CN112083068A - 一种非均匀介质组织均匀性超声无损表征方法 - Google Patents
一种非均匀介质组织均匀性超声无损表征方法 Download PDFInfo
- Publication number
- CN112083068A CN112083068A CN202010944265.2A CN202010944265A CN112083068A CN 112083068 A CN112083068 A CN 112083068A CN 202010944265 A CN202010944265 A CN 202010944265A CN 112083068 A CN112083068 A CN 112083068A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- sample
- uniformity
- tissue
- tissue uniformity
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- 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
- G01N29/449—Statistical methods not provided for in G01N29/4409, e.g. averaging, smoothing and interpolation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
一种非均匀介质组织均匀性超声无损表征方法,属于材料超声无损检测与评价技术领域。这种非均匀介质组织均匀性超声无损表征方法针对非均匀介质组织均匀性超声无损表征过程中多相、非均质、散射体形貌不规则、尺寸变化范围大导致超声波散射机制复杂、组织均匀性信息难以有效解耦的问题,采用超声脉冲回波技术,结合小波变换多尺度分析和支持向量回归机器学习算法对非均匀介质组织均匀性进行无损表征。该表征方法具有易于实现、鲁棒性强、表征精度高等优点,克服了传统拟合法和正则化方法难以处理物理机制复杂的非线性和不适定问题的局限性,具有良好的推广及应用前景。
Description
技术领域
本发明涉及一种非均匀介质组织均匀性超声无损表征方法,属于材料超声无损检测与评价技术领域。
背景技术
目前,非均匀介质组织均匀性的评价主要采用破坏性检测方式,包括压汞法、金相法、扫描电镜、电子探针及X射线衍射分析等。此类方法虽然直观,但属于有损测试手段,且局部微观情况难以反映非均匀介质整体的组织均匀程度。与传统的破坏性检测方式不同,无损检测技术能够在不损伤被检对象结构完整性和使用性能的前提下,利用材料内部组分含量或结构异常引起的声、热、光、电、磁等响应特性变化,对材料成份、组织结构、力学性能、弥散的不连续性和缺陷群等重要特征做出判断和评价。
材料科学中,用于表征组织均匀性的参数很多。对于异质相尺寸较小的非均匀介质,可将异质相视为质点,利用固定区域内的平均粒子数表征介质的分布均匀程度。对于异质相尺寸较大、形貌规则、尺寸分布较为集中的非均匀介质,可将异质相视为等尺寸的规则几何体,使用概率密度函数表征其分布均匀性。但对于一些多相、异质相形貌不规则、尺寸分布变化范围大的非均匀介质,上述参数很难精确反映其组织分布均匀性。
超声检测技术具有灵敏度高、检测速度快、成本低和对人体无害等优点,已成为应用最为广泛的无损检测技术之一。从超声特征参量提取和参数反演的角度看,非均匀介质组织均匀性超声无损表征中存在的问题和挑战主要体现在以下两方面:一是超声波在非均匀介质中传播时,组成相弹性特性和尺寸分布上的差异导致超声波在不同频带范围内多种散射机制并存,其衰减特性在频域内表现出明显的非线性和“多尺度效应”,常用的时域或频域分析技术很难实现目标信息的有效解耦;二是由于受到组成相的不规则形貌及其相互作用的影响,超声信号中耦合了大量与孔隙率和组织均匀性无关的干扰因素,采用传统的拟合法或正则化方法难以进行精确求解。因此,必须另辟蹊径,探索更为有效的非均匀介质组织均匀性超声反演策略。
作为一类前沿的非线性问题求解方案,机器学习方法能够在缺少先验知识的情况下通过学习或训练自动总结出数据间隐含的函数或映射关系,非常适合处理物理机制复杂的非线性反演问题。此外,对于多数非均匀介质,实验中很难获得组织均匀性精准可控的系列样品,缺少开展大规模精确定量标定和超声实验测试的条件,样本数目有限。基于统计学习理论和结构风险最小化原则的支持向量回归机器学习算法在处理小样本数据非线性反演问题中具有明显的优势,利用支持向量回归进行非均匀介质组织均匀性表征是一个不错的选择。
发明内容
