信号y,频率参数fi的选取方法如下:用竖线将信号y的频谱与频率轴之间的面积均分为Nf+1部分,则Nf条竖线与频率轴的交点对应的频率值即为fi的取值,参数fi的个数Nf满足5≤Nf≤15。
所述步骤四具体为:选取Gabor字典的带宽参数集合:频率参数si在(0.5s0,1.5sb)范围内服从均匀分布,参数si的个数Nf满足5≤Nf≤10。
所述步骤五具体为:基于步骤二-四选取的Gabor模型参数集合,组合形成字典矩阵Φ并对字典中的原子向量做能量归一化,能量归一化参数与步骤一相同,字典Φ的维数为N×(Nu×Nf×Ns)。
所述步骤六具体为:利用步骤五处理后的字典矩阵Φ,依据信号稀疏表示模型:y=Φc+ε,其中,ε为稀疏模型中的残余项,包含信号中的噪声和稀疏模型的误差;利用稀疏贝叶斯学习算法求解系数向量c在稀疏约束条件下的最优近似解:其中,γ为约束系数向量c的参数,通过稀疏贝叶斯学习算法可以计算得到。
本发明还提供一种基于上述信号稀疏分解方法的信号降噪与缺陷检测方法,包括以下步骤:
步骤一、依据权利要求1-7任一项所述方法得到的系数向量提取所有非零系数对应原子向量的三个参数(uj,fj,sj)j=1,…L,L为系数向量中非零项的个数;
步骤二、利用原子向量参数来排除系数向量中对应于噪声的项:
步骤三、通过设置能量阈值进一步去噪:
步骤四、经过去噪得到的信号:
步骤五、缺陷检测:缺陷的数量Nd即为系数向量中非零项的个数;缺陷信号的时间延迟即为系数向量中非零项对应原子向量的时间参数各缺陷距离构件表面的距离为其中,v为超声波在材料中的纵波波速。
本发明的有益效果为:1、由于噪声与缺陷信号的频谱特征比较相似而且有相当部分的重叠,以往方法在去噪过程中不可避免的也丢失了部分缺陷信号成分,而本方法可以实现无损去噪;2、本方法在设计字典矩阵时充分考虑了信号的能量分布,相比之前的方法在信号表示效率上更具有优势;3、本方法采用基于稀疏贝叶斯学习的稀疏优化求解算法,在处理信号稀疏表示这类病态问题方面具有独特的优势,对噪声的鲁棒性也更好。
附图说明
图1为本发明所涉及的接触式超声无损检测系统示意图;
图2为本发明的信号截取示意图:(A).换能器接收的全部信号;(B).截取用于分析的信号y;
图3为本发明中超声换能器发射信号中心频率f0和带宽参数s0的估测方法示意图;
图4为本发明中测试构件底面反射信号中心频率fb和带宽参数sb的估测方法示意图;
图5为本发明中的频率参数选取示意图;
图6为本发明实施例的降噪与缺陷检测方法的关键步骤结果展示。
具体实施方式
实施例1一种超声信号稀疏分解方法和降噪与缺陷检测方法:
本实施方式基于金属构件内部缺陷的接触式超声检测方法,如图1所示,包括:
将超声无损检测采集到的超声信号进行降采样处理,使得处理之后的信号有效采样频率约为超声信号中心频率的5~10倍。
在起始脉冲和试件底面反射信号之间范围,按需要截取待分析信号,如图2所示。
超声信号稀疏分解:
步骤一、采用Gabor模型分别对超声换能器发射的信号和构件底面预定最大探测深度处反射脉冲信号进行近似拟合,获得超声换能器激发信号对应的Gabor模型频率参数f0和带宽参数s0,换能器发射的信号即为超声换能器远场区域内的平面反射信号,如图3所示,另外还获得试件底面或预定最大探测深度处反射脉冲信号的Gabor模型频率参数fb和带宽参数sb,如图4所示。Gabor模型表达式为:g(t)=C0exp[-(t-u)2/(2s2)]exp[i2πf(t-u)],其中,u表示Gabor脉冲信号的中心在时间轴上的位置、f表示脉冲信号频率、s表示脉冲信号带宽、t表示时间轴上的时间序列、i为虚数、C0是用于信号能量归一化的参数;其中u、f、s为基本参数。
步骤二、选取Gabor字典的时间参数集合:对于包含N个采样点的待分析信号y,参数ui的选取方法如下:ui=aT0Δu,a=0,1,…,(N-1)/Δu((N-1)/Δu为整数);T0为信号的采样时间间隔,取值为采样频率的倒数,Δu为相邻时间参数之间的间隔(相邻的两个u之间做差),取值为T0的整数倍;参数ui的个数Nu满足N/4≤Nu≤N/2。
步骤三、选取Gabor字典的频率参数集合:对于包含N个采样点的待分析信号y,频率参数fi的选取方法如下:用竖线将信号y的频谱与频率轴之间的面积均分为Nf+1部分,则Nf条竖线与频率轴的交点对应的频率值即为fi的取值,参数fi的个数Nf满足5≤Nf≤15。频率参数f的选取方法示意图如5所示。
步骤四、选取Gabor字典的带宽参数集合:频率参数si在(0.5s0,1.5sb)范围内服从均匀分布,参数si的个数Nf满足5≤Nf≤10。
步骤五、基于步骤二-四选取的Gabor模型参数集合,组合形成字典矩阵Φ并对字典中的原子向量做能量归一化,能量归一化参数与步骤一相同,字典Φ的维数为N×(Nu×Nf×Ns)。
步骤六、利用步骤五处理后的字典矩阵Φ,依据信号稀疏表示模型:y=Φc+ε,其中,ε为稀疏模型中的残余项;利用稀疏贝叶斯学习算法求解系数向量c在稀疏约束条件下的最优近似解:其中,γ为约束系数向量c的参数,通过稀疏贝叶斯学习算法可以计算得到。
基于上述信号稀疏分解方法的信号降噪与缺陷检测方法:
步骤一、依据前述方法得到的系数向量提取所有非零系数对应原子向量的三个参数(uj,fj,sj)j=1,…L,L为系数向量中非零项的个数;
