CN113537112A - 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 - Google Patents
基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 Download PDFInfo
- Publication number
- CN113537112A CN113537112A CN202110843489.9A CN202110843489A CN113537112A CN 113537112 A CN113537112 A CN 113537112A CN 202110843489 A CN202110843489 A CN 202110843489A CN 113537112 A CN113537112 A CN 113537112A
- Authority
- CN
- China
- Prior art keywords
- laser ultrasonic
- component
- noise reduction
- wavelet
- imaging
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 47
- 238000003384 imaging method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000005284 excitation Effects 0.000 claims description 16
- 230000006872 improvement Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 239000000654 additive Substances 0.000 abstract description 12
- 230000000996 additive effect Effects 0.000 abstract description 12
- 229910052751 metal Inorganic materials 0.000 abstract description 11
- 239000002184 metal Substances 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 7
- 229910052782 aluminium Inorganic materials 0.000 abstract 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005253 cladding Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
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
- G01N29/048—Marking the faulty objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提出基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,针对采用非接触式的激光超声检测方式对金属增材制造试件的表面缺陷进行成像检测时噪声分量较多,成像效果差的问题,对传统的软硬阈值函数进行改进。该方法首先对采集到的激光超声信号进行改进小波阈值函数进行降噪,而后通过VMD算法将降噪后的信号分解为各本征模态分量,再通过各分量的能量密度与其平均周期的乘积作为依据,提取有效模态分量进行信号重构;利用最终的降噪信号进行超声成像。通过对一含表面缺陷的增材制造铝板进行面扫描,利用本发明方法优化成像效果,结果表明该方法的成像效果提升较大,为后续更小尺寸的表面缺陷的超声成像检测奠定基础。
Description
技术领域
本发明涉及技术领域,具体为基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法。
背景技术
金属增材制造技术作为一种新型的制造技术,近几年飞速发展,目前该技术所应用的材料广,并且在航空航天、医疗卫生等高精尖领域表现出巨大的应用潜力。金属增材制造技术在飞速发展的同时,其自身的局限性也渐渐显露出来,由于金属增材制造工艺的特殊性,导致零件中容易出现孔洞,裂纹等缺陷,而缺陷的出现会大大降低零件的成品率和可靠性,从而大大阻碍了金属增材制造技术的发展。因此在金属增材制造过程中引入缺陷检测技术,在一层或多层熔覆层完成熔覆后对试件表面进行检测,第一时间发现形成的表面缺陷,有助于提高金属增材制造技术的成品率和经济性,从而大大促进金属增材制造技术的发展。
激光超声检测技术作为一种新型超声检测技术,可以实现在金属增材制造过程中对试件进行非接触式的超声检测。但非接触式的激光超声检测方式容易出现信号的信噪比较低的情况,同时在金属增材制造过程中的粉尘、未熔化粉末和试件表面粗糙度较高等因素的存在会进一步降低信号的信噪比,导致超声成像效果不佳,对缺陷的位置和大小的表征存在较大误差。
发明内容
针对现有技术的不足,本发明提供了基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,解决了现有的成像不清晰的问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,包括如下步骤:
对待测试件的待检测区域进行激光超声面扫描获取激光超声信号;
将所述激光超声信号进行小波分解,得到细节分量和近似分量;
利用改进的小波阈值函数对所述细节分量进行降噪处理;
将近似分量和降噪后的细节分量进行小波重构,得到改进小波阈值降噪后的超声信号;
将改进小波阈值降噪后的超声信号进行K层变分模态分解,得到K个本征模态分量,记信号的第K个本征模态分量为uk,k=1,2,…,K;
计算各本征模态分量的能量密度与其平均周期的乘积;
根据各本征模态分量的乘积确定乘积数值突变点;
根据乘积数值突变点确定有效模态分量以及降噪模态分量;
利用有效模态分量重构得到降噪信号;
利用所述降噪信号得到超声成像。
优选的,当对待测试件的待检测区域进行激光超声面扫描前,分别设置激光超声接收点以及激光超声激励点;
采用激光超声接收点不动,激光超声激励点移动的方式采集激光超声信号;
优选的,所述根据乘积数值突变点确定有效模态分量以及降噪模态分量的步骤包括:
将所述乘积数值突变点作为标准,以乘积数值突变点的前n-1个本征模态分量确定为噪声分量,剩余的本征模态分量确定为有效模态分量。
优选的,所述各细节分量选取sym7小波作为小波基,所述近似分量的分解层数为五层。
优选的,所述小波阈值函数为
其中,median(*)为MEDIAN函数,即返回给定数值的中值;所述中值是在一组数值中居于中间的数值;sgn(*)是返回一个整型变量,指出参数的正负号;exp(*)是以自然常数e为底的指数函数。
优选的,所述变分模态分解主要包括以下步骤:
其中,{uk}和{ωk}分别对应分解后的模态分量和中心频率,λ为Lagrange乘法算子,n为迭代次数。
优选的,所述能量密度与所述平均周期分别按下列两式计算:
式中,Count(Optimak)为第k个模态分量uk的极值点总数。
优选的,所述利用所述降噪信号得到超声成像的步骤包括:
根据所述激光超声接收点与所述激光超声激励点的距离和表面波波速截取出降噪后的表面波波形;
计算各个所述激光超声激励点相对应的表面波能量;
利用所述激光超声激励点的位置和相对应的表面波能量进行成像。
优选的,所述表面波能量计算公式如下式:
式中t0为截取出表面波波形的起始时间,t1为表面波的终止时间,f(t)为表面波的幅值。
本发明提供了基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法。具备以下有益效果:该基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,对小波阈值函数进行了修改,并且引入样本熵值,创造性地提出了基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,该方法与带通滤波法、小波阈值法、VMD去噪法相比去噪效果更优,去噪后的信号信噪比更高,均方根误差更小,极大优化了成像效果,同时信号处理时间更短,更适用于金属增材制造的缺陷的在线监测工作。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2为采集到的典型激光超声信号的时域图;
图3为采集到的典型激光超声信号的频域图;
图4为软硬阈值函数与改进阈值函数对比图像;
图5为各本征模态分量的时域图;
图6为各本征模态分量的频域图;
图7为降噪后典型激光超声信号的时域图;
图8为降噪后典型激光超声信号的频域图;
图9为降噪前后成像效果对比图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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1-8,本发明提供技术方案:基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,包括如下步骤:
S1、对待测试件的待检测区域进行激光超声面扫描获取激光超声信号;
S2、将所述激光超声信号进行小波分解,得到细节分量和近似分量;
S3、利用改进的小波阈值函数对所述细节分量进行降噪处理;
S4、将近似分量和降噪后的细节分量进行小波重构,得到改进小波阈值降噪后的超声信号;
S5、将改进小波阈值降噪后的超声信号进行K层变分模态分解,得到K个本征模态分量,记信号的第K个本征模态分量为uk,k=1,2,…,K;
S6、计算各本征模态分量的能量密度与其平均周期的乘积;
S7、根据各本征模态分量的乘积确定乘积数值突变点;
S8、根据乘积数值突变点确定有效模态分量以及降噪模态分量;
S9、利用有效模态分量重构得到降噪信号;
S10、利用所述降噪信号得到超声成像。
S1.1、当对待测试件的待检测区域进行激光超声面扫描前,分别设置激光超声接收点以及激光超声激励点;
S1.2、采用激光超声接收点不动,激光超声激励点移动的方式采集激光超声信号;
所述根据乘积数值突变点确定有效模态分量以及降噪模态分量的步骤包括:
将所述乘积数值突变点作为标准,以乘积数值突变点的前n-1个本征模态分量确定为噪声分量,剩余的本征模态分量确定为有效模态分量。
所述各细节分量选取sym7小波作为小波基,所述近似分量的分解层数为五层。
所述小波阈值函数为
其中,median(*)为MEDIAN函数,即返回给定数值的中值;所述中值是在一组数值中居于中间的数值;sgn(*)是返回一个整型变量,指出参数的正负号;exp(*)是以自然常数e为底的指数函数。
所述变分模态分解主要包括以下步骤:
其中,{uk}和{ωk}分别对应分解后的模态分量和中心频率,λ为Lagrange乘法算子,n为迭代次数。
所述能量密度与所述平均周期分别按下列两式计算:
式中,Count(Optimak)为第k个模态分量uk的极值点总数。
所述利用所述降噪信号得到超声成像的步骤包括:
S10.1、根据所述激光超声接收点与所述激光超声激励点的距离和表面波波速截取出降噪后的表面波波形;
S10.2、计算各个所述激光超声激励点相对应的表面波能量;
S10.3、利用所述激光超声激励点的位置和相对应的表面波能量进行成像。
S10.4、所述表面波能量计算公式如下式:
式中t0为截取出表面波波形的起始时间,t1为表面波的终止时间,f(t)为表面波的幅值。
实施例:步骤1:利用激光振镜扫描系统和激光干涉仪对待测试件的待测区域进行快速地激光超声面扫描,得到激光超声的原始信号。
步骤2:将步骤1中获取到的激光超声信号进行小波分解,选取sym7小波作为小波基,分解层数为5层,得到细节分量以及近似分量。
步骤3:硬阈值与软阈值小波阈值函数应用较为广泛,但存在一定局限性,硬阈值函数能够更多的保留原始信号的尖峰特征,但是硬阈值函数在阈值±T处是间断的,从而在重构信号时会出现一定的振荡现象;软阈值函数在±T处是连续的,但是会造成与之间存在恒定误差,使得重构信号的均方误差比较大。
针对软硬阈值函数存在的局限性,本发明提出一种改进阈值函数,该函数为本案中改进的小波阈值函数,应用此函数对细节分量进行降噪处理如下式所示:
步骤4:将降噪后的细节分量和近似分量进行小波重构,得到改进小波阈值降噪后的超声信号。
步骤5:将小波降噪后的信号进行K层变分模态分解,得到K个本征模态分量,记信号的第K个本征模态分量为uk,k=1,2,…,K;
变分模态分解是一种完全非递归的信号分解方法,它依据原始信号本身固有的频域特性来划分频带,经过K层变分模态分解将其分解为K个本征模态分量uk。
变分模态分解主要包括以下步骤:
5-1:初始化λ1,n,并赋初始值为0,{uk}和{ωk}分别对应分解后的模态分量和中心频率,λ为Lagrange乘法算子,n为迭代次数;并设置阈值ε=10-6,最大迭代次数N=500,预设本征模态分量分数K=5,二次惩罚因子α=2000;
5-3:令k=k+1,判断k的值是否小于K,若满足,返回步骤5-2,否则进行步骤5-4的运算;
典型信号经变分模态分解后的各分量时域波形图如图5所示,图6为各分量对应的频谱。
步骤6:计算各模态分量的能量密度与其平均周期的乘积,当ETk发生突变,即前n-1个分量为噪声分量,剩余分量为包含有用信息的有效模态分量,利用有效模态分量重构得到最终的降噪信号。其中能量密度与平均周期分别按下列两式计算:
式中,Count(Optimak)为第k个模态分量uk的极值点总数。最终的降噪信号的时域图和频域图分别如图7,图8所示。
步骤7:在对待测试件的待检测区进行激光超声面扫描前,首先需要制定激光激励点以及激光接收点,采用激光超声接收点不动,激光超声激励点移动的方式采集激光超声信号,根据激光超声激励点和激光接收点之间的距离和表面波波速计算表面波传播时间,截取出所需的表面波波形,计算截取出的表面波的能量,利用激光超声激励点的位置和相对应的表面波能量进行成像。表面波能量计算公式如下式:
式中t0为截取出表面波波形的起始时间,t1为表面波的终止时间,f(t)为表面波的幅值。
为进一步说明方法优越性,分别用小波软阈值去噪法、小波硬阈值去噪法、VMD去噪法和本发明提出的方法对采集到的典型信号进行降噪并对比,为了对降噪效果有更加直挂的比较,计算经过不同降噪方法之后的典型信号的信噪比和均方根误差,如表1所示。表1不同降噪方法效果对比:
降噪方法 | 信噪比(SNR) | 均方根误差(RMSE) |
小波软阈值降噪 | 10.56 | 1.23*10-4 |
小波硬阈值降噪 | 10.59 | 1.23*10-4 |
VMD降噪 | 11.16 | 1.15*10-4 |
本发明方法 | 35.97 | 6.32*10-6 |
可以发现经本发明方法降噪后的信号的信噪比相较于其它方法有明显提升,同时信号的均方根误差也明显降低,证明本发明方法在大幅提高信号信噪比的同时,极大程度上保留了信号的原始信息,证明了采用本发明方法对激光超声信号降噪的可行性与优越性。
为检验该方法在提升激光超声成像质量中的效果,对一增材制造试件进行了激光超声面扫描实验,并进行超声成像,降噪前后的成像效果对比如图9所示。
通过对比降噪前后的成像效果对比图可以发现,降噪前的超声成像图由于收到噪声分量的影响,最终的成像图无法对缺陷的位置和形状进行表征;而信号降噪后的超声成像图中可以很简单地对缺陷的大小和形状进行表征,说明本方法对超声成像质量具有明显的提升,为后续更小尺寸的表面缺陷的超声成像检测奠定基础。
本领域技术人员在考虑说明书和实施例公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (9)
1.基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,其特征在于,包括如下步骤:
对待测试件的待检测区域进行激光超声面扫描获取激光超声信号;
将所述激光超声信号进行小波分解,得到细节分量和近似分量;
利用改进的小波阈值函数对所述细节分量进行降噪处理;
将近似分量和降噪后的细节分量进行小波重构,得到改进小波阈值降噪后的超声信号;
将改进小波阈值降噪后的超声信号进行K层变分模态分解,得到K个本征模态分量,记信号的第K个本征模态分量为uk,k=1,2,…,K;
计算各本征模态分量的能量密度与其平均周期的乘积;
