CN109283248B - 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 - Google Patents
基于DBSCAN和k-means算法的板类结构多缺陷检测方法 Download PDFInfo
- Publication number
- CN109283248B CN109283248B CN201811131942.8A CN201811131942A CN109283248B CN 109283248 B CN109283248 B CN 109283248B CN 201811131942 A CN201811131942 A CN 201811131942A CN 109283248 B CN109283248 B CN 109283248B
- Authority
- CN
- China
- Prior art keywords
- signal
- defect
- dbscan
- difference
- sensors
- 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.)
- Active
Links
Images
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
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- 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
- G01N29/4472—Mathematical theories or simulation
-
- 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
- G01N2291/0423—Surface waves, e.g. Rayleigh waves, Love waves
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于DBSCAN和k‑means算法的板类结构多缺陷检测方法,包括以下步骤:1)采集板类结构的损伤信号,将该损伤信号与同一条件下获取的健康信号进行差值处理,获得差值信号;2)基于所述差值信号获得直达波差值特征信号;3)基于预先选取的特征信号阈值确定候选缺陷数据点;4)根据所述候选缺陷数据点,利用DBSCAN和k‑means算法进行缺陷的定量和定位。与现有技术相比,本发明利用智能算法在多缺陷且未知缺陷数目的情况下准确判断缺陷数目,有效地消除了外部噪音、Lamb波的频散、边界反射和缺陷处模态转换的影响,提高了信噪比,对多缺陷进行准确定位,具有较高的工程应用价值。
Description
技术领域
本发明涉及板类结构超声导波无损检测技术领域,尤其是涉及一种基于DBSCAN和k-means算法的板类结构多缺陷检测方法,解决在多缺陷且未知缺陷数目的情况下如何确定缺陷数目以及缺陷位置。
背景技术
Lamb波传播速度快、检测范围大、灵敏度高、衰减小,可实现对板类结构高效率、无盲区检测,已经成为广受关注的无损检测手段之一。在使用Lamb波对板中缺陷进行无损检测时,由于外部噪音、Lamb波频散、边界反射和缺陷处模态转换的影响,使得板中测得大量的数据中,存在一些误差较大的数据,这些数据的存在严重影响定位精度。研究者已经提出了许多用于板类结构缺陷定位的方法并得到了实验性的验证,这些方法涉及离散椭圆成像算法、概率损伤成像算法、时间反转方法、基于相控阵的损伤识别方法以及一些智能算法,如神经网络、支持向量机等。但目前的研究大多是在已知单缺陷的情况下的研究,还无法实现多缺陷且未知缺陷数目的情况下缺陷数目以及缺陷位置的确定。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于DBSCAN和k-means算法的板类结构多缺陷检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于DBSCAN和k-means算法的板类结构多缺陷检测方法,包括以下步骤:
1)采集板类结构的损伤信号,将该损伤信号与同一条件下获取的健康信号进行差值处理,获得差值信号;
2)基于所述差值信号获得直达波差值特征信号;
3)基于预先选取的特征信号阈值确定候选缺陷数据点;
4)根据所述候选缺陷数据点,利用DBSCAN和k-means算法进行缺陷的定量和定位。
进一步地,所述损伤信号和健康信号通过传感器阵列获取,所述传感器阵列中,各传感器依次作为激励传感器,其余传感器作为接收传感器。
进一步地,所述传感器阵列为圆形传感器阵列。
进一步地,所述步骤2)具体包括以下步骤:
201)对健康信号与损伤信号进行数字滤波、小波降噪、补零处理和归一化处理,获得健康信号与损伤信号的差值信号;