步骤二、利用原子向量参数来排除系数向量中对应于噪声的项:
步骤三、通过设置能量阈值进一步去噪:
步骤四、经过去噪得到的信号:
步骤五、缺陷检测:缺陷的数量Nd即为系数向量中非零项的个数;缺陷信号的时间延迟即为系数向量中非零项对应原子向量的时间参数各缺陷距离构件表面的距离为其中,v为超声波在材料中的纵波波速。
本实施例的关键步骤结果展示如图6所示。
Claims (8)
1.一种超声信号稀疏分解方法,其特征在于:包括以下步骤:
步骤一、采用Gabor模型分别对超声换能器发射的信号和构件底面预定最大探测深度处反射脉冲信号进行近似拟合;
步骤二、选取Gabor字典的时间参数集合;
步骤三、选取Gabor字典的频率参数集合;
步骤四、选取Gabor字典的带宽参数集合;
步骤五、基于步骤二-四选取的Gabor模型参数集合,组合形成字典矩阵并对字典矩阵的列向量即原子向量做能量归一化;
步骤六、利用步骤五处理后的字典矩阵,依据信号稀疏表示模型,利用稀疏贝叶斯学习算法求解系数向量在稀疏约束条件下的最优近似解。
2.根据权利要求1所述的方法,其特征在于:所述步骤一具体为:采用Gabor模型分别对超声换能器发射的信号和构件底面预定最大探测深度处反射脉冲信号进行近似拟合,获得超声换能器激发信号对应的Gabor模型频率参数f0、带宽参数s0,和试件底面或预定最大探测深度处反射脉冲信号的Gabor模型频率参数fb、带宽参数sb,Gabor模型表达式为:g(t)=C0exp[-(t-u)2/(2s2)]exp[i2πf(t-u)],其中,u表示Gabor脉冲信号在时间轴上的位置、f表示脉冲信号频率、s表示脉冲信号带宽、t表示时间轴上的时间序列、i为虚数、C0是用于信号能量归一化的参数;其中u、f、s为基本参数。
3.根据权利要求2所述的方法,其特征在于:所述步骤二具体为:选取Gabor字典的时间参数集合:对于包含N个采样点的待分析信号y,参数ui的选取方法如下:ui=aT0Δu,a=0,1,…,(N-1)/Δu;T0为信号的采样时间间隔,取值为采样频率的倒数,Δu为相邻时间参数之间的间隔,取值为T0的整数倍;参数ui的个数Nu满足N/4≤Nu≤N/2。
4.根据权利要求3所述的方法,其特征在于:所述步骤三具体为:选取Gabor字典的频率参数集合:对于包含N个采样点的待分析信号y,频率参数fi的选取方法如下:用竖线将信号y的频谱与频率轴之间的面积均分为Nf+1部分,则Nf条竖线与频率轴的交点对应的频率值即为fi的取值,参数fi的个数Nf满足5≤Nf≤15。
5.根据权利要求4所述的方法,其特征在于:所述步骤四具体为:选取Gabor字典的带宽参数集合:频率参数si在(0.5s0,1.5sb)范围内服从均匀分布,参数si的个数Nf满足5≤Nf≤10。
6.根据权利要求5所述的方法,其特征在于:所述步骤五具体为:基于步骤二-四选取的Gabor模型参数集合,组合形成字典矩阵Φ并对字典中的原子向量做能量归一化,能量归一化参数与步骤一相同,字典Φ的维数为N×(Nu×Nf×Ns)。
7.根据权利要求6所述的方法,其特征在于:所述步骤六具体为:利用步骤五处理后的字典矩阵Φ,依据信号稀疏表示模型:y=Φc+ε,其中,ε为稀疏模型中的残余项,包含信号中的噪声和稀疏模型的误差;利用稀疏贝叶斯学习算法求解系数向量c在稀疏约束条件下的最优近似解:其中,γ为约束系数向量c的参数。
8.一种基于权利要求1-7任一项所述的信号稀疏分解方法的信号降噪与缺陷检测方法,其特征在于:包括以下步骤:
步骤一、依据权利要求1-7任一项所述方法得到的系数向量提取所有非零系数对应原子向量的三个参数(uj,fj,sj)j=1,…L,L为系数向量中非零项的个数;
步骤二、利用原子向量参数来排除系数向量中对应于噪声的项:
步骤三、通过设置能量阈值进一步去噪:
步骤四、经过去噪得到的信号:
步骤五、缺陷检测:缺陷的数量Nd即为系数向量中非零项的个数;缺陷信号的时间延迟即为系数向量中非零项对应原子向量的时间参数各缺陷距离构件表面的距离为其中,v为超声波在材料中的纵波声速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020455.4A CN109165617A (zh) | 2018-09-03 | 2018-09-03 | 一种超声信号稀疏分解方法及其信号降噪与缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020455.4A CN109165617A (zh) | 2018-09-03 | 2018-09-03 | 一种超声信号稀疏分解方法及其信号降噪与缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165617A true CN109165617A (zh) | 2019-01-08 |
Family