根据各本征模态分量的乘积确定乘积数值突变点;
根据乘积数值突变点确定有效模态分量以及降噪模态分量;
利用有效模态分量重构得到降噪信号;
利用所述降噪信号得到超声成像。
2.根据权利要求1所述的基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,其特征在于,当对待测试件的待检测区域进行激光超声面扫描前,分别设置激光超声接收点以及激光超声激励点;
采用激光超声接收点不动,激光超声激励点移动的方式采集激光超声信号。
3.根据权利要求1所述的基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,其特征在于,所述根据乘积数值突变点确定有效模态分量以及降噪模态分量的步骤包括:
将所述乘积数值突变点作为标准,以乘积数值突变点的前n-1个本征模态分量确定为噪声分量,剩余的本征模态分量确定为有效模态分量。
4.根据权利要求1所述的基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,其特征在于,所述各细节分量选取sym7小波作为小波基,所述近似分量的分解层数为五层。
8.根据权利要求2所述的基于改进小波阈值及VMD的激光超声表面缺陷成像降噪方法,其特征在于,所述利用所述降噪信号得到超声成像的步骤包括:
根据所述激光超声接收点与所述激光超声激励点的距离和表面波波速截取出降噪后的表面波波形;
计算各个所述激光超声激励点相对应的表面波能量;
利用所述激光超声激励点的位置和相对应的表面波能量进行成像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843489.9A CN113537112A (zh) | 2021-07-26 | 2021-07-26 | 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843489.9A CN113537112A (zh) | 2021-07-26 | 2021-07-26 | 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537112A true CN113537112A (zh) | 2021-10-22 |
Family
ID=78120828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110843489.9A Pending CN113537112A (zh) | 2021-07-26 | 2021-07-26 | 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537112A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398926A (zh) * | 2022-01-12 | 2022-04-26 | 江苏金晟元控制技术有限公司 | 一种基于小波分析的电阻点焊塑性环成像方法及其应用 |
CN115979138A (zh) * | 2022-10-08 | 2023-04-18 | 南京航空航天大学 | 基于激光超声与参数优化vmd的球墨铸铁管壁厚测量方法 |
CN117664871A (zh) * | 2024-02-01 | 2024-03-08 | 山东省科学院激光研究所 | 一种噪声抑制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110412129A (zh) * | 2019-07-23 | 2019-11-05 | 合肥通用机械研究院有限公司 | 一种考虑表面粗糙度的微细缺陷超声检测信号处理方法 |
CN110865357A (zh) * | 2019-10-25 | 2020-03-06 | 南京理工大学 | 一种基于参数优化vmd的激光雷达回波信号降噪方法 |
CN110967599A (zh) * | 2019-12-11 | 2020-04-07 | 贵州电网有限责任公司 | 一种电能质量扰动检测与定位算法 |
CN112990139A (zh) * | 2021-04-29 | 2021-06-18 | 青岛科技大学 | 基于变模态分解加权重构信号结合小波阈值去噪方法 |
CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
-
2021
- 2021-07-26 CN CN202110843489.9A patent/CN113537112A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110412129A (zh) * | 2019-07-23 | 2019-11-05 | 合肥通用机械研究院有限公司 | 一种考虑表面粗糙度的微细缺陷超声检测信号处理方法 |
CN110865357A (zh) * | 2019-10-25 | 2020-03-06 | 南京理工大学 | 一种基于参数优化vmd的激光雷达回波信号降噪方法 |
CN110967599A (zh) * | 2019-12-11 | 2020-04-07 | 贵州电网有限责任公司 | 一种电能质量扰动检测与定位算法 |
CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
CN112990139A (zh) * | 2021-04-29 | 2021-06-18 | 青岛科技大学 | 基于变模态分解加权重构信号结合小波阈值去噪方法 |
Non-Patent Citations (1)
Title |
---|
徐长宝等: "基于改进小波阈值函数和变分模态分解的电能质量扰动检测", 《湖南大学学报(自然科学版)》, vol. 47, no. 6, 30 June 2020 (2020-06-30) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398926A (zh) * | 2022-01-12 | 2022-04-26 | 江苏金晟元控制技术有限公司 | 一种基于小波分析的电阻点焊塑性环成像方法及其应用 |
CN115979138A (zh) * | 2022-10-08 | 2023-04-18 | 南京航空航天大学 | 基于激光超声与参数优化vmd的球墨铸铁管壁厚测量方法 |
CN115979138B (zh) * | 2022-10-08 | 2023-11-07 | 南京航空航天大学 | 基于激光超声与参数优化vmd的球墨铸铁管壁厚测量方法 |
CN117664871A (zh) * | 2024-02-01 | 2024-03-08 | 山东省科学院激光研究所 | 一种噪声抑制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537112A (zh) | 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 | |
CN109003232B (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
Mateo et al. | Finding out general tendencies in speckle noise reduction in ultrasound images | |
CN109961411B (zh) | 非下采样剪切波变换医学ct图像去噪方法 | |
CN112446323A (zh) | 基于改进emd模态混叠和端点效应的hht谐波分析方法 | |
CN106157261A (zh) | 平移不变性的shearler变换医学图像去噪方法 | |
CN109598680A (zh) | 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法 | |
CN115840879A (zh) | 一种增材制造构件超声检测回波信号处理方法及系统 | |
CN111248858B (zh) | 一种基于频域波数域的光声断层成像重建方法 | |
CN109410178A (zh) | 一种工件裂纹检测方法及系统 | |
Ashraf et al. | Underwater ambient-noise removing GAN based on magnitude and phase spectra | |
Yan et al. | Frequency division denoising algorithm based on VIF adaptive 2D-VMD ultrasound image | |
CN104732498A (zh) | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 | |
CN109584322B (zh) | 基于频域方向平滑Shearlet医学PET图像去噪方法 | |
Chen et al. | Enhanced axial and lateral resolution using stabilized pulses | |
CN112734663A (zh) | 基于自适应阈值的轮廓波变换医学ct图像降噪方法 | |
Opielinski et al. | Ultrasound transmission tomography image distortions caused by the refraction effect | |
CN110082436B (zh) | 一种基于变分模态的高提离电磁超声信号消噪方法 | |
Tsui et al. | An adaptive threshold filter for ultrasound signal rejection | |
CN115662383A (zh) | 主声源删除方法及系统、多声源识别方法及系统、装置 | |
CN108542422A (zh) | B超图像优化方法、装置及计算机可读存储介质 | |
CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
JP6934693B1 (ja) | 低ランクスパース分解に基づく引火性液体検出信号のノイズ除去方法 | |
Fang et al. | Feature extraction method for loudspeaker abnormal sound based on EEMD and sample entropy | |
Mohammadi et al. | Resolution improvement of scanning acoustic microscopy using sparse signal representation |
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 |