202)对所述差值信号进行Hilbert变换以得到差值信号包络,得到Hilbert包络变换后的直达波差值信号最大值,即直达波差值特征信号。
进一步地,所述补零处理具体为:
对同一对传感器的健康信号和缺陷信号进行处理,若直达波信号的最大值不在同一时刻,作信号补零处理,即在整个信号之前或者之后补零,使得同一对传感器健康信号和缺陷信号的直达波信号最大值在同一时刻。
进一步地,采用极差变换对同一对传感器的信号进行所述归一化处理。
进一步地,所述特征信号阈值通过以下步骤选取:
301)获取在不同距离系数下的直达波差值特征信号,绘制特征信号-距离系数曲线;
302)将所述特征信号-距离系数曲线中拐点处对应的特征信号作为特征信号阈值。
进一步地,所述步骤3)中,基于所述直达波差值特征信号判断两两传感器之间的特征信号是否大于所述特征信号阈值,若是,则将对应两个传感器连线,将两条连线的交点作为所述候选缺陷数据点。
进一步地,所述步骤4)具体包括以下步骤:
401)根据所述候选缺陷数据点利用DBSCAN算法去除噪声点,并根据密度进行聚类,类的数目即为缺陷数目;
402)分别对步骤401)获得的每一类利用k-means算法进行聚类中心计算,所获得的聚类中心即为缺陷所在位置。
进一步地,所述步骤401)具体包括以下步骤:
411)利用所述候选缺陷数据点绘制k-distance曲线;
412)记录k-distance曲线第一次急剧变化的拐点坐标或者在这个点之后有多个点保持水平的点的坐标;
413)以步骤412)获得的横坐标和纵坐标分别作为DBSCAN算法的输入邻域参数MinPts、ε,实现DBSCAN算法聚类,类的数目即缺陷数目。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明通过设置特征信号阈值获得候选缺陷数据点,利用DBSCAN算法进行聚类,可以在多缺陷且未知缺陷数目的情况下,确定缺陷数目,且缺陷数目判断准确;
(2)本发明采用了智能算法,能有效减少人工干预;
(3)本发明同时利用DBSCAN算法和k-means算法进行聚类,可以消除外部噪音、Lamb波的频散、边界反射和缺陷处模态转换的影响,提高了信噪比;
(4)本发明适用于绝大多数板类结构无损检测;
(5)本发明是在算法方面进行改进,对硬件上并无特殊要求,无需更改或增加设备,利用现有的硬件即可操作;
(6)本发明对缺陷的定位准确,成像结果清晰,具有较高的工程应用价值。
附图说明
图1为本发明流程示意图;
图2为传感器阵列;
图3为直达波差值特征信号;
图4为特征信号阈值实验传感器和缺陷布置;
图5为特征信号-距离系数曲线;
图6为传感器连线和交点;
图7为单缺陷k-distance曲线;
图8为单缺陷DBSCAN算法聚类结果;
图9为双缺陷DBSCAN算法聚类结果;
图10为三缺陷DBSCAN算法聚类结果;
图11为单缺陷定位结果;
图12为双缺陷定位结果;
图13为三缺陷定位结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实例提供一种基于DBSCAN和k-means算法的板类结构多缺陷检测方法,包括以下步骤:
步骤S101:在板类结构上布置传感器阵列。
本实施例采用圆形传感器阵列,其结构如图2所示。在1000mm×1000mm×3mm的铝板中央布置由16个圆形压电晶片组成的传感器阵列,其组成的阵列类型是圆形稀疏阵列。其中,压电晶片的直径为10mm,厚度为1mm,组成的圆形阵列直径为400mm,对这16个传感器按0到15分别进行编号。
步骤S102:采集板类结构中的导波检测信号。本实施例以单缺陷、双缺陷和三缺陷为例进行说明,具体包括以下步骤:
步骤2-1:对0-15号传感器进行依次激励,所激励的脉冲为中心频率为300kHz的3周期正弦波信号,激励波形通过汉宁窗调制进行预先调制。每次激励时,除激励传感器外其余传感器均接收信号,比如当2号传感器作为激励传感器时,0、1、3~15号传感器均作为接收传感器接收信号。在铝板无损伤状态按照该方法进行信号的激励与接收,得到的240组信号称为健康信号。
步骤2-2:以铝板中心点为坐标原点,在坐标为(50,60)的位置做一个直径为8mm的通孔缺陷,按照步骤2-1,得到240组单缺陷损伤信号。
步骤2-3:在坐标为(0,-80)的位置做一个直径为8mm的通孔缺陷,按照步骤2-1,得到240组双缺陷损伤信号。
步骤2-4:在坐标为(-80,30)的位置做一个直径为8mm的通孔缺陷,按照步骤2-1,得到240组三缺陷损伤信号。
步骤S103:根据健康信号和损伤信号获取直达波差值,具体步骤如下:
步骤3-1:用MATLAB工具箱中的butter函数和filter函数对健康信号与损伤信号进行数字滤波,采用的带通滤波器中心频率为300kHz,带宽为100kHz。用MATLAB工具箱中的wden函数采用db40小波对滤波后的健康信号和损伤信号进行小波降噪。