ID=64893822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020455.4A Pending CN109165617A (zh) | 2018-09-03 | 2018-09-03 | 一种超声信号稀疏分解方法及其信号降噪与缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165617A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781864A (zh) * | 2019-01-29 | 2019-05-21 | 哈尔滨工业大学 | 基于导波信号稀疏分解方法的信号降噪与缺陷检测方法及缺陷信号重构方法 |
CN109975136A (zh) * | 2019-04-09 | 2019-07-05 | 西南交通大学 | 一种基于小波包分析的钢框架结构损伤识别方法 |
CN110161118A (zh) * | 2019-05-24 | 2019-08-23 | 哈尔滨工业大学 | 一种基于超声导波原理的钢板裂纹检测方法 |
CN110378415A (zh) * | 2019-07-19 | 2019-10-25 | 浙江理工大学 | 一种sar图像分类算法 |
CN112345226A (zh) * | 2020-11-06 | 2021-02-09 | 华北电力大学 | 一种利用块协调最小化的振声检测信号重构方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679762A (zh) * | 2013-12-13 | 2014-03-26 | 江苏大学 | 一种基于稀疏数据的超声信号重建方法 |
US20170180168A1 (en) * | 2015-07-28 | 2017-06-22 | John David Terry | Method and Apparatus for Range and Coverage Extension in a Heterogeneous Digital Chaos Cooperative Network |
-
2018
- 2018-09-03 CN CN201811020455.4A patent/CN109165617A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679762A (zh) * | 2013-12-13 | 2014-03-26 | 江苏大学 | 一种基于稀疏数据的超声信号重建方法 |
US20170180168A1 (en) * | 2015-07-28 | 2017-06-22 | John David Terry | Method and Apparatus for Range and Coverage Extension in a Heterogeneous Digital Chaos Cooperative Network |
Non-Patent Citations (1)
Title |
---|
吴彪: "超声无损检测缺陷定位与稀疏信号重构方法", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781864A (zh) * | 2019-01-29 | 2019-05-21 | 哈尔滨工业大学 | 基于导波信号稀疏分解方法的信号降噪与缺陷检测方法及缺陷信号重构方法 |
CN109975136A (zh) * | 2019-04-09 | 2019-07-05 | 西南交通大学 | 一种基于小波包分析的钢框架结构损伤识别方法 |
CN109975136B (zh) * | 2019-04-09 | 2021-06-25 | 西南交通大学 | 一种基于小波包分析的钢框架结构损伤识别方法 |
CN110161118A (zh) * | 2019-05-24 | 2019-08-23 | 哈尔滨工业大学 | 一种基于超声导波原理的钢板裂纹检测方法 |
CN110161118B (zh) * | 2019-05-24 | 2021-11-19 | 哈尔滨工业大学 | 一种基于超声导波原理的钢板裂纹检测方法 |
CN110378415A (zh) * | 2019-07-19 | 2019-10-25 | 浙江理工大学 | 一种sar图像分类算法 |
CN112345226A (zh) * | 2020-11-06 | 2021-02-09 | 华北电力大学 | 一种利用块协调最小化的振声检测信号重构方法和系统 |
CN112345226B (zh) * | 2020-11-06 | 2021-11-19 | 华北电力大学 | 一种利用块协调最小化的振声检测信号重构方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165617A (zh) | 一种超声信号稀疏分解方法及其信号降噪与缺陷检测方法 | |
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
Chang et al. | An adaptive sparse deconvolution method for distinguishing the overlapping echoes of ultrasonic guided waves for pipeline crack inspection | |
