CN113538406B - 一种基于分数阶小波变换的钢板内表面缺陷识别方法 - Google Patents
一种基于分数阶小波变换的钢板内表面缺陷识别方法 Download PDFInfo
- Publication number
- CN113538406B CN113538406B CN202110876353.8A CN202110876353A CN113538406B CN 113538406 B CN113538406 B CN 113538406B CN 202110876353 A CN202110876353 A CN 202110876353A CN 113538406 B CN113538406 B CN 113538406B
- Authority
- CN
- China
- Prior art keywords
- fractional
- steel plate
- fourier transform
- defects
- ultrasonic detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 36
- 239000010959 steel Substances 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 241000287828 Gallus gallus Species 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 235000013330 chicken meat Nutrition 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 29
- 244000144992 flock Species 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000002431 foraging effect Effects 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 235000013305 food Nutrition 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于分数阶小波变换的钢板内表面缺陷识别方法,以利用信号处理方法提高对钢板内表面缺陷形状、深度的检测准确率,首先通过相关传感器对钢板内表面缺陷的超声检测信号进行采集和存储,对得到的相关信号进行分数阶傅里叶变换,利用类间类内距离比作为适应度函数,通过鸡群算法对最优适应度值进行搜寻从而实现对分数阶傅里叶变换的最优阶次选取,接下来将处理得到的信号进行小波变换,将分解得到的各分量能量占比作为特征向量矩阵,利用随机森林分类模型对进行测试样本集进行测试,结果表明该发明能够有效地对钢板内表面缺陷的形状和深度进行识别。
Description
技术领域
本发明涉及钢板缺陷检测领域,特别涉及一种基于分数阶小波变换的超声检测信号识别方法。
背景技术
随着社会生产力的进一步提升,国家将会在工业生产领域投入更多资源和精力,钢板在国民生产各部门扮演着举足轻重的作用,其保证了相关生产、运输等装备在各自领域发挥其作用。因此对钢板缺陷进行检测预警、保证装备安全稳定运行,对社会生产生活有着至关重要的影响。特别是石化行业的相关钢制装备,因其工作环境高温潮湿、工作介质高硫高酸,使得钢板表面极易发生复杂的物理化学变化,进一步在钢板内表面产生腐蚀凹坑、裂缝以及孔洞等缺陷。随着缺陷严重程度的加剧,钢板结构强度也随之降低,进而导致装备受损、介质泄露甚至设备爆炸等重大安全生产事故的发生。因此长期不间断钢板内表面进行缺陷检测和维护成为保证其正常运行的重要之举。
超声检测技术具有能耗比小、检测纵深较长、结构简单、成本低廉以及对人体无害等诸多优点在钢板缺陷无损检测领域得到了较为广泛地使用。尽管如此,超声检测技术也存在着一些缺点和弊端阻碍着其进一步推广和使用,传统超声检测技术需得依靠操作人员的专业技能和经验方法对检测回波信号进行分析,由于人工经验具有一定的主观性和不确定性,使得在超声检测过程中不仅可能导致漏检、误检状况的出现,同时对缺陷的位置、深度以及形状等参数难以精确分析,这使得对相关装备的后期维护和保养造成了一定的难度,同时也成为实现超声检测自动化、智能化的一大阻碍,因此对缺陷的精确定量定性分析成为超声检测领域亟待解决的问题。
发明内容
本发明的目的是提供一种分数阶小波变换的钢板内表面缺陷识别方法,根据超声检测信号非线性、不平稳的特性选用分数阶小波变换结合鸡群算法优化使得提取得到特征信号差异性更好,最终训练得到的随机森林分类模型对不同形状、深度的钢板内表面缺陷的形状、深度识别准确率更高。
为达到以上目的,本方法通过超声检测系统的实验平台完成对相关缺陷超声检测信号的采集和存储;该实验平台是由超声激发接收电路、FPGA控制芯片、高速A/D转换电路以及数据采集存储电路组成。
本发明利用得到的超声检测信号进行分数阶小波变换,同时提取其特征值用于对随机森林分类模型进行训练和测试,具体步骤包括:
(1)采集和存储多处不同形状、深度缺陷的超声检测信号;
(2)对得到的超声检测信号进行分数阶傅里叶变换分解,利用超声检测信号的表达式;
(2.1)将传统傅里叶变换定义为在超声检测信号空间中存在的连续线性算子ξ,该算子所对应的特征方程如下:
传统傅里叶变换所对应的特征值为λn=e-jnπ/2,t为时间,其特征函数为Hermite-Gauss函数其中Hn(t)为n阶Hermite多项式,表达式为:
(2.2)令ψn作为傅里叶变换中特征值为λn的特征函数,表示为Hermite-Gauss函数,同时作为构成有限信号空间的特征函数,则分数阶傅里叶变换定义为线性函数,且满足式(3):
其中p为分数阶傅里叶变换阶次,有限能量函数xn展开为傅里叶变换特征函数的线性叠加,其表达式为式(4):
其中Xn=∫ψn(t)x(t)dt,将上式代入式(3)得到分数阶傅里叶变换核函数的频谱展开:
其中,其中u为x从时域到频域的值;
Hermite-Gauss函数ψn须得满足:
其中α=pπ/2,由上式可知当p=1时,分数阶傅里叶变换变为传统傅里叶变换,同时用核函数的形式表示分数阶傅里叶变换,即:
Kp(u,t)为分数阶傅里叶变换的核函数,且
(2.3)根据(2.2)分数阶傅里叶变换的表达式对采集得到的钢板内表面超声检测信号进行特定阶次下处理,再利用小波变换对处理后的信号进行分解,完成对钢板内表面超声检测信号的分数阶小波分解,分解计算式如下:
上式中,p为变换阶次,限制变换阶次p的范围为0到2;为小波基函数,Kp(x,x′)代表分数阶小波变换核函数,表达形式为:
则Hn为n阶Hermite多项式,超声检测原始信号f(x)的重构表达式为:
(3)利用类间类内距离比作为鸡群算法的适应度函数,设定鸡群算法各种群的数量以及迭代次数,根据相应的位置更新公式对分数阶傅里叶变换的最优阶次进行确定;
(3.1)初始化鸡群算法中种群的总数量N,公鸡的数量为NR,母鸡的总数量为NH,与小鸡有母子关系的母鸡数量为NM,小鸡的数量为NC,迭代次数G;
(3.2)确定鸡群内所有个体的初始适应度值,寻找当前条件下的最优适应度值,适应度函数如下:
其中上式中S表示所求的类间类内距离比;mi表示第i类样本集的均值向量;m表示所有各类的样本集总平均向量;Pi表示先验概率;
(3.3)判断是否需要更新鸡群的社会等级关系,若需要则根据不同类型个体的要求进行更新,再执行(3.4);若不需要执行更新,则直接执行(3.4);
(3.4)根据不同类型个体的位置更新方式计算下一时刻各个个体的位置,同时计算其适应度值,各个体位置更新方法如下:
小鸡是整个鸡群中觅食能力最差的类型,其只能跟随与自己有母子关系的母鸡觅食,其位置更新方式如下:
其中,xm,j、xi,j分别第j个种群中代表小鸡与其具有母子关系的母鸡,FL是0到2之间的随机数,表示小鸡在母鸡周围觅食的范围距离;
公鸡在整个种群中占据支配地位,对食物的搜寻能力更强、范围更广,具有更好的适应值,其位置xi,j更新方式如下:
在上式中,randn(0,σ2)表示为均值为0,标准差为σ2的高斯分布函数,f表示各个个体的适应度,代表着相应的觅食能力;k是指鸡群中不为i的随机个体,t为迭代次数;整个鸡群分为若干个子群,母鸡在整个鸡群的觅食过程中受到所在子群公鸡的约束,且与子群内其他个体之间存在竞争关系,相应的位置更新公式如下:
其中,rand表示0到1之间的随机数,xr1是在该子群中对应的公鸡,xr2是除该子群内xi母鸡以外任意一母鸡个体;S1和S2表示母鸡位置的学习因子,表示与子群内公鸡和其他母鸡之间的关系,计算公式如下:
(3.5)更新鸡群内最佳适应度值;
(3.6)若达到最大迭代次数或者达到规定精度,则输出最优值,即得到最优阶次,否则执行(3.3);
(4)将最优阶次下的分数阶傅里叶变换结果进行小波变换,并计算相应的能量占比作为特征值;
(5)将得到的特征值输入随机森林分类模型进行训练与测试,验证本方法的可行性;
(5.1)利用Bagging算法对能量占比集D进行有放回随机抽取,得到k组数据子集{D1,D2,D3,…,Dk};
(5.2)随机选择子数据集中的个特征作为决策树的输入进行训练;
(5.3)多次重复(5.2),选择最优的随机特征子空间,作为最优属性节点进行培养决策树,同时不对决策树进行剪枝;
(5.4)结合所有生成的决策树形成随机森林分类模型,利用多数服从少数的原则对分类结果进行判定输出。