步骤3-2:对同一对传感器的健康信号和缺陷信号进行处理,若直达波信号的最大值不在同一时刻,作信号补零处理,即在整个信号之前或者之后补零,使得同一对传感器健康信号和缺陷信号的直达波信号最大值在同一时刻,以解决信号时延问题。
步骤3-3:由于不同传感器对的距离不同会导致幅值不同,对同一对传感器的信号做归一化处理,这里采用的是极差变换:
式中A、B、A'、B'分别是任意时刻的初始健康信号和损伤信号、极差变换后的健康信号和损伤信号;Amin、Amax是这组初始健康信号中的最小值和最大值。
步骤3-4:将经过滤波和归一化得到的健康信号与损伤信号作差,得到差值信号。
步骤S104:提取直达波差值特征信号。
对步骤S103获得的差值信号进行Hilbert变换以得到差值信号包络,得到Hilbert包络变换后的直达波差值信号最大值:
Hij=H(t)max (5)
其中Hij为传感器i激励j接收的直达波差值特征信号。
如图3所示,最上面的小图是经过极差变换和时延处理后的原始信号,包括健康信号和损伤信号,中间的小图是差值信号,下面的小图中第一个波峰的最高点就是对差值信号进行Hilbert包络变换后的特征信号。
步骤S105:选取特征信号阈值,具体步骤如下:
步骤5-1:定义距离系数η,距离系数η是指Lamb波从激励传感器T到达缺陷D并反射到接收传感器R传播的距离和与激励传感器T和接收传感器R之间距离的比值:
步骤5-2:在另一块铝板上布置了一个与步骤S101相同大小的圆形传感器阵列,即传感器阵列直径为400mm,先布置好1个传感器,另外10个传感器分别布置在对应距离系数为1、1.0025、1.005、1.0075、1.01、1.02、1.03、1.04、1.05、1.1的位置,测量健康信号,在圆心处打出一个直径8mm的通孔,测量损伤信号,传感器和缺陷布置如图4所示。
步骤5-3:提取各个距离系数对应的直达波差值特征信号,绘制特征信号-距离系数曲线,如图5所示。
步骤5-4:根据得到的特征信号-距离系数曲线确定一个阈值,由图5可以看到,该曲线存在拐点,即第5个点,对应的距离系数为1.1,特征信号为0.07935。因此本实施例把0.07935作为阈值,即两个传感器之间的特征信号大于这个阈值就进行传感器连线,否则就不连。
步骤S106:确定传感器连线与交点坐标。
两个传感器之间的特征信号大于阈值,就说明缺陷很有可能在这条传感器连线上或者接近这条连线,那么两条连线的交点就很有可能是缺陷所在位置或者接近缺陷的位置。通过实验得到的连线和交点如图6所示。
步骤S107:根据步骤106得到的数据点利用DBSCAN算法去除噪声点并确定缺陷数目,具体步骤如下:
步骤7-1:画出k-distance曲线,本实施例中k取1,即寻找离每个点最近的点的距离,逆序排列,以此作因变量,1到n为自变量,以单缺陷为例,得到的k-distance曲线如图7所示。
步骤7-2:找出k-distance曲线第一次急剧变化的拐点坐标或者在这个点之后有多个点保持水平的坐标,如图7所示,此处得到的拐点坐标为(3,13.39)。
步骤7-3:把步骤7-2得到的横坐标和纵坐标分别作为DBSCAN算法输入的邻域参数MinPts、ε,输入邻域参数(ε,MinPts)后进行DBSCAN算法聚类,能去除噪声点并自动地根据密度进行聚类,类的数目即缺陷数目,得到的单缺陷、双缺陷、三缺陷聚类结果分别如图8-图10所示,可以看到本实施例得到的缺陷数目与实际缺陷数目完全一致。
步骤S108:利用k-means算法进行缺陷的定位。
对步骤7-3中的每个类作k-means算法聚类,对已经划分好的每一类求聚类中心,并把这些聚类中心视为缺陷所在位置,最终得到的单缺陷、双缺陷、三缺陷定位结果如图11-图13所示,其中实心正方形是本方法定位得到的缺陷位置,空心正方形是实际缺陷位置,可以看到定位得到的缺陷位置与实际缺陷位置非常接近。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种基于DBSCAN和k-means算法的板类结构多缺陷检测方法,其特征在于,包括以下步骤:
1)采集板类结构的损伤信号,将该损伤信号与同一条件下获取的健康信号进行差值处理,获得差值信号,所述损伤信号和健康信号通过传感器阵列获取,所述传感器阵列中,各传感器依次作为激励传感器,其余传感器作为接收传感器;
2)基于所述差值信号获得直达波差值特征信号;
3)基于预先选取的特征信号阈值确定候选缺陷数据点,具体地,基于所述直达波差值特征信号判断两两传感器之间的特征信号是否大于所述特征信号阈值,若是,则将对应两个传感器连线,将两条连线的交点作为所述候选缺陷数据点;
4)根据所述候选缺陷数据点,利用DBSCAN和k-means算法进行缺陷的定量和定位;
所述特征信号阈值通过以下步骤选取:
301)获取在不同距离系数下的直达波差值特征信号,绘制特征信号-距离系数曲线;
302)将所述特征信号-距离系数曲线中拐点处对应的特征信号作为特征信号阈值;
所述步骤4)具体包括以下步骤:
401)根据所述候选缺陷数据点利用DBSCAN算法去除噪声点,并根据密度进行聚类,类的数目即为缺陷数目;
