CN109444863A - 一种基于卷积神经网络的窄带超声回波个数的估计方法 - Google Patents
一种基于卷积神经网络的窄带超声回波个数的估计方法 Download PDFInfo
- Publication number
- CN109444863A CN109444863A CN201811237053.XA CN201811237053A CN109444863A CN 109444863 A CN109444863 A CN 109444863A CN 201811237053 A CN201811237053 A CN 201811237053A CN 109444863 A CN109444863 A CN 109444863A
- Authority
- CN
- China
- Prior art keywords
- echo
- narrowband
- signal
- neural networks
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000002604 ultrasonography Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 3
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 210000000299 nuclear matrix Anatomy 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 16
- 230000007547 defect Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000527 sonication Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 125000000623 heterocyclic group Chemical group 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于卷积神经网络的窄带超声回波个数的估计方法，包括以下步骤：设定窄带超声回波信号模型参数，在不同噪声条件下生成多个回波信号集模型；在所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集；将获得的训练样本集输入卷积神经网络进行训练，并输出训练好的卷积神经网络；将获得的测试样本集输入训练好的卷积神经网络，即可估计出对应回波信号的回波个数。利用本申请的估算方法能够有效的估算出窄带超声回波信号的回波个数，具有鲁棒性好、精度高的特点，还具备学习能力。
Description
技术领域
本发明涉及超声探测领域的信号参数估计技术，更具体地说，尤其涉及一种基于卷积神经网络的窄带超声回波个数的估计方法。
背景技术
超声探测成像技术是当今社会无损检测技术领域中一种非常重要的手段和方法。它是在不损坏材料工件或成品的条件下，利用材料内部结构异常或缺陷存在所引起的对声、磁、光、电、热场等反应的变化，来探测各种工程材料、零部件、结构件等内部和表面缺陷，并对缺陷的类型、性质、数量、形状、位置、尺寸、分布及其变化做出判断和评价。无损检测诊断的目的在于定量掌握缺陷与强度的关系，评价构件的允许载荷、寿命或剩余寿命，检测设备(构件)在制造或使用过程中产生的结构不完整性，以及缺陷的情况，从而方便改进制造工艺，提高产品质量，及时发现故障，保证设备安全、高效、可靠地运行。它在机械制造、石油化工、舰艇船舶、汽车、铁道、建筑、冶金、航空航天和医学等众多领域均有广泛的应用。
在实际中，由于材料结构的复杂性和噪声对目标回波信号的影响，实测中所接收的回波信号总会发生一定的变化，这些变化主要表现为频率消散、相位漂移或者是相对参考回波发生偏移等。而且，随着超声射入目标的深度增加，回波衰减将进一步加重。另外，对于超声回波的多层材料检测技术，主要是应用层与层之间的时延来估计层的厚度，但随着层厚度减小，不同层之间的反射回波会发生重叠，造成时间测量困难和误差，这种情况还会表现在材料内部两个距离很近或小尺寸缺陷上，由于缺陷回波的严重重叠，无法有效成像，进而影响判断缺陷的个数、大小及准确位置。目前，回波参数的估计基本都是通过信号分离技术、参数化方法或者时频分析技术去实现，这些方法在复杂环境中或者信噪比低的情况下，估计误差比较大。因此，亟待发明一种能对在复杂的环境下获取到的窄带超声回波信号进行有效的回波个数估计的方法。
发明内容
本发明的目的在于提供一种基于卷积神经网络的窄带超声回波个数的估计方法，利用该方法能够有效的估算出窄带超声回波信号的回波个数，具有鲁棒性好、精度高的特点，还具备学习能力。
本发明采用的技术方案如下：
一种基于卷积神经网络的窄带超声回波个数的估计方法，包括以下步骤：
(1)设定窄带超声回波信号模型参数，在不同噪声条件下生成多个回波信号集模型；
(2)在步骤(1)所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集；
(3)将步骤(2)中获得的训练样本集输入卷积神经网络进行训练，并输出训练好的卷积神经网络；
(4)将步骤(2)中获得的测试样本集输入步骤(3)中训练好的卷积神经网络，即可估计出对应回波信号的回波个数。
进一步的，在所述的步骤(1)中，具体包括以下步骤：
(1a)根据窄带超声回波的物理特性设定窄带超声回波信号集初始模型参数，窄带超声回波信号集初始模型参数的计算公式为：
其中，θ＝[α,τ,fc,φ,β]，
α为窄带超声回波的带宽，τ为窄带超声回波的到达时间，fc为窄带超声回波的中心频率，φ为窄带超声回波的相位，β为窄带超声回波的幅度系数，t为窄带超声回波的传递时间；
再将窄带超声回波信号集初始模型参数中的窄带超声回波信号逐个做加性白噪声处理后得回波信号集模型参数，窄带超声回波信号做加性白噪声处理的计算公式为：
其中，w(t)为加性高斯白噪声，M是窄带超声回波信号集初始模型参数中的窄带超声回波个数。