本发明的目的是提供一种非均匀介质组织均匀性超声无损表征方法。该方法采用一套包括超声探伤仪、水浸聚焦探头、数字示波器、三维精密运动装置以及计算机构成的超声脉冲回波检测系统。针对非均匀介质组织均匀性超声无损表征过程中多相、非均质、散射体形貌不规则、尺寸变化范围大导致超声波散射机制复杂、组织均匀性信息难以有效解耦的问题,采用超声脉冲回波技术,结合小波变换多尺度分析和支持向量回归机器学习算法对非均匀介质组织均匀性进行无损表征。针对一些多相、异质相形貌不规则、尺寸分布变化范围大的非均匀介质,传统方法很难精确反映其组织分布均匀性的问题,本发明定义了一个描述非均匀介质组织均匀性的统计学评价指标—分布均匀性长度F,其在数值上等于非均匀介质的自相关长度,同一组分下,F越大,表示介质的组织均匀性越差。
本发明为解决现有技术中存在的技术问题所采用的技术方案是:一种非均匀介质组织均匀性超声无损表征方法,其特征是:该方法采用一套包括超声探伤仪、水浸超声探头、数字示波器、三维精密运动装置和计算机的超声脉冲回波检测系统,并采用以下步骤:
a)试样表面处理,使用细砂纸对非均匀介质试样表面进行适当打磨,确保试样表面平整,使用无水乙醇清除试样表面存在的油污或有机溶剂污染物;
b)组织均匀性定义和标定,为对非均匀介质组织均匀性进行量化标定,定义分布均匀性长度F作为描述非均匀介质组织均匀性的统计学评价指标,同一组分含量下,F越大,表示介质的组织均匀性越差,假设非均匀介质的自相关长度a和b近似相等:
F=a=b (1)
采用扫描电子显微镜或显微CT分析技术获得试样的显微图像,利用数字图像处理技术对试样组织均匀性进行统计和标定,进而得到试样的分布均匀性长度标定值F;
c)超声探头选取,根据被测非均匀介质厚度、声衰减特性及对检测精度的要求选取合适的水浸超声探头,对于厚度薄、声衰减小、检测精度要求高的非均匀介质,选用高频探头提高表征精度;对厚度大、声衰减严重的非均匀介质,选用低频探头,避免高频衰减严重导致的回波信号无法识别;
d)检测参数设置,设置超声探伤仪的脉冲重复频率、能量、增益和滤波器带宽;
e)超声信号采集,依照步骤a-d完成试样表面处理、组织分布均匀性长度标定、水浸超声探头选取和检测参数设置后,控制三维精密运动装置,保证被测试样在厚度方向上完全处于探头聚焦区内,调整数字示波器增益、检波方式、平均次数、采样频率参数,获得完整、稳定的时域回波信号;
f)小波变换多尺度分析,将数字示波器采集到的时域信号导入计算机中,对其进行截断得到试样的表面回波x(t)和一次底面回波y(t),选定小波基函数分别对x(t)及y(t)进行连续小波变换,得到试样表面和一次底面回波的小波系数X(L,S)和Y(L,S):
式中,为小波基函数ψ(L,S)(t)的复共轭,L为尺度因子,S为平移因子,连续小波变换中尺度因子L取连续的正整数,共计分解M层,小波系数矩阵中第i行为信号在尺度Li下的小波分量,则脉冲回波信号在尺度Li下的衰减系数可以表示为:
式中,d1为试样厚度;
g)支持向量回归SVR机器学习模型,首先引入ε线性不敏感损失函数:
式中,惩罚参数C表示回归方程在复杂度与容许偏离量间的折衷,ε为不敏感损失函数参数,表示对求解误差的容忍度,表示非线性映射函数,w和μ为待求参数,Fi为第i个位置处的分布均匀性长度,ξi和ξi *为大于等于0的松弛变量;
引入Lagrange方程,上述规划问题可转化为公式(7)的对偶二次规划问题:
式中,K(αi,αj)为将输入空间隐含地映射到高维线性可分特征空间的核函数,αi和αj分别为支持向量机中第i个和第j个支持向量;
由此,得到非均匀介质分布均匀性长度预测的SVR机器学习模型:
采用粒子群优化算法进行全局优选,得到全局最优超参数{C,ε},用于SVR模型训练及组织均匀性预测。
本发明的效果和益处是:这种非均匀介质组织均匀性超声无损表征方法采用一套包括超声探伤仪、水浸超声探头、数字示波器、三维精密运动装置和计算机的超声脉冲回波检测系统。针对非均匀介质组织均匀性超声无损表征过程中多相、非均质、散射体形貌不规则、尺寸变化范围大导致超声波散射机制复杂、组织均匀性信息难以有效解耦的问题,采用超声脉冲回波技术,结合小波变换多尺度分析和支持向量回归机器学习算法对非均匀介质组织均匀性进行无损表征。该表征方法具有易于实现、鲁棒性强、表征精度高等优点,克服了传统拟合法和正则化方法难以处理物理机制复杂的非线性和不适定问题的局限性,具有良好的推广及应用前景。
附图说明
图1是超声脉冲回波检测系统的硬件连接示意图。
图2是图1中AlSi-polyester封严涂层的分布均匀性长度显微CT标定值。
图3是Olympus 5MHz水浸聚焦探头激励信号时域波形及其对应的幅度谱图。
图4是涂层时域回波信号A(t)及其截断过程图。
图5是db8小波基函数及涂层多尺度超声衰减系数谱图。
图6是SVR机器学习模型的预测结果图。
图中:1、三维精密运动装置,2、超声探伤仪,3、数字示波器,4、水浸聚焦探头,5、AlSi-polyester封严涂层,6、计算机。
图中:1、三维精密运动装置,2、超声探伤仪,3、数字示波器,4、水浸聚焦探头,5、AlSi-polyester封严涂层,6、计算机。