402)分别对步骤401)获得的每一类利用k-means算法进行聚类中心计算,所获得的聚类中心即为缺陷所在位置。
2.根据权利要求1所述的基于DBSCAN和k-means算法的板类结构多缺陷检测方法,其特征在于,所述传感器阵列为圆形传感器阵列。
3.根据权利要求1所述的基于DBSCAN和k-means算法的板类结构多缺陷检测方法,其特征在于,所述步骤2)具体包括以下步骤:
201)对健康信号与损伤信号进行数字滤波、小波降噪、补零处理和归一化处理,获得健康信号与损伤信号的差值信号;
202)对所述差值信号进行Hilbert变换以得到差值信号包络,得到Hilbert包络变换后的直达波差值信号最大值,即直达波差值特征信号。
4.根据权利要求3所述的基于DBSCAN和k-means算法的板类结构多缺陷检测方法,其特征在于,所述补零处理具体为:
对同一对传感器的健康信号和缺陷信号进行处理,若直达波信号的最大值不在同一时刻,作信号补零处理,即在整个信号之前或者之后补零,使得同一对传感器健康信号和缺陷信号的直达波信号最大值在同一时刻。
5.根据权利要求3所述的基于DBSCAN和k-means算法的板类结构多缺陷检测方法,其特征在于,采用极差变换对同一对传感器的信号进行所述归一化处理。
6.根据权利要求1所述的基于DBSCAN和k-means算法的板类结构多缺陷检测方法,其特征在于,所述步骤401)具体包括以下步骤:
411)利用所述候选缺陷数据点绘制k-distance曲线;
412)记录k-distance曲线第一次急剧变化的拐点坐标或者在这个点之后有多个点保持水平的点的坐标;
413)以步骤412)获得的横坐标和纵坐标分别作为DBSCAN算法的输入邻域参数MinPts、ε,实现DBSCAN算法聚类,类的数目即缺陷数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811131942.8A CN109283248B (zh) | 2018-09-27 | 2018-09-27 | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811131942.8A CN109283248B (zh) | 2018-09-27 | 2018-09-27 | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109283248A CN109283248A (zh) | 2019-01-29 |
CN109283248B true CN109283248B (zh) | 2021-11-12 |
Family
ID=65181936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811131942.8A Active CN109283248B (zh) | 2018-09-27 | 2018-09-27 | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109283248B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579534B (zh) * | 2019-09-05 | 2022-06-07 | 华东理工大学 | 基于互易性受损的带焊缝钢板缺陷无基线检测及定位方法 |
CN110795610B (zh) * | 2019-09-18 | 2022-02-18 | 国网江苏省电力有限公司 | 一种基于聚类的电力负荷分析方法 |
CN113009414B (zh) * | 2019-12-20 | 2024-03-19 | 中移(成都)信息通信科技有限公司 | 信号源位置确定方法、装置、电子设备及计算机存储介质 |
CN111562307B (zh) * | 2020-04-22 | 2022-05-20 | 南京航空航天大学 | 一种基于直流漏磁原理的钢轨伤损数量实时统计方法 |
CN112014478B (zh) * | 2020-08-28 | 2021-08-03 | 武汉大学 | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 |
CN112614087B (zh) * | 2020-11-27 | 2022-07-19 | 攀钢集团西昌钢钒有限公司 | 一种冷轧带钢表面质量的智能判定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928514A (zh) * | 2012-10-14 | 2013-02-13 | 浙江农林大学 | 一种基于频率特征的木材应力波无损检测方法 |
CN103940908A (zh) * | 2014-04-28 | 2014-07-23 | 河海大学常州校区 | 基于dbscan及互相关算法的超声检测装置及方法 |
