CN110702792A - 一种基于深度学习的合金组织超声检测分类方法 - Google Patents
一种基于深度学习的合金组织超声检测分类方法 Download PDFInfo
- Publication number
- CN110702792A CN110702792A CN201910939191.0A CN201910939191A CN110702792A CN 110702792 A CN110702792 A CN 110702792A CN 201910939191 A CN201910939191 A CN 201910939191A CN 110702792 A CN110702792 A CN 110702792A
- Authority
- CN
- China
- Prior art keywords
- data
- ultrasonic detection
- alloy
- noise
- ultrasonic
- 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.)
- Granted
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
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0609—Display arrangements, e.g. colour displays
- G01N29/0645—Display representation or displayed parameters, e.g. A-, B- or C-Scan
-
- 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
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
- G01N29/0681—Imaging by acoustic microscopy, e.g. scanning acoustic microscopy
-
- 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
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/015—Attenuation, scattering
-
- 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
- G01N2291/0234—Metals, e.g. steel
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明一种基于深度学习的合金组织超声检测分类方法,属于无损检测领域。所述的方法利用超声全波扫描系统记录合金组织的全波信号数据;根据噪声水平和底波信号损失的不同选定用于进行金相观察的区域,并根据合金组织特征对选定区域进行进行编号标记,对选定区域对应的数据进行标签标记;建立一维卷积网络对标注好的超声噪声数据进行训练学习;经过训练后的网络根据输入的超声噪声数据,输出合金组织分类概率;分类模型充分发挥一维卷积网络的结构优势,直接从零开始训练,可实现端到端的对于合金组织超声检测分类效果。具有对被检合金无损检测、分类效率高、检测精度好等优点。
Description
技术领域
本发明属于无损检测技术领域,涉及一种基于深度学习的合金组织超声检测分类方法。
背景技术
合金零件在制造和使用过程中,制造工艺会引起合金组织和材料力学性能的变化。检测并表征合金组织有助于保证零件的性能和使用寿命。
超声检测具有穿透能力强,在非均质介质中传播,受到组织结构(晶粒、析出相、沉淀物等)的种类、分布、尺寸的影响,会发生散射和吸收。散射是在超声波的传播过程中,由于材料的不均匀性造成多处声阻抗不同的微小界面引起声的散射,从而造成声压或声能减弱。这种不均匀性可能是多晶材料的晶界、不同相成分的界面、外来杂质等。被散射的超声波在介质中沿着复杂的路径传播下去,一部分可能最终变为热能,另一部分也可能最终传播到探头,形成显示屏上的草状回波(或称噪声)。将超声波的散射作为信息源,提取接收到的噪声数据,建立其与合金组织之间的模型,实现对于合金组织分类的无损评价。目前,已有的方法有通过理论推导反推出多晶体微观结构的超声表征和利用实验数据建立晶粒尺寸等微观组织表征参数与超声检测特征值之间的关系式或特征曲线。但上述方法存在着泛化能力较差、需要进行人工特征工程等问题。因此利用基于深度学习的合金组织超声检测分类方法具有优点在于:具有对被检合金无损检测、分类效率高、检测精度好、特征自动提取等优点。
发明内容
本发明的目的是:提供一种基于深度学习的合金组织超声检测分类方法,以解决目前检测分类方法存在的泛化能力较差、需要进行人工特征工程等技术问题。
为解决此技术问题,本发明的技术方案是:
一种基于深度学习的合金组织超声检测分类方法,所述的合金组织超声检测分类方法包括以下步骤:
S1:超声数据采集:记录合金组织的全波信号数据;
S2:合金组织金相观察:根据噪声水平和底波信号损失的不同选定用于进行金相观察的区域;
S3:超声数据处理:根据合金组织特征对选定区域进行进行编号标记,对选定区域对应的数据进行标签标注;
S4:建立一维卷积网络对标注好的超声噪声数据进行训练学习;
S5:经过训练后的网络根据输入的超声噪声数据,输出合金组织分类概率。
所述步骤S1具体为:
S101:对合金组织进行C扫描;
S102:记录采集噪声信号和底波损失的C扫描图像;
S103:记录噪声C扫描图像所对应的全波信号数据。
利用超声全波扫描系统进行C扫描。
所述步骤S2具体为:
S201:金相观察区域的选取:根据噪声水平和底波信号损失的不同,选定用于进行金相观察的区域;
S202:对选定的区域进行金相观察:观察所选定试块区域的金相,记录试块晶粒度、相的形状、相的分布组织特征;
S203:对选定区域进行编号标记:根据金相观察结果,对所选定区域进行进行编号标记。
噪声水平通过各个扫查点噪声信号平均值以及计算噪声信号最大值得出。
所述的底波信号损失通过将合金组织处底波信号最大处调至60%-90%得出。
优选地,所述的底波信号损失通过将合金组织处底波信号最大处调至80%得出。
所述步骤S3具体为:
S301:将所述超声检测噪声样本数据按照时序转化为一维张量。
S302:对超声检测噪声数据进行标签标注:根据选取指定区域的编号标记对所述一维张量添加分类标签;所述分类标签通过编号标记转化得出;
S303:采用数据生成器对完成标签标注的超声检测噪声数据进行处理。
所述数据生成器进行如下处理过程:对数据进行随机化、批处理、拆分。
所述步骤S4具体为:
S401:将输入的超声检测噪声数据进行规范化处理,得到规范化超声检测噪声数据;
S402:将一维卷积层进行多层叠加,作为特征提取层,对输入的数据利用权重矩阵提取特征,通过激活函数非线性化映射得到特征张量;
S403:添加最大池化层或平均池化层,对通过一维卷积层得到的特征张量进行池化处理;
S404:最后利用softmax分类器进行分类;分类器给出一个位数和合金组织分类数目相同的矢量,其中矢量的每一位分别对应不同的合金组织分类的结果概率。将实际概率与真实值之间的误差进行反向传播来修正权重,进行大量带标签的训练,最后得到的是稳定的权重矩阵。
所述步骤S5具体为:
对噪声进行分类时,将采集到的超声检测数据切割成时序长度与训练数据时序长度相同,将切割好后的数据输入到训练好的一维卷积模型中进行分类输出,输出编码结果,对应不同的合金组织分类。实现合金组织的超声检测分类。
本发明的有益效果是:本发明利用超声检测系统采集合金组织超声检测数据,利用噪声水平和合金组织金相观察结果作为标签数据,将合金组织超声检测噪声数据添加标签数据进行监督学习,利用训练好的网络模型实现对合金组织的识别分类。本发明同现有技术相比优点在于:具有对被检合金无损检测、分类效率高、检测精度好、特征自动提取等优点。基于深度学习技术实现利用超声检测对合金组织进行端到端的分类,无需进行人工特征工程和制作特征曲线的过程。已训练好的实现分类模型的计算复杂度低,计算量小,能在嵌入式平台上实时运行,从而具有直接的应用价值。
附图说明
为了更清楚地说明本发明实施的技术方案,下面将对本发明的实例中需要使用的附图作简单的解释。显而易见,下面所描述的附图仅仅是本发明的一些实施例,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是基于深度学习的合金组织超声检测分类方法流程示意图;
图2是合金组织金相观察流程示意图;
图3是超声数据处理流程示意图;
图4是利用一维卷积网络进行训练学习流程示意图。
具体实施方式
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的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域的普通技术人员在没有做出创造性劳动的前提下,所获得的所有其他实施例,都属于本发明保护的范围。
下面将详细描述本发明实施例的各个方面的特征。在下面的详细描述中,提出了许多具体的细节,以便对本发明的全面理解。但是,对于本领域的普通技术人员来说,很明显的是,本发明也可以在不需要这些具体细节的情况下就可以实施。下面对实施例的描述仅仅是为了通过示出本发明的示例对本发明更好的理解。本发明不限于下面所提供的任何具体设置和方法,而是覆盖了不脱离本发明精神的前提下所覆盖的所有的产品结构、方法的任何改进、替换等。
在各个附图和下面的描述中,没有示出公知的结构和技术,以避免对本发明造成不必要的模糊。如图1所示为本发明方法的流程示意图,包含以下步骤:
S1、超声数据采集:
采用10MHz超声波探头,对合金组织进行C扫描;
记录采集噪声信号水平变化和底波损失情况的C扫描图像;
记录噪声C扫描图像所对应的全波信号数据。
S2、合金组织金相观察:
结合图2所示合金组织金相观察的流程示意图,
金相观察区域的选取:根据噪声水平和底波信号损失的不同得到超声信号差异表,如表1所示,表中底波信号损失值通过将合金组织处底波信号最大处调至80%得出;选定与数据相对应的合金组织区域用于进行金相观察;
表1
区域 | 噪声最大值 | 噪声平均值 | 底波损失值 |
区域1 | 8% | 5% | 60% |
区域2 | 15% | 10% | 40% |
区域3 | 15% | 5% | 60% |
区域4 | 5% | 3% | 80% |
对选定的区域进行金相观察:观察所选定试块区域的金相,记录试块晶粒度、相的形状、相的分布组织特征;
对选定区域进行编号标记:根据金相观察结果,对所选定区域进行进行编号标记。
S3、超声数据处理:
如图4所示为超声数据处理流程示意图,
将所述超声检测噪声样本数据按照时序转化为一维张量。
对超声检测噪声数据进行标签标注:根据选取指定区域的编号标记对所述一维张量添加分类标签;所述分类标签通过编号标记转化得出;
采用数据生成器从完成标签标注的超声检测噪声数据集进行随机打乱,从中抽取确定批量的数据,根据分类标签的长度对数据进行拆分,从而实现对完成标签标注的超声检测噪声数据进行处理。
S4、建立一维卷积网络对标注好的超声噪声数据进行训练学习:
结合图4所示流程图,
将输入的超声检测噪声数据进行规范化处理,将超声数据值统一直接提高10倍,得到规范化超声检测噪声数据;
将一维卷积层进行多层叠加,作为特征提取层,对输入的数据利用权重矩阵提取特征,通过激活函数非线性化映射得到特征张量;
添加最大池化层或平均池化层,对通过一维卷积层得到的特征张量进行池化处理;
最后利用softmax分类器进行分类;分类器给出一个位数和合金组织分类数目相同的矢量,其中矢量的每一位分别对应不同的合金组织分类的结果概率。将实际概率与真实值之间的误差进行反向传播来修正权重,进行大量带标签的训练,最后得到的是稳定的权重矩阵。
S5、经过训练后的网络根据输入的超声噪声数据,输出合金组织分类概率:
对需要进行分类的合金组织超声噪声进行分类时,将采集到的超声检测数据切割成时序长度与训练数据时序长度相同,使得输入数据维度与模型输入端口的维度相同,将切割好后的数据输入到训练好的一维卷积模型中进行分类输出,输出编码结果,对应不同的合金组织分类,实现合金组织的超声检测分类。
最后应该说明的是:以上实施例仅用以说明本发明的技术方案,但本发明的保护范围并不局限于此,任何熟悉本领域的技术人员在本发明揭露的技术范围内,可以轻易想到各种等效的修改或者替换,这些修改或者替换都应该涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的合金组织超声检测分类方法,其特征在于:所述的合金组织超声检测分类方法包括以下步骤:
S1:超声数据采集:记录合金组织的全波信号数据;
S2:合金组织金相观察:根据噪声水平和底波信号损失的不同选定用于进行金相观察的区域;
S3:超声数据处理:根据合金组织特征对选定区域进行进行编号标记,对选定区域对应的数据进行标签标注;
S4:建立一维卷积网络对标注好的超声噪声数据进行训练学习;
S5:经过训练后的网络根据输入的超声噪声数据,输出合金组织分类概率。
2.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述步骤S1具体为:
S101:对合金组织进行C扫描;
S102:记录采集噪声信号和底波损失的C扫描图像;
S103:记录噪声C扫描图像所对应的全波信号数据。
3.根据权利要求2所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述步骤S101利用超声全波扫描系统进行C扫描。
4.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述步骤S2具体为:
S201:金相观察区域的选取:根据噪声水平和底波信号损失的不同,选定用于进行金相观察的区域;
S202:对选定的区域进行金相观察:观察所选定试块区域的金相,记录试块晶粒度、相的形状、相的分布组织特征;
S203:对选定区域进行编号标记:根据金相观察结果,对所选定区域进行进行编号标记。
5.根据权利要求4所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述的噪声水平通过各个扫查点噪声信号平均值以及计算噪声信号最大值得出。
6.根据权利要求4所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述的底波信号损失通过将合金组织处底波信号最大处调至60%-90%得出。
7.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述步骤S3具体为:
S301:将所述超声检测噪声样本数据按照时序转化为一维张量;
S302:对超声检测噪声数据进行标签标注:根据选取指定区域的编号标记对所述一维张量添加分类标签;
所述分类标签通过编号标记转化得出;
S303:采用数据生成器对完成标签标注的超声检测噪声数据进行处理。
8.根据权利要求7所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述数据生成器进行如下处理过程:对数据进行随机化、批处理、拆分。
9.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述步骤S4具体为:
S401:将输入的超声检测噪声数据进行规范化处理,得到规范化超声检测噪声数据;
S402:将一维卷积层进行多层叠加,作为特征提取层,对输入的数据利用权重矩阵提取特征,通过激活函数非线性化映射得到特征张量;
S403:添加最大池化层或平均池化层,对通过一维卷积层得到的特征张量进行池化处理;
S404:最后利用softmax分类器进行分类;分类器给出一个位数和合金组织分类数目相同的矢量,其中矢量的每一位分别对应不同的合金组织分类的结果概率。
10.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法,其特征在于:所述步骤S5具体为:
对噪声进行分类时,将采集到的超声检测数据切割成时序长度与训练数据时序长度相同,将切割好后的数据输入到训练好的一维卷积模型中进行分类输出,输出编码结果,对应不同的合金组织分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910939191.0A CN110702792B (zh) | 2019-09-29 | 2019-09-29 | 一种基于深度学习的合金组织超声检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910939191.0A CN110702792B (zh) | 2019-09-29 | 2019-09-29 | 一种基于深度学习的合金组织超声检测分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110702792A true CN110702792A (zh) | 2020-01-17 |
CN110702792B CN110702792B (zh) | 2023-02-10 |
Family
ID=69197932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910939191.0A Active CN110702792B (zh) | 2019-09-29 | 2019-09-29 | 一种基于深度学习的合金组织超声检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110702792B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965183A (zh) * | 2020-08-17 | 2020-11-20 | 沈阳飞机工业(集团)有限公司 | 基于深度学习的钛合金显微组织检测方法 |
CN113192056A (zh) * | 2021-05-21 | 2021-07-30 | 北京市商汤科技开发有限公司 | 图像检测方法和相关装置、设备、存储介质 |
CN114324580A (zh) * | 2021-12-03 | 2022-04-12 | 西安交通大学 | 一种结构缺陷的智能敲击检测方法及系统 |
CN115758223A (zh) * | 2022-12-05 | 2023-03-07 | 重庆邮电大学 | 一种智能数据噪声筛选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565189A (zh) * | 2011-12-26 | 2012-07-11 | 昆山全亚冠环保科技有限公司 | 金属材料金相的超声波检测方法 |
CN106248801A (zh) * | 2016-09-06 | 2016-12-21 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN110274960A (zh) * | 2019-08-02 | 2019-09-24 | 大唐锅炉压力容器检验中心有限公司 | 一种基于非线性超声的钢管显微组织评估方法及装置 |
-
2019
- 2019-09-29 CN CN201910939191.0A patent/CN110702792B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565189A (zh) * | 2011-12-26 | 2012-07-11 | 昆山全亚冠环保科技有限公司 | 金属材料金相的超声波检测方法 |
CN106248801A (zh) * | 2016-09-06 | 2016-12-21 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN110274960A (zh) * | 2019-08-02 | 2019-09-24 | 大唐锅炉压力容器检验中心有限公司 | 一种基于非线性超声的钢管显微组织评估方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965183A (zh) * | 2020-08-17 | 2020-11-20 | 沈阳飞机工业(集团)有限公司 | 基于深度学习的钛合金显微组织检测方法 |
CN113192056A (zh) * | 2021-05-21 | 2021-07-30 | 北京市商汤科技开发有限公司 | 图像检测方法和相关装置、设备、存储介质 |
CN114324580A (zh) * | 2021-12-03 | 2022-04-12 | 西安交通大学 | 一种结构缺陷的智能敲击检测方法及系统 |
CN115758223A (zh) * | 2022-12-05 | 2023-03-07 | 重庆邮电大学 | 一种智能数据噪声筛选方法 |