CN112232400A (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
CN104034287B (zh) | 一种弹性各向异性金属基体热障涂层厚度超声测量方法 | |
Chen et al. | An adaptive Morlet wavelet filter for time-of-flight estimation in ultrasonic damage assessment | |
Jeon et al. | 2D-wavelet wavenumber filtering for structural damage detection using full steady-state wavefield laser scanning | |
CN1743839A (zh) | 一种结构缺陷超声在线智能识别系统及识别方法 | |
CN109781864A (zh) | 基于导波信号稀疏分解方法的信号降噪与缺陷检测方法及缺陷信号重构方法 | |
Li et al. | Acoustic microscopy signal processing method for detecting near-surface defects in metal materials | |
Soussen et al. | Ultrasonic non destructive testing based on sparse deconvolution | |
Sha et al. | Delamination imaging in laminated composite plates using 2D wavelet analysis of guided wavefields | |
Jin et al. | Sparse deconvolution method for ultrasound images based on automatic estimation of reference signals | |
Cao et al. | An ultrasonic signal processing method to improve defect depth estimation in composites based on empirical mode decomposition | |
CN110542723B (zh) | 一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法 | |
Jeon et al. | Compressive laser scanning with full steady state wavefield for structural damage detection | |
Moll et al. | High resolution defect imaging in guided waves inspections by dispersion compensation and nonlinear data fusion | |
Zilidou et al. | Suppression of front and back surface reflections in ultrasonic analytic-signal responses from composites | |
Feng et al. | Localization of low-velocity impact in CFRP plate using time–frequency features of guided wave and convolutional neural network | |
CN2809640Y (zh) | 一种结构缺陷超声在线智能识别系统 | |
CN111427046B (zh) | 一种用于提高检测精度的太赫兹脉冲回波定位方法 | |
Laroche et al. | Fast non-stationary deconvolution of ultrasonic beamformed images for nondestructive testing | |
CN108362772A (zh) | 一种检测dpf载体内部损伤的超声波无损探伤方法 | |
Harley et al. | Managing complexity, uncertainty, and variability in guided wave structural health monitoring | |
Cui et al. | A robust indicator based on singular value decomposition for flaw feature detection from noisy ultrasonic signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20190108 |