CN110363746B - 一种基于卷积神经网络的超声无损检测信号分类方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的超声无损检测信号分类方法，采集超声A扫描信号并进行预处理，然后将预处理后带有对应标签的A扫描信号图像输入搭建的CNN神经网络，对神经网络的各层权重及偏置参数进行训练，通过对学习率和学习迭代次数的调整以提高CNN神经网络对于信号特征的识别准确率，随后将未带有标签的A扫描信号输入至训练好的CNN神经网络，通过超声A扫描信号实现对检测缺陷有无、缺陷深度精确多分类的功能。本发明能够实现基于超声A扫描信号的缺陷分类功能，计算准确率高，网络结构简单。

Description

一种基于卷积神经网络的超声无损检测信号分类方法

技术领域

本发明属于工业超声无损检测技术领域，具体涉及一种基于卷积神经网络的超声无损检测信号分类方法。

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。超声无损检测由于设备体积较小，检测过程安全，检测效率较高等优势，目前已经成为工业生产中在位无损检测的主要方法之一。随着超声相控阵技术的发展，超声无损检测的定性、定位和定量检测精度均得到大幅提高。此外，超声相控阵多通道并行的扫查方式也使得扫查结果能够以更加多样的方式进行显示。

A扫描信号是一个一维数组，其中数组长度表示了超声回波的声程，每一个数据点表示了超声回波的强度。无论是传统的超声无损探伤还是先进的超声相控阵无损检测，A扫描信号均是上述仪器所收集到的最原始和最直接的信号。无损探伤通过判读A扫描信号来判断被测物体内部是否存有缺陷；而无损检测则需要基于A扫描信号来生成B、C和S扫描等二维可视化扫查图像，从而对缺陷位置、缺陷尺寸以及缺陷类型等进行评价。

在实际应用过程中由于检测环境和仪器自身因素，A扫描信号不可避免的存在较大噪声干扰。故对于通过直接判读曲线分布的无损探伤来说，需要检测人员具备较强的专业知识基础和丰富的探伤经验，并且需要对被测物进行多次检测；而将含噪的A扫描信号直接用于二维图像重构，则会导致图像失真、重构精度差等负面影响。

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，提供一种基于卷积神经网络的超声无损检测信号分类方法，能够实现在含噪声背景下对超声A扫描信号的分类。

本发明采用以下技术方案：

一种基于卷积神经网络的超声无损检测信号分类方法，采集超声A扫描信号并进行预处理，然后将预处理后带有对应标签的A扫描信号图像输入搭建的CNN神经网络，对神经网络的各层权重及偏置参数进行训练，通过对学习率和学习迭代次数的调整以提高CNN神经网络对于信号特征的识别准确率，随后将未带有标签的A扫描信号输入至训练好的CNN神经网络，通过超声A扫描信号实现对检测缺陷有无、缺陷深度精确多分类的功能。

具体的，超声A扫描信号预处理具体为：采集超声A扫描信号并进行可视化，以信号回波振幅为纵轴，以回波声程为横轴，将图像设为单通道，将同一位置上采集到的多组信号标记为同一标签，将不同位置上采集到的不同组信号标记为不同的标签。

具体的，CNN神经网络结构的结构依次为：卷积层、最大池化层、非线性全连接层、Dropout层和Softmax分类层。

进一步的，卷积层利用卷积核与图像中的部分区域进行卷积运算，通过反向传播提取图像对应子区域的有效特征向量；最大池化层利用提取对应核空间内特征向量的最大值的方法实现图像对应子区域特征表达的简化；非线性全连接层用于将各个子区域简化的特征向量进行整理合并；卷积层和非线性全连接层均包含激活函数为Relu的非线性激活单元，其表达式如下：

且卷积核的空间尺寸为5*5像素，步长为1像素。最大池化层核的空间尺寸为3*3像素，步长为2像素。

进一步的，Dropout层用于随机激活全连接层中的部分节点，并将该层输出用于随后的分类器进行分类。

进一步的，采用Softmax分类层对所提取的特征向量进行分类，对单幅图像的每个像素点进行加权求和后就能够得到一个量化值evidence_i，并以此作为图像类别的判断依据；若该量化值为负数，则说明图像明显不属于该类；反之若量化值为正数，则说明图像与该类别存在一定的特征相似性。

进一步的，若设一幅图像x，其属于类别i的量化表示为：

其中，W_i,j表示权重，b_i表示第i类的偏置量，j表示图像x的像素索引。

更进一步的，Softmax分类层计算出样本对于各个标签类别的概率分布情况，将不规范的输出预测转变为一个有效的全局概率分布如下：

量化值通过取指数后全部为正数，且能够保持原来的数值大小关系，随后通过累加和归一化后得到样本属于每个类别的概率分布。

具体的，采用交叉熵损失函数以及Adam优化器对所搭建的CNN神经网络进行训练,在反向传播过程中，最小化交叉熵损失函数引导神经网络寻找对于输入图像的正确特征表述，实现正确的特征分类。

进一步的，交叉熵损失函数H(p,q)表示为：

H(p,q)＝-∑p(x)logq(x)

其中，p(x)表示标签所示的分类，q(x)表示通过神经网络后预测的分类。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于卷积神经网络的超声无损检测信号分类方法，对于根据A扫描信号来进行缺陷有无等初步无损探伤工作来说，实现对于缺陷深度较为准确的判断和分类，从而降低了对于工程人员的专业技术要求和处理过程中的主观因素影响，在缺陷二维及三维可视化重构过程中提供明确的分类标签，以此来降低重构图像中由于噪声所造成的图像噪点，以此来提高检测的精度。

进一步的，由于A扫面信号为一维数组，为了符合CNN神经网络的处理格式需求且降低计算复杂度，需要对其进行单通道可视化处理。为了对CNN神经网络进行监督训练，需要对采集信号进行标记。

进一步的，在CNN神经网络结构中，卷积层能够较好的提取图像各个部分的特征向量；最大池化层能够简化各个部分特征向量的表达维度且保证特征值稳定，以此降低神经网络的复杂程度；非线性全连接层用于将各个子区域简化的特征向量进行整理合并。

进一步的，引入Dropout层提高了CNN神经网络的鲁棒性，避免模型出现过拟合情况；引入Softmax分类器，提高了对A扫描信号曲线分类的准确性。

进一步的，采用交叉熵作为损失函数能够使神经网络在训练过程中保持较快的收敛性。采用Adam优化器能够避免收敛过程中的鞍点处振荡情况，从而找到全局最优解。

综上所述，本发明能够实现基于超声A扫描信号的缺陷分类功能，计算准确率高，网络结构简单。

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A扫描信号预处理流程；

图2为CNN神经网络结构；

图3为实施例对比图，其中，(a)为深度13mm圆孔，(b)为深度10mm方孔，(c)为深度4mm圆孔，(d)为无缺陷时的信号。

具体实施方式

本发明提供了一种基于卷积神经网络的超声无损检测信号分类方法，将超声A扫描信号进行预处理，即实现可视化后并将对应的标签输入所搭建的CNN神经网络结构，对神经网络的各层权重及偏置参数进行训练，通过对学习率和学习迭代次数的调整以提高CNN神经网络对于信号特征的识别准确率，随后将未带有标签的A扫描信号输入至训练好的CNN神经网络，即可实现通过超声A扫描信号对检测缺陷有无、缺陷深度精确多分类的功能。相比于传统的人工辨识，具有较高的准确性。

本发明一种基于卷积神经网络的超声无损检测信号分类方法，包括以下步骤：

S1、超声A扫描信号的预处理；

由于超声A扫描信号是以一维数组形式进行输出，而CNN神经网络识别的对象是二维图像。故在获取到一维信号后通过计算软件首先获取其二维图像，通常以信号回波振幅为纵轴，以回波声程为横轴，为了方便计算，将图像设为单通道。将同一位置上采集到的多组信号标记为同一标签，将不同位置上采集到的不同组信号标记为不同的标签，该步骤流程如图1所示。

S2、搭建CNN神经网络结构；

CNN神经网络的结构规模可以根据图像分别率及图像内容可辨识度等因素来进行调整。由于A扫描信号的图像内容相对简单，故本发明搭建了一个由1个卷积层、1个最大池化层、1个非线性全连接层、1个Dropout层和1个Softmax分类层所组成的CNN神经网络结构。如图2所示。

卷积层利用卷积核与图像中的部分区域进行卷积运算，通过反向传播提取图像对应子区域的有效特征向量；最大池化层利用提取对应核空间内特征向量的最大值的方法实现图像对应子区域特征表达的简化；非线性全连接层用于将各个子区域简化的特征向量进行整理合并。其中，卷积层和非线性全连接层均包含激活函数为Relu的非线性激活单元，其表达式如下：

且卷积核的空间尺寸为5*5像素，步长为1像素。最大池化层核的空间尺寸为3*3像素，步长为2像素，各项核空间尺寸及步长能够根据A扫描信号的复杂性进行调整。

通过卷积层后能够将原始的整体二维图像变换为多个局部特征，随后的最大池化层对局部特征进行降尺寸提取。非线性全连接层同样具有特征提取的功能，但是在此过程中同时降低了特征的位置度信息，有助于最终的Softmax层进行分类。

由于可用于训练的样本数量相对较少，为了防止过拟合情况发生，引入Dropout层用于随机激活全连接层中的部分节点，并将该层输出用于随后的分类器进行分类，以此实现防止卷积神经网络出现过拟合的情况。

本发明中采用Softmax分类层对所提取的特征向量进行分类。若设一幅图像x，其属于类别i的量化可以表示为：

其中，W_i,j表示权重，b_i表示第i类的偏置量，j表示图像x的像素索引。

对单幅图像的每个像素点进行加权求和后就能够得到一个量化值evidence_i，并以此作为图像类别的判断依据；若该量化值为负数，则说明图像明显不属于该类；反之若量化值为正数，则说明图像与该类别存在一定的特征相似性。

传统的线性分类器和支持向量机分类器分别能够从量化值中直接提取最大值和整体预测分布来进行分类。但是由于单幅图像属于不同类别的量化值之间不存在相关性，直接引用量化值则会造成收敛较慢，识别精度较差的情况。

Softmax分类器能够计算出样本对于各个标签类别的概率分布情况，将不规范的输出预测转变为一个有效的全局概率分布，即：

由公式可知，量化值通过取指数后全部为正数，且能够保持原来的数值大小关系，随后通过累加和归一化后得到样本属于每个类别的概率分布。以此作为分类的依据，能够有效的提高损失函数的收敛速度，其分类精度也有一定的提高。

S3、CNN神经网络训练。

采用交叉熵损失函数以及Adam优化器对所搭建的神经网络进行训练。其中，由于需要解决的是多分类任务，交叉熵损失函数可表示为：

H(p,q)＝-∑p(x)logq(x)

其中，p(x)表示标签所示的分类，q(x)表示通过神经网络后预测的分类。

在反向传播过程中，最小化交叉熵损失函数能够引导神经网络寻找对于输入图像的正确特征表述，从而实现正确的特征分类。

Adam优化器是一种自适应梯度下降的优化器，其能够根据下降梯度对下降方向和下降步距进行修正。从而保证在神经网络正向训练过程中损失函数能够迅速的下降和收敛。

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。

请参阅图3，采用本发明所提方法对四类超声A扫描信号进行处理和分类，其样本实例和结果如下所示：

初步在四类信号中各提取20个作为评估数据集，共80个数据集，分别采用传统线性分类器、支持向量机分类器和Softmax分类器对评估数据集进行分类，为了保证数据的客观稳定，我们对每个分类器进行连续五次验证，最终准确率如下表所示：

在三个分类器中Softmax分类器准确率最高，证明本方法能够有效的对四类信号进行分类。

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 (2)

1.一种基于卷积神经网络的超声无损检测信号分类方法，其特征在于，采集超声A扫描信号并进行预处理，然后将预处理后带有对应标签的A扫描信号图像输入搭建的CNN神经网络，对神经网络的各层权重及偏置参数进行训练，通过对学习率和学习迭代次数的调整以提高CNN神经网络对于信号特征的识别准确率，随后将未带有标签的A扫描信号输入至训练好的CNN神经网络，通过超声A扫描信号实现对检测缺陷有无、缺陷深度精确多分类的功能；

采用交叉熵损失函数以及Adam优化器对所搭建的CNN神经网络进行训练,在反向传播过程中，最小化交叉熵损失函数引导神经网络寻找对于输入图像的正确特征表述，实现正确的特征分类，交叉熵损失函数H(p,q)表示为：

H(p,q)＝-∑p(x)logq(x)

其中，p(x)表示标签所示的分类，q(x)表示通过神经网络后预测的分类；

CNN神经网络结构的结构依次为：卷积层、最大池化层、非线性全连接层、Dropout层和Softmax分类层；

卷积层利用卷积核与图像中的部分区域进行卷积运算，通过反向传播提取图像对应子区域的有效特征向量；最大池化层利用提取对应核空间内特征向量的最大值的方法实现图像对应子区域特征表达的简化；非线性全连接层用于将各个子区域简化的特征向量进行整理合并；卷积层和非线性全连接层均包含激活函数为Relu的非线性激活单元，其表达式如下：

且卷积核的空间尺寸为5*5像素，步长为1像素，最大池化层核的空间尺寸为3*3像素，步长为2像素；

Dropout层用于随机激活全连接层中的部分节点，并将该层输出用于随后的分类器进行分类；

采用Softmax分类层对所提取的特征向量进行分类，对单幅图像的每个像素点进行加权求和后就能够得到一个量化值evidence_i，并以此作为图像类别的判断依据；若该量化值为负数，则说明图像明显不属于该类；反之若量化值为正数，则说明图像与该类别存在一定的特征相似性，若设一幅图像x，其属于类别i的量化表示为：

其中，W_i,j表示权重，b_i表示第i类的偏置量，j表示图像x的像素索引，Softmax分类层计算出样本对于各个标签类别的概率分布情况，将不规范的输出预测转变为一个有效的全局概率分布如下：

量化值通过取指数后全部为正数，且能够保持原来的数值大小关系，随后通过累加和归一化后得到样本属于每个类别的概率分布。

2.根据权利要求1所述的基于卷积神经网络的超声无损检测信号分类方法，其特征在于，超声A扫描信号预处理具体为：采集超声A扫描信号并进行可视化，以信号回波振幅为纵轴，以回波声程为横轴，将图像设为单通道，将同一位置上采集到的多组信号标记为同一标签，将不同位置上采集到的不同组信号标记为不同的标签。

Images