(1b)设定噪声信噪比取值范围、步长值以及仿真次数，根据蒙特卡洛法，生成多个回波信号集模型。
进一步的，在所述的步骤(1a)中，α的取值范围为2-6MHz，τ的取值范围为0.5-10s，fc的取值范围为2-10MHz2，φ的取值范围为0-2rad，β的取值范围为0-2，M的取值范围为1-10个。
进一步的，在所述的步骤(1b)中，噪声信噪比的取值范围为-10dB-30dB，步长为1dB，仿真次数为100次。
进一步的，在所述的步骤(2)中，具体包括以下步骤：
(2a)在步骤(1)所生成的多个回波信号模型中提取一部分回波信号集模型作短时傅里叶变换获取回波信号x(t)的时频谱图，作为训练样本集，所述的短时傅里叶变换公式为：
其中，t为窄带超声回波的传递时间，γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数，取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图；
(2b)将步骤(1)所生产的多个回波信号模型中剩下的回波信号模型作短时傅里叶变换获取回波信号x(t)的时频谱图，作为测试样本集，所述的短时傅里叶变换公式为：
其中，t为窄带超声回波的传递时间，γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数，取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图。
进一步的，在步骤(2)中，在步骤(1)所生成的多个回波信号集模型中随机提取80％的回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，将步骤(1)所生产的多个回波信号模型中剩下的回波信号模型作短时傅里叶变换并生成时频谱图作为测试样本集。
进一步的，在所述的步骤(3)中，具体包括以下步骤：
(3a)所述的卷积神经网络依次设为输入层、隐层和全连接层三层结构；
(3b)将训练样本集中所有时频谱图进行预处理为的灰度图像，并对应生成回波个数标签集，将训练样本集中所有时频谱图作为标签输入层的输入，对应生成的回波个数标签集作为处理输出；
(3c)所述的隐层依次设为第一卷积层、第一下采样层、第二卷积层以及第二下采样层这四层结构，所述的第一卷积层以灰度图像作为输入，采用4个5像素×5像素的卷积核进行处理输出，所述的第一下采样层以第一卷积层的输出作为输入，采用窗函数大小为2像素×2像素作最大池化抽样处理输出，所述的第二卷积层以第一下采样层的输出作为输入，采用8个卷积核进行处理输出，所述的第二下采样层以第二卷积层的输出作为输入，采用窗函数大小为2像素×2像素作最大池化抽样处理输出；
(3d)全连接层采用反向传播神经网络模型，以第二下采样层的输出作为输入，最后输出回波个数的估计结果。
进一步的，在所述的步骤(3c)中，各个卷积层的输出计算公式为：
其中，yl为第l卷积层的输出，为第l卷积层的第j个卷积核，的计算公式为：
randj(5)是产生第j个5×5卷积核矩阵的随机函数，为卷积符号，sigmoid()为神经元的激活函数，
进一步的，在所述的步骤(3c)中，各个下采样层的输出计算公式为：(3e)下采样层，按以下公式计算：
xl＝maxyl-1u(n,n)
其中，u(n,n)为窗函数，且n＝2。
进一步的，在所述的步骤(3b)中，将训练样本集中所有时频谱图进行预处理时生成41像素×50像素的灰度图像。
与现有技术相比，本发明具有的有益效果为：
本发明的一种基于卷积神经网络的窄带超声回波个数的估计方法，先设定窄带超声回波信号模型参数，在不同噪声条件下生成多个回波信号集模型；在所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集；将获得的训练样本集输入卷积神经网络进行训练，并输出训练好的卷积神经网络；将获得的测试样本集输入训练好的卷积神经网络，即可估计出对应回波信号的回波个数。本发明的一种基于卷积神经网络的窄带超声回波个数的估计方法能够在任何复杂环境下收集到的窄带超声回波信号都可以作为训练学习的样本，经过多个对比分析后，能够更精确的估算出窄带超声回波的个数，鲁棒性也更好。
附图说明
图1是本发明的估算方法的处理流程图；
图2是本发明的估算方法中第三步的卷积神经网络结构图；
图3是本发明的估算方法中第一步的随机生成的部分回波信号；
图4是图3中的回波信号按本发明的估算方法进行短时傅里叶变换后生成的时频谱图；
图5是本发明的估算方法中第三步中输入训练样本学习得到的迭代次数与分类误差率关系图；
图6是本发明的估算方法中第三步中8000个测试样本的真实值与估计值的误差图；
图7是本发明的估算方法中第三步中8000个测试样本前200个样本的真实值与估计值的误差图。
具体实施方式
下面结合具体实施方式，对本发明的技术方案作进一步的详细说明，但不构成对本发明的任何限制。
参照图1所示，一种基于卷积神经网络的窄带超声回波个数的估计方法，包括以下步骤：
(1)设定窄带超声回波信号模型参数，在不同噪声条件下生成多个回波信号集模型。其中，具体包括以下步骤：
(1a)根据窄带超声回波的物理特性设定窄带超声回波信号集初始模型参数，窄带超声回波信号集初始模型参数的计算公式为：
其中，θ＝[α,τ,fc,φ,β]，
α为窄带超声回波的带宽，τ为窄带超声回波的到达时间，fc为窄带超声回波的中心频率，φ为窄带超声回波的相位，β为窄带超声回波的幅度系数，t为窄带超声回波的传递时间。
随机设定的各参数取值为：α的取值范围为2-6MHz，τ的取值范围为0.5-10s，fc的取值范围为2-10MHz2，φ的取值范围为0-2rad，β的取值范围为0-2，M的取值范围为1-10个。
再将窄带超声回波信号集初始模型参数中的窄带超声回波信号逐个做加性白噪声处理后得回波信号集模型参数，窄带超声回波信号做加性白噪声处理的计算公式为：
其中，w(t)为加性高斯白噪声，M是窄带超声回波信号集初始模型参数中的窄带超声回波个数。
(1b)设定噪声信噪比取值范围、步长值以及仿真次数，根据蒙特卡洛法，生成多个回波信号集模型。噪声信噪比的取值范围为-10dB-30dB，步长为1dB，则信噪比个数为41个，再设定仿真次数为100次，则总共生产的回波信号集模型为10×41×100＝41000个。如图3所示，图中给出了随机生成的部分回波信号。
(2)在步骤(1)所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，一般提取所生成的多个回波信号集模型的80％的回波信号集模型，即将41000个回波信号集模型中的80％进行短时傅里叶变换并生成时频谱图作为训练样本集。将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集。
其中，具体包括以下步骤：
(2a)在步骤(1)所生成的多个回波信号模型中提取一部分回波信号集模型作短时傅里叶变换获取回波信号x(t)的时频谱图，作为训练样本集，所述的短时傅里叶变换公式为：
其中，t为窄带超声回波的传递时间，γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数，取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图。
(2b)将步骤(1)所生产的多个回波信号模型中剩下的回波信号模型作短时傅里叶变换获取回波信号x(t)的时频谱图，作为测试样本集，所述的短时傅里叶变换公式为：
其中，t为窄带超声回波的传递时间，γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数，取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图。如图4所示，图中根据图3所给出的部分回波信号对应生成的时频谱图。
(3)将步骤(2)中获得的训练样本集输入卷积神经网络进行训练，并输出训练好的卷积神经网络，卷积神经网络结构如图2所示。具体包括以下步骤：
(3a)所述的卷积神经网络依次设为输入层、隐层和全连接层三层结构。
(3b)将训练样本集中所有时频谱图进行预处理为的灰度图像，并对应生成回波个数标签集，将训练样本集中所有时频谱图作为标签输入层的输入，对应生成的回波个数标签集作为处理输出。其中，将训练样本集中所有时频谱图进行预处理时生成41像素×50像素的灰度图像。
(3c)所述的隐层依次设为第一卷积层、第一下采样层、第二卷积层以及第二下采样层这四层结构，所述的第一卷积层以灰度图像作为输入，采用4个5像素×5像素的卷积核进行处理输出，所述的第一下采样层以第一卷积层的输出作为输入，采用窗函数大小为2像素×2像素作最大池化抽样处理输出，所述的第二卷积层以第一下采样层的输出作为输入，采用8个卷积核进行处理输出，所述的第二下采样层以第二卷积层的输出作为输入，采用窗函数大小为2像素×2像素作最大池化抽样处理输出；
(3d)全连接层采用反向传播神经网络模型，以第二下采样层的输出作为输入，最后输出回波个数的估计结果。
各个卷积层的输出计算公式为：
其中，yl为第l卷积层的输出，为第l卷积层的第j个卷积核，的计算公式为：
randj(5)是产生第j个5×5卷积核矩阵的随机函数，为卷积符号，sigmoid()为神经元的激活函数，
各个下采样层的输出计算公式为：(3e)下采样层，按以下公式计算：
xl＝maxyl-1u(n,n)
其中，u(n,n)为窗函数，且n＝2。
(4)将步骤(2)中获得的测试样本集输入步骤(3)中训练好的卷积神经网络，即可估计出对应回波信号的回波个数。
图5为在本发明的一种基于卷积神经网络的窄带超声回波个数的估计方法中步骤(3)中训练卷积神经网络时，迭代次数与分类误差率的关系情况，图6为在步骤(3)中训练卷积神经网络时，所输入的8000个训练样本的真实值与估计值的误差情况，图7为在步骤(3)中训练卷积神经网络时，所输入的8000个训练样本集的前200个训练样本的真实值与估计值的误差情况，本仿真实验测试误差率为16.55％，即8000个测试样本中，正确估计出结果的有6676个，能够比较准确的估算出窄带超声回波个数。
本发明的一种基于卷积神经网络的窄带超声回波个数的估计方法能够在任何复杂环境下收集到的窄带超声回波信号都可以作为训练学习的样本，经过多个对比分析后，能够更精确的估算出窄带超声回波的个数，鲁棒性也更好。
以上所述仅为本发明的较佳实施例，凡在本发明的精神和原则范围内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，包括以下步骤：
(1)设定窄带超声回波信号模型参数，在不同噪声条件下生成多个回波信号集模型；
(2)在步骤(1)所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集；
(3)将步骤(2)中获得的训练样本集输入卷积神经网络进行训练，并输出训练好的卷积神经网络；
(4)将步骤(2)中获得的测试样本集输入步骤(3)中训练好的卷积神经网络，即可估计出对应回波信号的回波个数。
2.根据权利要求1所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(1)中，具体包括以下步骤：
(1a)根据窄带超声回波的物理特性设定窄带超声回波信号集初始模型参数，窄带超声回波信号集初始模型参数的计算公式为：
其中，θ＝[α,τ,fc,φ,β]，
α为窄带超声回波的带宽，τ为窄带超声回波的到达时间，fc为窄带超声回波的中心频率，φ为窄带超声回波的相位，β为窄带超声回波的幅度系数，t为窄带超声回波的传递时间；
再将窄带超声回波信号集初始模型参数中的窄带超声回波信号逐个做加性白噪声处理后得回波信号集模型参数，窄带超声回波信号做加性白噪声处理的计算公式为：
其中，w(t)为加性高斯白噪声，M是窄带超声回波信号集初始模型参数中的窄带超声回波个数。
(1b)设定噪声信噪比取值范围、步长值以及仿真次数，根据蒙特卡洛法，生成多个回波信号集模型。
3.根据权利要求2所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(1a)中，α的取值范围为2-6MHz2，τ的取值范围为0.5-10s，fc的取值范围为2-10MHz，φ的取值范围为0-2rad，β的取值范围为0-2，M的取值范围为1-10个。
4.根据权利要求2所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(1b)中，噪声信噪比的取值范围为-10dB-30dB，步长为1dB，仿真次数为100次。
5.根据权利要求1所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(2)中，具体包括以下步骤：
(2a)在步骤(1)所生成的多个回波信号模型中提取一部分回波信号集模型作短时傅里叶变换获取回波信号x(t)的时频谱图，作为训练样本集，所述的短时傅里叶变换公式为：
其中，t为窄带超声回波的传递时间，γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数，取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图；
(2b)将步骤(1)所生产的多个回波信号模型中剩下的回波信号模型作短时傅里叶变换获取回波信号x(t)的时频谱图，作为测试样本集，所述的短时傅里叶变换公式为：
其中，t为窄带超声回波的传递时间，γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数，取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图。
6.根据权利要求1所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在步骤(2)中，在步骤(1)所生成的多个回波信号集模型中随机提取80％的回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集，将步骤(1)所生产的多个回波信号模型中剩下的回波信号模型作短时傅里叶变换并生成时频谱图作为测试样本集。
7.根据权利要求1所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(3)中，具体包括以下步骤：
(3a)所述的卷积神经网络依次设为输入层、隐层和全连接层三层结构；
(3b)将训练样本集中所有时频谱图进行预处理为的灰度图像，并对应生成回波个数标签集，将训练样本集中所有时频谱图作为标签输入层的输入，对应生成的回波个数标签集作为处理输出；
(3c)所述的隐层依次设为第一卷积层、第一下采样层、第二卷积层以及第二下采样层这四层结构，所述的第一卷积层以灰度图像作为输入，采用4个5像素×5像素的卷积核进行处理输出，所述的第一下采样层以第一卷积层的输出作为输入，采用窗函数大小为2像素×2像素作最大池化抽样处理输出，所述的第二卷积层以第一下采样层的输出作为输入，采用8个卷积核进行处理输出，所述的第二下采样层以第二卷积层的输出作为输入，采用窗函数大小为2像素×2像素作最大池化抽样处理输出；
(3d)全连接层采用反向传播神经网络模型，以第二下采样层的输出作为输入，最后输出回波个数的估计结果。
8.根据权利要求7所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(3c)中，各个卷积层的输出计算公式为：
其中，yl为第l卷积层的输出，为第l卷积层的第j个卷积核，的计算公式为：
randj(5)是产生第j个5×5卷积核矩阵的随机函数，为卷积符号，sigmoid()为神经元的激活函数，
9.根据权利要求7所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(3c)中，各个下采样层的输出计算公式为：(3e)下采样层，按以下公式计算：
xl＝maxyl-1u(n,n)
其中，u(n,n)为窗函数，且n＝2。
10.根据权利要求7所述的基于卷积神经网络的窄带超声回波个数的估计方法，其特征在于，在所述的步骤(3b)中，将训练样本集中所有时频谱图进行预处理时生成41像素×50像素的灰度图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811237053.XA CN109444863A (zh) | 2018-10-23 | 2018-10-23 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811237053.XA CN109444863A (zh) | 2018-10-23 | 2018-10-23 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109444863A true CN109444863A (zh) | 2019-03-08 |
Family
ID=65547786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811237053.XA Pending CN109444863A (zh) | 2018-10-23 | 2018-10-23 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109444863A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346692A (zh) * | 2019-08-20 | 2019-10-18 | 国网河南省电力公司电力科学研究院 | 一种基于时频图像信息的配电网单相接地故障选线方法 |
| CN111124108A (zh) * | 2019-11-22 | 2020-05-08 | Oppo广东移动通信有限公司 | 模型训练方法、手势控制方法、装置、介质及电子设备 |
| CN111811617A (zh) * | 2020-07-10 | 2020-10-23 | 杭州电子科技大学 | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 |
| CN111898652A (zh) * | 2020-07-10 | 2020-11-06 | 西北工业大学 | 一种基于卷积神经网络的空间目标姿态分类识别方法 |
| CN112881016A (zh) * | 2021-01-15 | 2021-06-01 | 西安交通大学 | 一种基于高斯模型的滚动轴承重叠超声回波能量提取方法 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204468A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于ReLU卷积神经网络的图像去噪方法 |
| CN106875061A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种目标路径确定的方法以及相关装置 |
| CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
| CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN107590468A (zh) * | 2017-09-15 | 2018-01-16 | 哈尔滨工程大学 | 一种基于多视角目标亮点特征信息融合的探测方法 |
| CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
| CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
| WO2018164873A1 (en) * | 2017-03-06 | 2018-09-13 | Microsoft Technology Licensing, Llc | Ultrasonic based gesture recognition |
-
2018
- 2018-10-23 CN CN201811237053.XA patent/CN109444863A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN106204468A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于ReLU卷积神经网络的图像去噪方法 |
| CN106875061A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种目标路径确定的方法以及相关装置 |
| CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
| WO2018164873A1 (en) * | 2017-03-06 | 2018-09-13 | Microsoft Technology Licensing, Llc | Ultrasonic based gesture recognition |
| CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
| CN107590468A (zh) * | 2017-09-15 | 2018-01-16 | 哈尔滨工程大学 | 一种基于多视角目标亮点特征信息融合的探测方法 |
| CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
| CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Y. SHAO, S. GUO, L. SUN AND W. CHEN: "《Human Motion Classification Based on Range Information with Deep Convolutional Neural Network》", 《2017 4TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING (ICISCE)》 * |
| 卢振坤: "《参数化的超声回波模型及其参数估计》", 《中国博士学位论文全文数据库信息科技辑》 * |
| 李恒等: "基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法", 《振动与冲击》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346692A (zh) * | 2019-08-20 | 2019-10-18 | 国网河南省电力公司电力科学研究院 | 一种基于时频图像信息的配电网单相接地故障选线方法 |
| CN111124108A (zh) * | 2019-11-22 | 2020-05-08 | Oppo广东移动通信有限公司 | 模型训练方法、手势控制方法、装置、介质及电子设备 |
| CN111811617A (zh) * | 2020-07-10 | 2020-10-23 | 杭州电子科技大学 | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 |
| CN111898652A (zh) * | 2020-07-10 | 2020-11-06 | 西北工业大学 | 一种基于卷积神经网络的空间目标姿态分类识别方法 |
| CN112881016A (zh) * | 2021-01-15 | 2021-06-01 | 西安交通大学 | 一种基于高斯模型的滚动轴承重叠超声回波能量提取方法 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN114088817B (zh) * | 2021-10-28 | 2023-10-24 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109444863A (zh) | 一种基于卷积神经网络的窄带超声回波个数的估计方法 | |
| CN105929024B (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