具体实施方式
下面结合附图和实施例对本发明专利作进一步说明。
本实施例中的实验样品为AlSi-polyester封严涂层试样5,这种非均匀介质组织均匀性超声无损表征方法使用由超声探伤仪2、水浸超声探头4、数字示波器3、三维精密运动装置1以及计算机6组成的超声脉冲回波检测系统(如图1所示),水浸超声探头4电连接三维精密运动装置1、超声探伤仪2和AlSi-polyester封严涂层5,三维精密运动装置1和超声探伤仪2电连接数字示波器3,数字示波器3电连接计算机6。该方法采用下列步骤:
a)试样表面处理:使用1000#的水磨细砂纸对涂层试样表面粗糙度较大的位置进行适当打磨,确保试样表面平整,使用无水乙醇对被测涂层试样表面进行处理,清除试样表面存在的油污和有机溶剂污染物。
b)组织均匀性定义和标定:从统计学的角度上看,非均匀介质主要由大、小两种尺度的非均匀性组成,大尺度非均匀性用一阶统计量—均值来表征,描述介质物性参数的平均特性,小尺度非均匀性用二阶统计量—自相关函数和标准差等来表征,用于描述施加于平均特性上的随机扰动,以二维非均匀介质为例,在空间坐标点(x,z)处的密度ρ(x,z)可表示为大尺度非均匀介质背景与小尺度随机扰动的叠加:
ρ(x,z)=ρ0(x,z)+σρ(x,z) (1)
式中,ρ0(x,z)为非均匀介质的平均密度,对于空间平稳随机过程,假设其为常值函数;x与z分别为二维直角坐标系中水平与竖直方向坐标,σρ(x,z)为施加于ρ0(x,z)上的小尺度非均匀随机扰动,在二阶平稳假设下σρ(x,z)可以分解为如下形式:
σρ(x,z)=δρ(x,z)·f(x,z) (2)
式中,δρ(x,z)对应密度变化的标准差,f(x,z)为均值为零、标准差为1的二维随机序列,其空间分布特征服从二维空间自相关函数R(x,z),R(x,z)描述了空间两点间物性参数的相关程度,常用的高斯-指数混合型椭圆自相关函数定义如下:
式中,a和b分别为随机介质的自相关长度,描述了随机介质非均匀异常的平均尺度,即介质的均匀性,r为混合型自相关函数的粗糙度因子,决定随机介质边界的粗糙程度,取向角θ表示自相关长度a、b方向与x轴、z轴间的夹角。
为对非均匀介质组织均匀性进行量化标定,定义分布均匀性长度F作为描述非均匀介质组织均匀性的统计学评价指标,同一组分含量下,F越大,表示介质的组织均匀性越差,假设非均匀介质的自相关长度a和b近似相等:
F=a=b (4)
采用显微CT技术获得试样的显微图像,利用数字图像处理技术对试样组织均匀性进行统计和标定,得到图2所示涂层试样在39个不同位置处的分布均匀性长度F标定值;
c)超声探头选取:根据被测非均匀介质厚度、声衰减特性及对检测精度的要求选取合适的水浸聚焦探头,对于厚度薄、声衰减小、检测精度要求高的非均匀介质,选用高频探头提高表征精度。对厚度大、声衰减严重的非均匀介质,选用低频探头,避免高频衰减严重导致的回波信号无法识别。由于AlSi-polyester封严涂层的声衰减较为严重,本实施例选用Olympus 5MHz水浸聚焦探头进行信号采集。探头发出的激励信号时域波形及其对应的幅度谱如图3所示。
d)检测参数设置:在USIP40超声探伤仪上设置激励信号的脉冲重复频率:500Hz、能量:10μJ、增益:20dB、滤波器带宽:0-10MHz。
e)超声信号采集:依照步骤a-d完成试样表面进行处理、水浸聚焦探头选取和检测参数设置后,控制三维精密运动装置,保证被测涂层试样在厚度方向上完全处于探头聚焦区内,调整数字示波器增益、检波方式、平均次数、采样频率参数,获得图4所示的时域回波信号A(t)。
f)小波变换多尺度分析:将数字示波器采集到的时域信号导入计算机中,对其进行截断得到涂层试样的表面回波x(t)和一次底面回波y(t),选定db8小波基函数(如图5中图a所示)分别对x(t)及y(t)进行连续小波变换,得到试样表面和一次底面回波的小波系数X(L,S)和Y(L,S):
式中,为小波函数ψ(L,S)(t)的复共轭,L为尺度因子,S为平移因子。连续小波变换中尺度因子L取11-310间连续的正整数,共计分解300层。小波系数矩阵中第i(i=1,2,…,300)行为信号在尺度Li下的小波分量,则脉冲回波信号在尺度Li下的衰减系数可以表示为:
式中,d1=1mm为涂层试样厚度。由此,即可得到涂层试样的多尺度超声衰减系数谱(如图5中图b所示)。
g)支持向量回归(Support Vector Regression,SVR)机器学习模型:
首先引入ε线性不敏感损失函数:
引入Lagrange方程,上述规划问题可转化为公式(7)的对偶二次规划问题:
式中,K(αi,αj)为将输入空间隐含地映射到高维线性可分特征空间的核函数;
由此,得到非均匀介质分布均匀性长度预测的SVR机器学习模型:
在39组数据中抽取80%(31组)作为训练集,余下的20%(8组)作为验证集。首先,采用粒子群优化算法对SVR模型参数进行优选,经过41次迭代和5-fold交互检验后,粒子的种群适应度收敛到最小,此时的SVR最优超参数{C,ε}为{351,0.187}。利用粒子群优化算法优选的超参数进行SVR模型训练和验证,图6给出了训练集和验证集的统计学量化评价指标,二者的决定系数R2分别为0.966和0.834,均方误差MSE分别为0.526和0.824,模型预测值与显微CT标定值间具有较好的一致性。
本发明提出的表征方法具有易于实现、鲁棒性强、表征精度高等优点,克服了传统拟合法和正则化方法难以处理物理机制复杂的非线性和不适定问题的局限性,具有良好的推广及应用前景。
Claims (1)
1.一种非均匀介质组织均匀性超声无损表征方法,其特征是:该方法采用一套包括超声探伤仪、水浸超声探头、数字示波器、三维精密运动装置和计算机的超声脉冲回波检测系统,并采用以下步骤:
a)试样表面处理,使用细砂纸对非均匀介质试样表面进行适当打磨,确保试样表面平整,使用无水乙醇清除试样表面存在的油污或有机溶剂污染物;
b)组织均匀性定义和标定,为对非均匀介质组织均匀性进行量化标定,定义分布均匀性长度F作为描述非均匀介质组织均匀性的统计学评价指标,同一组分含量下,F越大,表示介质的组织均匀性越差,假设非均匀介质的自相关长度a和b近似相等:
F=a=b (1)
采用扫描电子显微镜或显微CT分析技术获得试样的显微图像,利用数字图像处理技术对试样组织均匀性进行统计和标定,进而得到试样的分布均匀性长度标定值F;
c)超声探头选取,根据被测非均匀介质厚度、声衰减特性及对检测精度的要求选取合适的水浸超声探头,对于厚度薄、声衰减小、检测精度要求高的非均匀介质,选用高频探头提高表征精度;对厚度大、声衰减严重的非均匀介质,选用低频探头,避免高频衰减严重导致的回波信号无法识别;
d)检测参数设置,设置超声探伤仪的脉冲重复频率、能量、增益和滤波器带宽;
e)超声信号采集,依照步骤a-d完成试样表面处理、组织分布均匀性长度标定、水浸超声探头选取和检测参数设置后,控制三维精密运动装置,保证被测试样在厚度方向上完全处于探头聚焦区内,调整数字示波器增益、检波方式、平均次数、采样频率参数,获得完整、稳定的时域回波信号;
f)小波变换多尺度分析,将数字示波器采集到的时域信号导入计算机中,对其进行截断得到试样的表面回波x(t)和一次底面回波y(t),选定小波基函数分别对x(t)及y(t)进行连续小波变换,得到试样表面和一次底面回波的小波系数X(L,S)和Y(L,S):
式中,为小波基函数ψ(L,S)(t)的复共轭,L为尺度因子,S为平移因子,连续小波变换中尺度因子L取连续的正整数,共计分解M层,小波系数矩阵中第i行为信号在尺度Li下的小波分量,则脉冲回波信号在尺度Li下的衰减系数可以表示为:
式中,d1为试样厚度;
g)支持向量回归SVR机器学习模型,首先引入ε线性不敏感损失函数:
式中,惩罚参数C表示回归方程在复杂度与容许偏离量间的折衷,ε为不敏感损失函数参数,表示对求解误差的容忍度,表示非线性映射函数,w和μ为待求参数,Fi为第i个位置处的分布均匀性长度,ξi和ξi *为大于等于0的松弛变量;
引入Lagrange方程,上述规划问题可转化为公式(7)的对偶二次规划问题:
式中,K(αi,αj)为将输入空间隐含地映射到高维线性可分特征空间的核函数,αi和αj分别为支持向量机中第i个和第j个支持向量;
由此,得到非均匀介质分布均匀性长度预测的SVR机器学习模型:
采用粒子群优化算法进行全局优选,得到全局最优超参数{C,ε},用于SVR模型训练及组织均匀性预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944265.2A CN112083068B (zh) | 2020-09-10 | 2020-09-10 | 一种非均匀介质组织均匀性超声无损表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944265.2A CN112083068B (zh) | 2020-09-10 | 2020-09-10 | 一种非均匀介质组织均匀性超声无损表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112083068A true CN112083068A (zh) | 2020-12-15 |
CN112083068B CN112083068B (zh) | 2021-07-30 |
Family
ID=73731740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010944265.2A Active CN112083068B (zh) | 2020-09-10 | 2020-09-10 | 一种非均匀介质组织均匀性超声无损表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112083068B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112346105A (zh) * | 2020-11-06 | 2021-02-09 | 国家卫生健康委职业安全卫生研究中心(国家卫生健康委煤炭工业职业医学研究中心) | 基于ct技术的带电粒子的入射能量确定方法和装置 |
CN113219053A (zh) * | 2021-04-21 | 2021-08-06 | 大连理工大学 | 一种涂层表界面完整性参数的灵敏度矩阵超声反演方法 |
CN113537718A (zh) * | 2021-06-18 | 2021-10-22 | 宝钢日铁汽车板有限公司 | 一种冷轧涂油机钢带漏涂质量自动化评价方法 |
CN113804766A (zh) * | 2021-09-15 | 2021-12-17 | 大连理工大学 | 一种基于svr的非均质材料组织均匀性多参数超声表征方法 |
CN114720564A (zh) * | 2022-06-08 | 2022-07-08 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于超声横波的结构表面减薄缺陷起始点定位方法、设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122585A (zh) * | 2007-09-12 | 2008-02-13 | 天津大学 | 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法 |
CN101158617A (zh) * | 2007-11-16 | 2008-04-09 | 北京航空航天大学 | 一种基于小波变换和支持向量机的涡结构识别方法 |
CN101421610A (zh) * | 2006-01-27 | 2009-04-29 | 弗劳恩霍弗应用技术研究院 | 具有至少一个声学各向异性材料区域的测试体的无损测试方法 |
CN102012401A (zh) * | 2010-06-04 | 2011-04-13 | 南京理工大学 | 固体材料非均匀性质的无损检测方法 |
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
CN103163139A (zh) * | 2011-12-14 | 2013-06-19 | 江南大学 | 基于小波变换的机织物中纱线均匀性检测方法 |
WO2013139321A1 (de) * | 2012-03-22 | 2013-09-26 | Salzgitter Mannesmann Grossrohr Gmbh | Verfahren zur herstellung geschweisster rohre aus stahl |
CN103776901A (zh) * | 2013-12-30 | 2014-05-07 | 西安交通大学 | 基于振动响应信息的粘弹夹层结构老化状态识别方法 |
CN104707871A (zh) * | 2015-03-16 | 2015-06-17 | 浙江大学 | 基于激光超声的板材厚度在线检测及调整系统 |
CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的淋巴结良恶性病变辅助诊断方法 |
-
2020
- 2020-09-10 CN CN202010944265.2A patent/CN112083068B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101421610A (zh) * | 2006-01-27 | 2009-04-29 | 弗劳恩霍弗应用技术研究院 | 具有至少一个声学各向异性材料区域的测试体的无损测试方法 |
CN101122585A (zh) * | 2007-09-12 | 2008-02-13 | 天津大学 | 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法 |
CN101158617A (zh) * | 2007-11-16 | 2008-04-09 | 北京航空航天大学 | 一种基于小波变换和支持向量机的涡结构识别方法 |
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
CN102012401A (zh) * | 2010-06-04 | 2011-04-13 | 南京理工大学 | 固体材料非均匀性质的无损检测方法 |
CN103163139A (zh) * | 2011-12-14 | 2013-06-19 | 江南大学 | 基于小波变换的机织物中纱线均匀性检测方法 |
WO2013139321A1 (de) * | 2012-03-22 | 2013-09-26 | Salzgitter Mannesmann Grossrohr Gmbh | Verfahren zur herstellung geschweisster rohre aus stahl |
CN103776901A (zh) * | 2013-12-30 | 2014-05-07 | 西安交通大学 | 基于振动响应信息的粘弹夹层结构老化状态识别方法 |
CN104707871A (zh) * | 2015-03-16 | 2015-06-17 | 浙江大学 | 基于激光超声的板材厚度在线检测及调整系统 |
CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的淋巴结良恶性病变辅助诊断方法 |
Non-Patent Citations (2)
Title |
---|
SALIM LAHMIRI 等: "Hybrid Discrete Wavelet Transform and Gabor Filter Banks Processing for Features Extraction from Biomedical Images", 《JOURNAL OF MEDICAL ENGINEERING》 * |
李灿苹 等: "利用小波变换分析随机一均匀介质尺度特征", 《现代地质》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112346105A (zh) * | 2020-11-06 | 2021-02-09 | 国家卫生健康委职业安全卫生研究中心(国家卫生健康委煤炭工业职业医学研究中心) | 基于ct技术的带电粒子的入射能量确定方法和装置 |
CN113219053A (zh) * | 2021-04-21 | 2021-08-06 | 大连理工大学 | 一种涂层表界面完整性参数的灵敏度矩阵超声反演方法 |
CN113219053B (zh) * | 2021-04-21 | 2022-05-13 | 大连理工大学 | 一种涂层表界面完整性参数的灵敏度矩阵超声反演方法 |
CN113537718A (zh) * | 2021-06-18 | 2021-10-22 | 宝钢日铁汽车板有限公司 | 一种冷轧涂油机钢带漏涂质量自动化评价方法 |
CN113804766A (zh) * | 2021-09-15 | 2021-12-17 | 大连理工大学 | 一种基于svr的非均质材料组织均匀性多参数超声表征方法 |
CN113804766B (zh) * | 2021-09-15 | 2022-08-16 | 大连理工大学 | 一种基于svr的非均质材料组织均匀性多参数超声表征方法 |
CN114720564A (zh) * | 2022-06-08 | 2022-07-08 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于超声横波的结构表面减薄缺陷起始点定位方法、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112083068B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112083068B (zh) | 一种非均匀介质组织均匀性超声无损表征方法 | |
Tu et al. | Neural network-based hybrid signal processing approach for resolving thin marine protective coating by terahertz pulsed imaging | |
Gao et al. | Smooth nonnegative matrix factorization for defect detection using microwave nondestructive testing and evaluation | |
Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
Sun et al. | Development of frequency-mixed point-focusing shear horizontal guided-wave EMAT for defect inspection using deep neural network | |
Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
CN113804766B (zh) | 一种基于svr的非均质材料组织均匀性多参数超声表征方法 | |