CN115758223B (zh) * | 2022-12-05 | 2023-10-27 | 千一禾盛(北京)科技有限公司 | 一种智能数据噪声筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110702792B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110702792B (zh) | 一种基于深度学习的合金组织超声检测分类方法 | |
Garcia Marquez et al. | A new approach for fault detection, location and diagnosis by ultrasonic testing | |
Godin et al. | Challenges and limitations in the identification of acoustic emission signature of damage mechanisms in composites materials | |
Oliveira et al. | Ultrasound-based identification of damage in wind turbine blades using novelty detection | |
CN101451977B (zh) | 一种基于双元压电传感阵列和时间窗函数的无基准Lamb波损伤监测方法 | |
Ai et al. | Developing a heterogeneous ensemble learning framework to evaluate Alkali-silica reaction damage in concrete using acoustic emission signals | |
CN109490861B (zh) | 一种高炉料线提取方法 | |
CN104634872A (zh) | 高铁钢轨伤损在线监测方法 | |
CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
WO2021109577A1 (zh) | 一种超声检测方法及装置 | |
Hu et al. | Weld defect classification using 1-D LBP feature extraction of ultrasonic signals | |
CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
Tang et al. | Seabed mixed sediment classification with multi-beam echo sounder backscatter data in Jiaozhou Bay | |
CN112014471B (zh) | 一种基于虚拟传感器的板结构多模态兰姆波拓扑梯度成像方法 | |
CN104749249B (zh) | 一种基于超声波技术的检测种子净度的方法 | |
Ding et al. | Acoustic-signal-based damage detection of wind turbine blades—A review | |
Zhang et al. | Ultrasonic lamination defects detection of carbon fiber composite plates based on multilevel LSTM | |
CN112816557B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN107064304A (zh) | 一种水果结构无损检测装置及方法 | |
CN116773654A (zh) | 一种基于周向导波的管道缺陷智能检测装置及检测方法 | |
Zhang et al. | Slight crack identification of cottonseed using air-coupled ultrasound with sound to image encoding | |
Zhu et al. | Wind turbine blade defect detection based on acoustic features and small sample size | |
Teng et al. | Evaluation of cracks in metallic material using a self-organized data-driven model of acoustic echo-signal | |
Li et al. | A new probabilistic ellipse imaging method based on adaptive signal truncation for ultrasonic guided wave defect localization on pressure vessels | |
Jiao et al. | A novel ensemble model on defects identification in aero-engine blade |
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 |