CN106404924A (zh) * | 2016-10-26 | 2017-02-15 | 华东理工大学 | 一种改善板类结构成像精度的检测数据优化处理方法 |
CN106990169A (zh) * | 2017-04-11 | 2017-07-28 | 华东理工大学 | 基于前向散射波和c均值聚类算法的板类缺陷定位方法 |
-
2018
- 2018-09-27 CN CN201811131942.8A patent/CN109283248B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928514A (zh) * | 2012-10-14 | 2013-02-13 | 浙江农林大学 | 一种基于频率特征的木材应力波无损检测方法 |
CN103940908A (zh) * | 2014-04-28 | 2014-07-23 | 河海大学常州校区 | 基于dbscan及互相关算法的超声检测装置及方法 |
CN106404924A (zh) * | 2016-10-26 | 2017-02-15 | 华东理工大学 | 一种改善板类结构成像精度的检测数据优化处理方法 |
CN106990169A (zh) * | 2017-04-11 | 2017-07-28 | 华东理工大学 | 基于前向散射波和c均值聚类算法的板类缺陷定位方法 |
Non-Patent Citations (2)
Title |
---|
DBSCAN和K-Means混合聚类的牙齿特征自动识别;褚玉伟 等;《计算机辅助设计与图形学学报》;20180715;第1276-1283页 * |
基于超像素的木材表面缺陷图像分割算法;胡峻峰 等;《东北林业大学学报》;20150717;第97-102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109283248A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109283248B (zh) | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 | |
CN111855803B (zh) | 一种金属增材制造微型缺陷的激光超声高信噪比成像方法 | |
CN112232392B (zh) | 一种用于三维探地雷达的数据解译和识别方法 | |
CN106990169B (zh) | 基于前向散射波和c均值聚类算法的板类缺陷定位方法 | |
CN104634872A (zh) | 高铁钢轨伤损在线监测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN108318579B (zh) | 一种蜂窝共固化结构缺陷超声a扫描识别方法及装置 | |
CN114235962A (zh) | 一种面向各向异性结构的超声导波成像方法及系统 | |
CN114235971A (zh) | 一种基于超声导波的编织复合材料板损伤形状识别方法 | |
CN106404924B (zh) | 一种改善板类结构成像精度的检测数据优化处理方法 | |
CN110702042B (zh) | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 | |
CN113358743A (zh) | 一种基于时频分布相似度分析的兰姆波模态分离方法 | |
CN113126099A (zh) | 一种基于音频特征提取的单波束底质分类方法 | |
CN112332807A (zh) | 一种弱包络信号检测方法和系统 | |
CN116953087A (zh) | 一种桥梁节段拼装施工质量智能检测方法 | |
CN102621221A (zh) | 一种基于相控超声波的缺陷分类方法 | |
CN110579534B (zh) | 基于互易性受损的带焊缝钢板缺陷无基线检测及定位方法 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN113640394B (zh) | 一种疲劳裂纹识别方法和系统 | |
CN112444562B (zh) | 采用对称结构响应信号分析的无基准导波损伤监测方法 | |
CN114384152A (zh) | 基于搜索点匹配的超声导波损伤定位方法及系统 | |
CN109307715A (zh) | 储罐底板主被动声融合检测方法 | |
CN106706757A (zh) | 用于复合材料层合板缺陷定位的超声导波检测技术 | |
CN117828405B (zh) | 基于智能频谱感知的信号定位方法 | |
CN116626685B (zh) | 基于机器学习的河道底泥实时监测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |