CN109858408B - 一种基于自编码器的超声信号处理方法 - Google Patents
一种基于自编码器的超声信号处理方法 Download PDFInfo
- Publication number
- CN109858408B CN109858408B CN201910045093.2A CN201910045093A CN109858408B CN 109858408 B CN109858408 B CN 109858408B CN 201910045093 A CN201910045093 A CN 201910045093A CN 109858408 B CN109858408 B CN 109858408B
- Authority
- CN
- China
- Prior art keywords
- encoder
- ultrasonic
- self
- row
- dimensional array
- 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
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于自编码器的超声信号处理方法,对超声信号进行预处理,然后叠加超声信号的样本,建立并分类超声信号的样本库,通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压,基于深度学习获取特征函数的相关权重和偏置变量,并以此作为降噪参数对后续超声信号进行降噪处理。本发明对信号的降噪筛选兼容性较好,运算量小,计算成本低,提高降噪自编码器特征提取的准确率。
Description
技术领域
本发明属于工业超声无损检测技术领域,具体涉及一种基于自编码器的超声 信号处理方法。
背景技术
作为一种非接触测量方法,无损检测已广泛应用于加工制造业中。根据检测 需求,针对被测物体内部缺陷的无损检测方法包括了:数字射线检测、超声检测 和工业CT检测等。由于数字射线检测需要放射物作为能量源,故其操作专业性 强,且对人体具有一定损伤;工业CT检测虽然检测精度较高,但成本高,检测 效率较低,且由于上述两类检测设备体积较大,无法实现在线检测和在位检测。 而超声检测设备体积相对较小,能够实现在线或在位测量,且检测过程安全、效 率高。故超声检测不仅能够对小尺寸被测物体进行在线在位快速检测,还能够对 大尺寸被测物体进行在位检测。
超声相控阵检测技术是超声检测技术目前的一个发展方向,其依托压电复合 技术、微型机电制造技术、微电子技术及计算机技术等学科的交叉。相比于传统 的超声检测技术,超声相控阵检测技术采用压电复合的多阵元探头,并由计算机 控制各阵元传感器的激发时序,通过控制激发时序能够实现超声波束的聚焦和角 度偏转等功能。相比于传统超声检测技术,具有更高的检测灵活性和精度。
在超声相控阵检测中,通过计算各阵元的激发/接收时序法则对各阵元传感器 的状态进行控制。为了得到最终的可视化检测结果,在各阵元传感器接收到原始 信号后需要利用算法对多路信号进行数据融合,并进行图像重构。由此可知,原 始接收信号的质量直接影响着最终的检测结果。一般来说,上述算法在数据融合 前后还需要对信号进行诸如降噪、调制等处理。目前对于该类信号处理的方法主 要是利用快速傅里叶变换(FFT)和小波滤波等方法来实现。但是,上述两种方 法均需要根据噪声分布进行人工阈值设置,对信号的降噪筛选兼容性较差,存在 一定的主观性;且在每一次信号处理过程中运算量较大,需要耗费较大的计算成 本。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于 自编码器的超声信号处理方法,提高了降噪的准确率,有效去除探头固有响应特 性对于回波信号处理时的干扰。
本发明采用以下技术方案:
一种基于自编码器的超声信号处理方法,对超声信号进行预处理,然后叠加 超声信号的样本,建立并分类超声信号的样本库,通过神经网络搭建的自动编码 器对超声A扫描信号进行压缩和解压,基于深度学习获取特征函数的相关权重和 偏置变量,并以此作为降噪参数对后续超声信号进行降噪处理。
具体的,预处理的具体过程如下:
S101、将单幅A扫描信号输出的一维数组进行升维,将一维数组各元素进行 取整;
S102、以声程的有效采样点做为二维数组的列数,设置二维零数组;
S103、以最大回波波幅与各采样点波幅之差作为各列索引,将A扫描信号各 列的波幅依次赋值于各列的索引处,将输出格式由一维数组升为二维数组。
进一步的,步骤S101中,二维数组的行数row计算如下:
其中,Valuemax是回波波幅的最大值,Valuemin是回波波幅的最小值。
更进一步的,当回波波幅的最小值Valuemin<0时,计算行数时加1。
更进一步的,预处理过程中,设初始一维信号如下:
2 | 4 | 5 | 3 | 1 | 0 | -1 | -2 | 0 | 0 |
其中,回波波幅的最大值Valuemax=5,回波波幅的最小值Valuemin=-2,二维数 组行数row=5+|-2|+1=8。
具体的,超声信号的样本叠加具体为:
将多次获取到的超声A扫描信号通过预处理后获得多个二维数组,然后将二 维数组中的非零元素设定为值1,再将各二维数组进行叠加,提取每列最大值并 置1后将其余值置0。
具体的,超声信号的样本库建立和分类具体如下:
S301、采集超声A扫描信号,并通过超声信号预处理后,分组进行叠加处理;
S302、将处理过的多组二维数据进行维度压缩,将每个二维数组按列依次放 入样本集中的同一行,即每个二维数组对应样本集中一行数据;
S303、将样本库分为训练样本集和测试样本集,且训练样本个数大于测试样 本个数。
具体的,基于深度学习的降噪自编码器核心包括编码器、解码器和损失函数, 利用自编码器对超声信号进行处理的步骤如下:
S401、对降噪自编码器进行训练,利用建立的训练样本集作为原始数据输入, 选择优化器和学习率以指定的学习率降低损失函数loss,实现对样本信号的准确 特征压缩和解压,并对数据元素进行随机删减;
S402、根据损失函数loss的计算结果调整编码器和解码器的迭代,然后将修 改后的原始数据输入编码器,采用TensorFlow框架下的next_betch()函数对样本 集进行批量提取;
S403、通过参数保存函数将自编码器获取到的特征参数进行保存,完成自编 码器的特征提取和学习工作。
进一步的,步骤S401中,基于Tensorflow框架,根据数据处理精度需求选 择隐藏层的层数,并等比于编码器中的隐藏层层数,建立解码器对所提取的特征 进行数据恢复,在编码器中,将每一层输入信号xi(t)与压缩后的表达式xi+1(t)建 立映射为当前层数,以达到对样本数据的特征提取,即:
xi+1(t)=σ(wi×xi(t)+bi)
其中,wi和bi分别表示第i层的权重和偏置,σ是激活函数。
更进一步的,设输入信号为x(t),通过自编码器压缩并解压后的输出信号为 y(t),通过对比两者的差异计算损失函数loss如下:
其中,N为一组数据中元素的个数。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于自编码器的超声信号处理方法,利用神经网络的降噪自编码 器实现了对超声信号的降噪处理,避免了人为设置不同噪声阈值所造成的主观性 和片面性,并相应提高了降噪的准确率,在实际应用中具有较强的鲁棒性,能够 有效滤除随机噪声对信号的影响。
进一步的,针对于降噪自编码器提出了一种对超声A扫描信号的预处理方 法,相比于传统利用时频谱图表述,该方法不仅压缩了样本数据的空间,还增强 了有效数据在样本中的特征体现,有助于降噪自编码器特征提取的准确率。
进一步的,采用比对原始信号与恢复信号作为降噪评价,能够有效的去除探 头固有响应特性对于回波信号处理时的干扰。
进一步的,建立样本库和分类是进行机器学习的前提,通过建立样本库和分 类能够利用自编码器实现降噪。
进一步的,由于小波降噪、傅里叶变换滤波等信号处理方法均针对单一信号 样本进行计算,而基于自编码器的超声信号处理方法能够从大量信号样本中辨别 噪声并提取信号特征,其降噪效果更加稳定。
综上所述,本发明对信号降噪的鲁棒性较好,运算量较小,通过本方法的信 号预处理后,利用降噪自编码器能够较好的对信号实施降噪。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为一维数组转二维数组示意图;
图2为对超声信号样本的叠加和提值处理,其中,(a)为叠加后的二维数 组,(b)为提取最大值等处理后的二维数组;
图3为超声信号的二维数据库;
图4为基于深度学习的降噪自编码器示意图;
图5为采用本发明对信号进行特征提取和处理对比图。
具体实施方式
本发明提供了一种基于自编码器的超声信号处理方法,通过神经网络所搭建 的自动编码器(Autoencoder)对超声A扫描信号进行压缩和解压,在此过程中 基于深度学习的相关理论获取特征函数的相关权重和偏置变量,并以此作为降噪
S1、超声信号的预处理;
超声A扫描信号是指由超声探头接收,以回波声程和波幅分别为横纵坐标轴 的原始信号表述。单幅A扫描信号输出格式一般为一维数组,其中各元素表示不 同声程处的回波强度。
S101、首先将上述一维数组进行升维,为了使波幅能够完整分布于二维数组 中,首先将一维数组各元素进行取整。此外,二维数组的行数row由以下公式求 得:
其中,Valuemax是回波波幅的最大值,Valuemin是回波波幅的最小值,当Valuemin<0时,考 虑到在计算机中行数由1开始计数,且数据点跨越“0”值,故需要在计算行数时加1。
S102、以声程的有效采样点做为二维数组的列数,设置二维零数组。
S103、以最大回波波幅与各采样点波幅之差作为各列索引,将A扫描信号各 列的波幅依次赋值于各列的索引处。由此,输出格式由一维数组升为二维数组, 其中每个元素可认为是一个像素,如下所示:
设初始一维信号如下:
2 | 4 | 5 | 3 | 1 | 0 | -1 | -2 | 0 | 0 |
其中Valuemax=5,Valuemin=-2,则二维数组行数row=5+|-2|+1=8,具体分布如图1所示。
S2、超声信号的样本叠加;
将多次获取到的超声A扫描信号通过步骤S1处理之后能够获得多个二维数 组。在此基础上,将二维数组中的非零元素(即索引处的非零值)设定为值“1”。 随后,将各二维数组进行叠加,由于有效数据点较为稳定,则会在叠加后的二维 数组中出现在该处的像素值较大,而噪声由于随机性较大,则会以较小值随机分 布于有效数据附近。为了符合自动编码器的数据格式,提取每列最大值并置一后 将其余值置零,如图2所示。
S3、超声信号的样本库建立和分类;
S301、由于深度学习需要大量样本进行学习,故需要大量采集超声A扫描信 号,并通过步骤S1处理后,分组按照步骤S2进行叠加处理。
S302、为了方便自编码器对数据的读取,需要将处理过的多组二维数据进行 维度压缩,将每个二维数组按列依次放入样本集中的同一行,即每个二维数组对 应样本集中一行数据。于是各组数据可统一放置于同一个数组内,如图3所示。
S303、将样本库分为训练样本集和测试样本集,其中训练样本个数需要大于 测试样本个数。
S4、利用自编码器对超声信号进行处理。
基于深度学习的降噪自编码器核心包括三部分结构:编码器、解码器和损失 函数,如图4所示。
S401、对降噪自编码器进行训练,利用步骤S3中的训练样本集作为原始数 据输入。
基于Tensorflow框架下,需要根据对数据处理精度等需求选择隐藏层的层数, 并等比于编码器中的隐藏层层数建立解码器对所提取的特征进行数据恢复。在编 码器中,每一层能够将输入信号xi(t)与压缩后的表达式xi+1(t)建立映射,为当前 层数,以达到对样本数据的特征提取,即:
xi+1(t)=σ(wi×xi(t)+bi)
上式中,wi和bi分别表示第i层的权重和偏置,σ是所采用的激活函数(如 Sigmoid函数、Relu函数或tanh函数等)。解码器是编码器的逆运算,通过建立 同样层数的网络来实现由特征向数据的还原。
若设输入信号为x(t),通过自编码器压缩并解压后的输出信号为y(t),则可 以通过对比两者的差异来计算损失函数loss,即:
上式中,N为一组数据中元素的个数。此外还需要选择优化器和学习率,以 便优化器能够以指定的学习率降低损失函数loss,即实现对样本信号的准确特征 压缩和解压。
此外为了增强鲁棒性自编码器会在输入数据时加入高斯噪声,并对数据元素 进行随机删减。
S402、调整编码器和解码器的迭代;
为了达到对原始数据的较精准还原,具体的迭代次数需要观察损失函数loss 的计算结果进行多次调整。再将修改后的原始数据输入编码器进行特征提取。为 了提高学习效率,需要采用TensorFlow框架下的next_betch()函数对样本集进行 批量提取。
S403、通过参数保存函数将自编码器所获取到的特征参数进行保存,即完成 了自编码器的特征提取和学习工作。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实 施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所 描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中 的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因 此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的 本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本 领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属 于本发明保护的范围。
在实际信号处理中,首先将采集到的超声相控阵信号重复步骤S1进行一维 数组转换二维数组工作,随后将二维数组中的非零值置“1”,并按照步骤S3转 置为单一行数据,以满足自编码器的输入格式要求;
其次,将格式处理后的数据输入自编码器中,利用之前获取到的特征参数对 输入数据进行计算,并最终实现降噪;
最后,根据对数据的要求对降噪后的单一行数据进行尺寸调整,以实现平面 可视化及一维表示。
请参阅图5,在对原始信号添加1db的高斯白噪声后按照本方法对信号进行 特征提取和处理,其信噪比如下表所示:
由图5和上表可知,通过本发明方法后超声信号的信噪比增大,说明信号中 的噪声得到了有效的抑制。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡 是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发 明权利要求书的保护范围之内。
Claims (6)
1.一种基于自编码器的超声信号处理方法,其特征在于,对超声信号进行预处理,然后叠加超声信号的样本,建立并分类超声信号的样本库,通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压,基于深度学习获取特征函数的相关权重和偏置变量,并以此作为降噪参数对后续超声信号进行降噪处理;
预处理的具体过程如下:
S101、将单幅A扫描信号输出的一维数组进行升维,将一维数组各元素进行取整;
S102、以声程的有效采样点做为二维数组的列数,设置二维零数组;
S103、以最大回波波幅与各采样点波幅之差作为各列索引,将A扫描信号各列的波幅依次赋值于各列的索引处,将输出格式由一维数组升为二维数组;
超声信号的样本叠加具体为:
将多次获取到的超声A扫描信号通过预处理后获得多个二维数组,然后将二维数组中的非零元素设定为值1,再将各二维数组进行叠加,提取每列最大值并置1后将其余值置0;
超声信号的样本库建立和分类具体如下:
S301、采集超声A扫描信号,并通过超声信号预处理后,分组进行叠加处理;
S302、将处理过的多组二维数据进行维度压缩,将每个二维数组按列依次放入样本集中的同一行,即每个二维数组对应样本集中一行数据;
S303、将样本库分为训练样本集和测试样本集,且训练样本个数大于测试样本个数;
基于深度学习的降噪自编码器核心包括编码器、解码器和损失函数,利用自编码器对超声信号进行处理的步骤如下:
S401、对降噪自编码器进行训练,利用建立的训练样本集作为原始数据输入,选择优化器和学习率以指定的学习率降低损失函数loss,实现对样本信号的准确特征压缩和解压,并对数据元素进行随机删减;
S402、根据损失函数loss的计算结果调整编码器和解码器的迭代,然后将修改后的原始数据输入编码器,采用TensorFlow框架下的next_betch()函数对样本集进行批量提取;
S403、通过参数保存函数将自编码器获取到的特征参数进行保存,完成自编码器的特征提取和学习工作。
3.根据权利要求2所述的基于自编码器的超声信号处理方法,其特征在于,当回波波幅的最小值Valuemin<0时,计算行数时加1。
4.根据权利要求2或3所述的基于自编码器的超声信号处理方法,其特征在于,预处理过程中,设初始一维信号如下:
2;4;5;3;1;0;-1;-2;0;0
其中,回波波幅的最大值Valuemax=5,回波波幅的最小值Valuemin=-2,二维数组行数row=5+|-2|+1=8。
5.根据权利要求1所述的基于自编码器的超声信号处理方法,其特征在于,步骤S401中,基于Tensorflow框架,根据数据处理精度需求选择隐藏层的层数,并等比于编码器中的隐藏层层数,建立解码器对所提取的特征进行数据恢复,在编码器中,将每一层输入信号xi(t)与压缩后的表达式xi+1(t)建立映射为当前层数,以达到对样本数据的特征提取,即:
xi+1(t)=σ(wi×xi(t)+bi)
其中,wi和bi分别表示第i层的权重和偏置,σ是激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910045093.2A CN109858408B (zh) | 2019-01-17 | 2019-01-17 | 一种基于自编码器的超声信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910045093.2A CN109858408B (zh) | 2019-01-17 | 2019-01-17 | 一种基于自编码器的超声信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858408A CN109858408A (zh) | 2019-06-07 |
CN109858408B true CN109858408B (zh) | 2021-01-19 |
Family
ID=66894920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910045093.2A Active CN109858408B (zh) | 2019-01-17 | 2019-01-17 | 一种基于自编码器的超声信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858408B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363746B (zh) * | 2019-06-13 | 2022-02-11 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
CN110874828B (zh) * | 2020-01-20 | 2020-04-21 | 上海尽星生物科技有限责任公司 | 神经网络模型及基于神经网络模型的超声波束形成方法 |
CN111855825B (zh) * | 2020-06-28 | 2023-02-07 | 济南大学 | 基于bp神经网络的轨头核伤识别方法及系统 |
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 |
CN112152633B (zh) * | 2020-09-30 | 2023-05-16 | 石家庄铁道大学 | 振动信号压缩的改进卷积自编码器方法及装置 |
CN112053421B (zh) * | 2020-10-14 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 信号降噪处理方法、装置、设备及存储介质 |
CN113094993B (zh) * | 2021-04-12 | 2022-03-29 | 电子科技大学 | 基于自编码神经网络的调制信号去噪方法 |
CN113687363B (zh) * | 2021-10-27 | 2022-07-08 | 广东奥迪威传感科技股份有限公司 | 防超声波余震的距离检测方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10419458B2 (en) * | 2016-01-21 | 2019-09-17 | Cyiot Ltd | Distributed techniques for detecting atypical or malicious wireless communications activity |
US10482379B2 (en) * | 2016-07-29 | 2019-11-19 | Google Llc | Systems and methods to perform machine learning with feedback consistency |
CN106407992B (zh) * | 2016-09-20 | 2019-04-02 | 福建省妇幼保健院 | 一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及系统 |
CN107007279B (zh) * | 2017-03-17 | 2019-11-05 | 浙江大学 | 一种基于堆栈式自编码器的无创心内异常激动点定位方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
CN108562837A (zh) * | 2018-04-19 | 2018-09-21 | 江苏方天电力技术有限公司 | 一种电厂开关柜局部放电超声信号降噪方法 |
CN109000876B (zh) * | 2018-04-28 | 2020-10-20 | 南京航空航天大学 | 基于自动编码器深度学习的sns光纤冲击识别方法 |
-
2019
- 2019-01-17 CN CN201910045093.2A patent/CN109858408B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109858408A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN110074813B (zh) | 一种超声图像重建方法及系统 | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN111368825B (zh) | 一种基于语义分割的指针定位方法 | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN114758230A (zh) | 基于注意力机制的地下目标体分类识别方法 | |
Li et al. | Automatic Recognition of Rock Images Based on Convolutional Neural Network and Discrete Cosine Transform. | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
CN111798531A (zh) | 一种应用于植株监测的图像深度卷积压缩感知重构方法 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN116979970A (zh) | 一种漏磁数据的压缩和重构方法、系统、电子设备及介质 | |
Ziabari et al. | Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction | |
CN112001956B (zh) | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 | |
Su et al. | Sparse reconstruction for microdefect detection of two-dimensional ultrasound image based on blind estimation | |
CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 | |
CN114998137A (zh) | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 | |
Taher et al. | Image fusion approach with noise reduction using Genetic Algorithm | |
Madhuri et al. | Performance evaluation of multi-focus image fusion techniques |
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 |