Kubinyi et al. | EMAT noise suppression using information fusion in stationary wavelet packets | |
Bevan et al. | Automated detection and characterisation of defects from multiview ultrasonic imaging | |
Abdessalem et al. | Resolution improvement of ultrasonic signals using sparse deconvolution and variational mode decomposition algorithms | |
Liu et al. | Application and challenges of signal processing techniques for Lamb waves structural integrity evaluation: Part B—Defects imaging and recognition techniques | |
US20090089025A1 (en) | Internal feature determination from field interactions in a complex medium | |
Xie et al. | A microwave time domain reflectometry technique combining the wavelet decomposition analysis and artificial neural network for detection of defects in dielectric structures | |
Xu et al. | Lamb waves decomposition and mode identification using matching pursuit method | |
CN112857730A (zh) | 一种高超声速脉动压力试验数据分析处理方法 | |
CN116522080A (zh) | 局部放电信号降噪方法 | |
Nakahata et al. | Application of a particle filter to flaw identification for ultrasonic nondestructive evaluation: Assimilation of simulated and measured data | |
Laaboubi et al. | Application of the reassignment time–frequency method on an acoustic signals backscattered by an air-filled circular cylindrical shell immersed in water | |
Wertz et al. | Gaussian process regression of chirplet decomposed ultrasonic B-scans of a simulated design case | |
Wang et al. | Full waveform inversion guided wave tomography with a recurrent neural network | |
Mor et al. | A sparse approximation method for ultrasonic monitoring the degradation of adhesive joints | |
Liu et al. | Ultrasonic Phased Array Total Focusing Method of Imaging with Rayleigh Waves Based on Principal Component Analysis | |
CN107907591A (zh) | 多组分固液两相混合物组分浓度的超声检测系统和方法 | |
Grolemund et al. | Statistical moments of backscattered ultrasound in porous fiber reinforced composites | |
Grimes et al. | Robust non-destructive measurement system for extraction of ultrasonic wave parameters using the prism technique |
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 |