| Smith et al. | Ultrasonic analytic-signal responses from polymer-matrix composite laminates | |
| CN109993105A (zh) | 一种改进的自适应稀疏采样故障分类方法 | |
| Gao et al. | A softmax classifier for high-precision classification of ultrasonic similar signals | |
| Mei et al. | Visual geometry group-UNet: deep learning ultrasonic image reconstruction for curved parts | |
| CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
| Sun et al. | Development of frequency-mixed point-focusing shear horizontal guided-wave EMAT for defect inspection using deep neural network | |
| Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
| Li et al. | Acoustic microscopy signal processing method for detecting near-surface defects in metal materials | |
| CN101109732B (zh) | 基于模糊平面特征的超声无损检测回波信号分类方法 | |
| Liu et al. | Nonlinear ultrasonic transmissive tomography for low-contrast biphasic medium imaging using continuous-wave excitation | |
| Bevan et al. | Automated detection and characterisation of defects from multiview ultrasonic imaging | |
| Scharrer et al. | Ultrasonic imaging of complex specimens by processing multiple incident angles in full-angle synthetic aperture focusing technique | |
| McKnight et al. | A comparison of methods for generating synthetic training data for domain adaption of deep learning models in ultrasonic non-destructive evaluation | |
| Zilidou et al. | Suppression of front and back surface reflections in ultrasonic analytic-signal responses from composites | |
| Shpigler et al. | Detection of overlapping ultrasonic echoes with deep neural networks | |
| Su et al. | Sparse reconstruction for microdefect detection of two-dimensional ultrasound image based on blind estimation | |
| Zhang et al. | Advanced acoustic microimaging using sparse signal representation for the evaluation of microelectronic packages | |
| Wertz et al. | Gaussian process regression of chirplet decomposed ultrasonic B-scans of a simulated design case | |
| Cui et al. | A robust indicator based on singular value decomposition for flaw feature detection from noisy ultrasonic signals | |
| McKnight et al. | GANs and alternative methods of synthetic noise generation for domain adaption of defect classification of Non-destructive ultrasonic testing | |
| Le et al. | Ultrasonic Testing of Corrosion in Aircraft Rivet Using Spiking Neural Network | |
| Demirli | Model based estimation of ultrasonic echoes: analysis, algorithms, and applications | |
| CN113092589A (zh) | 一种基于声速反演的多层不规则介质合成孔径成像方法 |
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 |
Application publication date: 20190308 |
|
| RJ01 | Rejection of invention patent application after publication |