CN113052015B - 一种基于稀疏表示的承压界面超声信号分类识别方法 - Google Patents
一种基于稀疏表示的承压界面超声信号分类识别方法 Download PDFInfo
- Publication number
- CN113052015B CN113052015B CN202110257492.2A CN202110257492A CN113052015B CN 113052015 B CN113052015 B CN 113052015B CN 202110257492 A CN202110257492 A CN 202110257492A CN 113052015 B CN113052015 B CN 113052015B
- Authority
- CN
- China
- Prior art keywords
- pressure
- matching
- samples
- atoms
- sparse representation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 22
- 150000001875 compounds Chemical class 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000002131 composite material Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于稀疏表示的承压界面超声信号识别方法，将相同采样长度下界面信号样本划分为训练样本与测试样本两组，其中训练样本用于构造多压力复合字典，测试样本用于验证方法可行性。分别提取测试样本和训练样本包含的匹配原子，作为测试样本匹配原子集与多压力类别训练样本匹配原子集，利用训练样本匹配原子集构建多压力类别复合字典。依次将测试样本结果中每一个匹配原子与复合字典每一压力类别下的全部原子进行比较，搜索并统计具有相同结构的原子信息。本发明提出了一种稀疏表示分类方法，利用同构原子作为识别参量，提高了分类识别效率。
Description
技术领域
本发明属于超声无损检测领域，更具体地，涉及一种基于稀疏表示的承压界面超声信号分类识别方法。
背景技术
因超声波对结构不连续的高敏感性，使得超声波技术成为检测界面接触状态的有效方法。随着外载压力的变化，界面的接触状态也会发生改变，其检测信号的波形特征也存在明显差异。超声检测技术可以即时获取有关界面状态的海量信号数据，通过对数据的统计分析即可对承压界面接触状态进行有效表征与分类。近年来常用的分类识别方法有神经网络、支持向量机等。Virupakshappa K等[1]提出基于频谱特征的支持向量机分类方法，成功实现了钢中缺陷的分类识别。Sambath S等[2]使用小波分解后的时域特征构建神经网络的输入层，建立不同缺陷(裂纹和孔隙)的分类模型，实现了对缺陷信号的分类识别。虽然以上方法取得了较好的分类效果，但是此类方法仍然基于统计理论，受样本数量和特征维数影响较大。
稀疏表示分类(Sparse representation for classification,SRC)方法是近年来兴起的一种模式识别方法，此方法借助稀疏表示理论实现分类问题，对特征选择的以来大大减小。稀疏表示分类在由训练样本构成的字典上将测试样本稀疏化，根据误差最小原则确认测试样本所属类别[3]。任玉宝等[4]利用管道声信号的小波系数构建字典并进行稀疏表示分类，实现了泄露声信号的识别。Lu B等[5]将稀疏表示分类应用到超声影响识别中，实验结果表明该方法从图像中有效识别病灶，且识别准确率高于支持向量机识别方法。
当同类标签的训练样本足够多时，稀疏表示分类方法可以取得理想的识别效果。然而，其不足之处在于，随着训练样本数的减小，不同标签下误差区分度降低，分类效果受到很大影响。国内外学者试图将稀疏表示分类进行优化，在小样本情况下挖掘出更丰富信息。Liu S等[6]引入训练样本近似值的概念，利用样本近似值建立了虚拟训练样本，与实际样本共同组成复合字典，实现了小样本下图像的有效分类。Deng等[7]提出了扩展稀疏分类方法，将测试样本部分信息作为辅助分类特征，解决了训练样本不足时人脸识别精度较低的问题。Yang等[8]提出了伪全空间(由测试样本与训练样本共同组成)表示方法，通过测试样本对训练样本进行补充。田晨曦[9]等对稀疏表示分类方法进行改进，定义了一整套以原子贡献度作为指标的量化评价体系，实现了11种肿瘤的分类识别。万冬燕等[10]将匹配原子波形用于导波缺陷信号识别中，有效区分了焊缝中裂纹/孔洞/无缺陷的信号。
针对传统分类识别方法对数据量及特征维数的过度依赖，本发明提出了一种新型稀疏表示分类识别方法，充分挖掘原子信息，主要体现在一种基于同构原子的稀疏表示分类识别方法。
发明内容
为了解决承压界面超声信号的量化识别问题，本发明内容在于提出一种基于稀疏表示的分类识别方法。利用样本稀疏表示后的匹配原子构造多压力下复合字典，通过比较信号样本与复合字典中的同构原子信息，计算不同压力下原子贡献度，按照贡献度最大的原则对样本进行分类。
本发明提出的基于稀疏表示的超声信号分类识别方法，其基本原理在于：
界面反射信号随压力变化其波形特征发生改变，稀疏表示方法旨在通过超完备字典中的少量原子重构已知信号，获得信号波形的基本特征，实现有效信息的简洁表达。匹配原子描述了波形中局部细节，可以通过比较匹配原子的同构性对信号样本进行有效分类。在稀疏表示中，超完备字典的选择与稀疏模型的求解关乎到方法的有效性，本发明选择Chirplet函数构造超完备字典，其具有与宽频信号相似的波形特征；利用匹配追踪方法对模型进行求解。
Chirplet函数作为超完备字典的构造函数，其由五参数模型得到，通过对函数参数进行调节，可实现原子的伸缩、平移、频率及相位变化，图1给出了具体流程图。
式中g(t)—高斯窗函数，即s为尺度因子，定义函数的能量分布；u为平移因子，确定波形具体位置；v为频率调制因子，确定函数主频；w为相位因子，c为调频因子，负责相位、变频的调节。
在实际操作中，需对时频参数γ进行离散化操作：
γ＝(aj,pajΔu,ka-jΔv,iΔw，a-jΔc) (2)
式中，离散化参数中j、k、p、w与信号采样点数N有关，其中0≤j≤log2 N、0≤k≤2j+1、0≤i≤12、0<p≤2-j+1、a＝2、Δu＝1/2、Δu＝π、Δw＝π/6、Δc＝1。
匹配追踪算法作为经典的贪婪算法，其本质是原子的连续迭代与分解。该算法将原子与信号的内积作为衡量匹配度的依据，以内积最大时对应原子作为此次迭代下的最佳原子，此时内积为对应投影系数。信号的稀疏表示即为多次迭代下最佳原子与投影系数乘积累加值与原信号不断逼近的结果。
设置迭代次数为M，y为界面反射信号。令残差信号ye＝y，迭代次数m＝1，匹配原子集Φ和投影系数c均为空集。在单次迭代中首选寻找最佳匹配原子，原子匹配需满足原子与残差信号的内积最大原则
d(i)＝arg max<ye,D> (3)
式中i—原子在字典中的序号。
提取对应内积值更新投影系数c，提取字典序号对应参数更新稀疏系数Φ
cn＝<ye,d(i)> (4)
Φn＝[d(i),i] (5)
更新残差信号并计算误差
ye＝ye-Φncn (6)
根据迭代终止条件进行判断，若e大于e0，则将最佳原子从字典中剔除，继续下一次迭代；若e小于e0，则迭代结束。输出对应稀疏系数Φ、投影系数c。经稀疏表示后，信号y的重构信号结果为
本发明的分类方法基于两信号的同构原子信息，同构原子指那些形状结构相同的原子。由式(1)可知，若两原子为同构原子，则要求各自时频参数γ中s、v、w、c中4个参数相同。同时，定义距离阈值d，以约束同构原子选择条件。当两原子的平移因子u的差小于距离阈值时，可归为同构原子。若两样本的外载压力相同时，理论上样本间的波形相似性最高，对应稀疏表示结果中同构原子也最多。
搜索测试样本与复合字典每一局部字典集中的相同原子，按照原子贡献度排序，选取贡献度最大对应的压力进行分类。假设Ai为第i组压力下测试样本y的匹配原子信息，其与第k类压力下局部字典Xk的同构原子数IAN可表示为
IANi,k＝||Si,k||0 (9)
式中S—复合字典和测试样本中的同构原子；
i—测试样本所属类别，i＝1,2,…,K；
其中d为距离阈值；
-表示测试样本和k类压力字典对应稀疏系数矩阵
在同构原子数的基础上，融合了测试样本投影系数定义了原子贡献度ACI
式中s—同构原子在测试样本稀疏系数矩阵中对应序号；
—测试样本中同构原子对应投影系数
本发明提出的基于稀疏表示的超声信号分类识别方法，其特征在于，包括以下步骤：
1)信号稀疏表示，提取匹配原子信息。根据信号样本长度，选取Chirplet函数构造超完备字典。利用超完备字典对信号样本进行稀疏表示，在M次迭代下，得到对应匹配原子集Φ和投影系数c，其中匹配原子集Φ＝[j,u,s,w,c]。将二者组合得到匹配原子信息a＝[Φ；c]。
2)复合字典构造。按照压力等级将样本的稀疏表示结果进行归类，每一压力下共L个样本，汇总得到第k(k＝1,2,3,…K)类压力下匹配原子信息矩阵Ak＝[ak1；…；akL]。依此汇总每个压力下匹配原子信息，将K压力类别下匹配原子集组合得到复合字典A＝[A1,A2；…,AK]。
4)选取一未构造复合字典的信号样本，对其进行稀疏表示，提取匹配原子信息ai。选取其中一个匹配原子信息ai,m(m＝1,2,3,…M)，在距离阈值d的前提下，统计其与复合字典单一压力类别下的同构原子IANk。
5)重复步骤4)，分别统计测试样本中M个匹配原子对应的同构原子总数IAN＝[IAN1,…,IANK]。按照压力类别将同构原子进行汇总，根据同构原子数与对应测试样本中匹配原子的投影系数计算原子贡献度ACI，选取原子贡献度最大值对应的压力类别进行分类。
附图说明
图1为超完备字典构造流程图。
图2为匹配追踪算法流程图。
图3为基于同构原子的信号分类识别流程图。
图4为典型时域信号。
图5为分类识别结果图。
图6为本方法的实施流程图。
具体实施方式
以下实施例以本发明技术方案为前提进行实施，给出了具体的实施方案和操作过程，但本发明保护的范围不限于下述的实例。
将相同采样长度下界面信号样本划分为训练样本与测试样本两组，其中训练样本用于构造多压力复合字典，测试样本用于验证方法可行性。
本方法实施过程包括以下步骤：
1、对铝/有机硅薄膜/石墨结构件的界面进行承压检测，其中压力等级共10档，范围为0.25-2.5MPa，共获得4组加卸载检测信号，取第二次卸载下信号作为测试样本，其余三组信号作为训练样本。图4给出了检测信号，其中15-19μs内为界面反射信号，包含501个采样点。
2、由式(2)确定Chirplet函数中离散化时频参数范围，各参数变化范围分别为：j取0-8、k取0-512、p取0-1、i取1-12。依照图1流程图构建超完备字典，本方法定义j、k、p离散化参数的步长均为1，i的步长设置为3，共包含5150个原子。
3、按照图2中流程对全部信号样本进行稀疏表示，在30次迭代下，得到对应匹配原子集Φ和投影系数c，其中匹配原子集中包含匹配原子的时频参数。组合得到的匹配原子信息表示为a＝[Φ,c]，尺寸长度为30×6，其0.25MPa下测试样本第一次迭代下匹配原子信息为[6,234,126,0,0,0.0045]。
4、依照压力不同将训练样本稀疏表示结果进行分类，每组压力类别下包含3组训练样本下匹配原子信息，其包含90个原子。整个复合字典由10组单一压力匹配原子信息组合而成，共包含900个原子。
5、选取任一测试样本的匹配原子信息，从中依此提取一个匹配原子，搜索其与复合字典中每一个压力下的同构原子。
6、更换匹配原子，依此对M个匹配原子重复步骤5中过程。依据公式(9)统计出测试样本呢在10个压力下对应的同构原子数IAN。结合测试样本中同构原子的投影系数c，依据公式(10)计算原子贡献度ACI，选取原子贡献度最大值对应压力对测试样本分类。
7、更换测试样本，重复步骤5、6，直至完成所有样本的分类识别过程。图5展示了10组压力下测试样本的分类结果，其中横/纵坐标分别表示实际压力与识别压力，方法具有较好的分类准确度。
以上是本发明的一个典型应用，本发明的应用不限于此。
参考文献
[1]Virupakshappa K,Oruklu E.Ultrasonic flaw detection using SupportVector Machine classification[C]//2015IEEE International UltrasonicsSymposium(IUS).IEEE,2015.
[2]Sambath S,Nagaraj P,Selvakumar N.Automatic Defect Classificationin Ultrasonic NDT Using Artificial Intelligence[J].journal ofnondestructiveevaluation,2011,30(1):20-28.
[3]J Wright,A.Y.Yang,A.Ganesh,et al.Robust face recognition viasparse representation [C]//IEEE International Conference on Automatic Face&Gesture Recognition.IEEE,2009,31(2):1-2.
[4]任玉宝.泄漏声信号稀疏表示及在供水管道泄漏定位中的应用[D].北京工业大学,2018..
[5]Lu B,Wei W.Sparse Representation Based Multi-Instance Learning forBreast Ultrasound Image Classification[J].Computational and MathematicalMethods in Medicine,2017,2017:1-10.
[6]Liu S,Li L,Peng Y,et al.Improved sparse representation method forimage classification[J].IET Computer Vision,2017,11(4):319-330.
[7]Deng W,Hu J,Guo J.Extended SRC:Undersampled Face Recognition viaIntra-Class Variant Dictionary[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2012,34(9):1864-1870.
[8]Yang,Xiaohui,Liu,et al.Pseudo-full-space representation basedclassification for robust face recognition[J].Signal Processing.ImageCommunication:A Publication ofthe the European Association for SignalProcessing,2018,60:64-78.
[9]田晨曦.稀疏表示分类的模型、量化指标体系及应用[D].河南大学,2019.
[10]万东燕，许桢英，杨卿，吴梦琪.基于PCA与SVM的焊缝缺陷信号分类方法[J].电子科技,2020,33(5):54-61.
Claims (2)
1.一种基于稀疏表示的承压界面超声信号分类识别方法，其特征在于，通过以下步骤实现的，
1)对多层结构进行承压检测实验，依次改变外载压力大小，得到K压力等级下的L组界面反射信号；将不同压力类别下信号样本划分为测试样本与训练样本，其中训练样本用于构造复合字典，共K×(L-1)个；测试样本共K个；
2)根据稀疏表示理论，选择Chirplet函数构造包含超声信号特征且与信号样本等长度的超完备字典；采用匹配追踪算法对信号样本进行稀疏表示，提取M次迭代下的匹配原子集Φ和投影系数c，并将二者组合得到匹配原子信息a；
3)按照压力等级将训练样本的稀疏表示结果进行归类，得到单一压力类别下匹配原子信息Ak＝[a1,..,aL-1]；依此汇总每个压力下匹配原子信息，将K压力类别匹配原子集组合得到复合字典A＝[A1,..,AK]；
4)对测试样本进行稀疏表示，提取单一样本匹配原子信息；选取测试样本中一个匹配原子，在距离阈值d的前提下，统计其与复合字典每一压力类别下的同构原子；
5)改变测试样本的匹配原子，重复步骤4)，分别统计测试样本中M个匹配原子对应的同构原子数；按照压力类别将同构原子进行汇总，根据同构原子数IAN与对应测试样本中匹配原子的投影系数c计算原子贡献度ACI，选取原子贡献度最大值对应的压力类别进行分类；
6)更换测试样本，重复步骤4)～5)，输出识别结果。
2.根据权利要求1所述的一种基于稀疏表示的承压界面超声信号分类识别方法，其特征在于，将相同采样长度下界面信号样本划分为训练样本与测试样本两组，训练样本用于构造多压力复合字典，测试样本用于验证方法可行性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110257492.2A CN113052015B (zh) | 2021-03-09 | 2021-03-09 | 一种基于稀疏表示的承压界面超声信号分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110257492.2A CN113052015B (zh) | 2021-03-09 | 2021-03-09 | 一种基于稀疏表示的承压界面超声信号分类识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052015A CN113052015A (zh) | 2021-06-29 |
| CN113052015B true CN113052015B (zh) | 2024-03-12 |
Family
ID=76510862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110257492.2A Active CN113052015B (zh) | 2021-03-09 | 2021-03-09 | 一种基于稀疏表示的承压界面超声信号分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052015B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463245A (zh) * | 2014-12-08 | 2015-03-25 | 电子科技大学 | 一种目标识别方法 |
| CN107368809A (zh) * | 2017-07-20 | 2017-11-21 | 合肥工业大学 | 一种基于稀疏表示和字典学习的轴承故障分类方法 |
| CN110954761A (zh) * | 2019-11-04 | 2020-04-03 | 南昌大学 | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717354B (zh) * | 2018-07-11 | 2023-05-12 | 哈尔滨工业大学 | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 |
-
2021
- 2021-03-09 CN CN202110257492.2A patent/CN113052015B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463245A (zh) * | 2014-12-08 | 2015-03-25 | 电子科技大学 | 一种目标识别方法 |
| CN107368809A (zh) * | 2017-07-20 | 2017-11-21 | 合肥工业大学 | 一种基于稀疏表示和字典学习的轴承故障分类方法 |
| CN110954761A (zh) * | 2019-11-04 | 2020-04-03 | 南昌大学 | 基于信号稀疏表示的npc三电平逆变器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052015A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
| CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN108897975B (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
| CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
| Leo et al. | Identification of defective areas in composite materials by bivariate EMD analysis of ultrasound | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN114692677B (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
| CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN112013285A (zh) | 管道泄漏点的检测方法及装置、存储介质、终端 | |
| Gao et al. | A hierarchical training-convolutional neural network with feature alignment for steel surface defect recognition | |
| CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| Lu et al. | A novel unbalanced weighted KNN based on SVM method for pipeline defect detection using eddy current measurements | |
| Zheng et al. | Benchmarking unsupervised anomaly detection and localization | |
| CN113052015B (zh) | 一种基于稀疏表示的承压界面超声信号分类识别方法 | |
| CN113283467A (zh) | 一种基于平均损失和逐类选择的弱监督图片分类方法 | |
| Ikechukwu et al. | High Performance Network for Detection of Surface Defects on Hot-Rolled Steel Strips Based on an Optimized Yolo V3 | |
| CN110378229B (zh) | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 | |
| CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
| CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
| Shao et al. | Design and research of metal surface defect detection based on machine vision | |
| CN115471727A (zh) | 一种基于迁移学习的复合材料缺陷检测方法 | |
| Liu et al. | Research on fault diagnosis method of vehicle cable terminal based on time series segmentation for graph neural network model | |
| CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
| CN112800041A (zh) | 一种基于邻域查询的机械监测标签数据质量保障方法 | |
| Anand et al. | Steel Defect Detection Using a ResNet-Inspired Model and Fourier Transforms |
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 |