本发明提出的一种基于分数阶小波变换的钢板内表面缺陷识别方法,其优点在于:
1.为避免传统傅里叶变换对超声检测信号这类非线性、非平稳信号处理适用性较低的情况,将分数阶傅里叶变换与小波变换方法相结合,使得分数阶小波变换具有小波变换中多分辨分析的特点以及分数阶傅里叶变换阶次可调的优点,能够在不同变换域中对信号的特征进行突出表达;
2.采用类间类内距离比作为适应度函数,利用鸡群算法对相关阶次进行寻优,极大程度上提高了分类的准确性;
3.依靠着随机森林分类模型结构简单、泛化能力突出的特点,利用能量占比作为特征值进行训练,有效地避免由于变换域非传统时频域导致的特征选取物理意义不严谨的情况,显著提高了检测效率和精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍
图1实施例的流程图。
图2超声检测系统的实验平台功能结构图。
图3实施例超声检测信号的时域波形。
图4实施例超声检测信号的频域波形。
图5实施例超声检测信号某一分数阶傅里叶变换图。
图6实施例中鸡群算法迭代结果图。
图7实施例超声检测最佳阶次分数阶傅里叶变换结果图。
图8实施例超声检测最佳阶次分数阶小波变换图。
图9实施例训练后随机森林分类模型结构图。
图10实施例测试结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明实施方式作进一步的描述。
分数阶傅里叶变换作为傅里叶变换在变换域空间上更为广义的存在方式,使得信号可以在以时间轴旋转到任意角度坐标轴上进行表示,在一定程度上对时域信息和频域信息进行融合,进而将其某部分特征进行突出显示;分数阶小波变换则是在分数阶傅里叶变换的基础上融合小波变换特点进行改进的一种时频分析方法。
本发明是以分数阶小波变换为特征提取方法,随机森林为分类器算法,实现对钢板内表面缺陷类型的识别。工作流程如图1所示,具体步骤如下:
步骤一:通过超声检测系统的实验平台对钢板内表面检测信号进行采集和存储;其功能结构框图如图2所示;采集时,通过对12处不同形状、深度的标准缺陷实验钢板进行检测,对相应的超声检测信号进行采集存储;
具体的,通过直径为20mm、检测频率为2.5MHz的纵波直探头作为超声波激发和接收的探头;步骤二:对检测信号进行分数阶傅里叶变换,并计算该阶次下的信号类间类内距离比;
步骤三:设置鸡群算法参数公鸡总数目为20只、母鸡总数目为60只,小鸡总数目为20只,迭代次数为100;对最大类间类内距离比进行搜寻;在具体应用过程中可以选用如遗传算法、粒子群算法、灰狼算法等群优化算法进行优化处理;
步骤四:对检测信号进行最优阶次分数阶傅里叶变换;
步骤五:对最优阶次分数阶傅里叶变换处理得到的数据进行4层sym小波分解,并计算各分量能量占比;
步骤六:将训练样本集中的能量占比对随机森林分类器进行训练,同时采用测试样本集中的数据对训练得到的随机森林分类器进行准确率验证。
实施例
以下将结合具体实例对本方法进行阐述,钢板内表面缺陷参数如表1所示:
表1实施例缺陷尺寸参数
对相关缺陷进行检测的过程中,钢板实际厚度为10mm,检测探头频率为2.5MHz,检测原理为脉冲反射式检测。
第一步:通过相关传感器和电路设备对钢板内表面缺陷的超声检测信号进行采集和存储,图3和图4分别代表在同一深度、不同形状情况下,缺陷检测信号的时域波形和频域波形;由图可知,由于不同形状缺陷对超声波的反射效果有所差异,但区别并不明显,难以通过时频域波形进行缺陷类型进行识别。
第二步:对检测信号进行分数阶傅里叶变换,图5为1.8阶次分数阶傅里叶变换的结果图,由图可知,随着变换域的改变,各缺陷信号之间的区分度有所提升;
第三步:设置鸡群算法参数公鸡总数目为20只、母鸡总数目为60只,小鸡总数目为20只,迭代次数为100;以数据类间类内距离比为适应度函数,同时根据种群更新公式进行迭代;图6为鸡群算法迭代结果图,由图可知,当阶次为0.44时存在最大类间类内距离比,图7为最佳阶次分数阶傅里叶变换结果图。
第四步:对最优阶次分数阶傅里叶变换处理后的数据进行小波变换,得到4个细节信号,图8为最佳阶次分数阶小波变换图。
第五步:计算各细节信号的能量占比,将其作为特征值对随机森林分类器进行训练;本实例中,训练集为22组数据,每组数据包括12处不同类型的缺陷信号;图9为训练得到的随机森林结构图;同时通过8组数据进行验证,验证结果如图10所示,横条表示理想输出,圆点表示实际输出,当圆点未被横条覆盖,则表示该处识别错误,通过测试验证,该模型的准确率达到81.25%。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者同等替换,而未脱离本发明精神和范围的任何修改或者同等替换,其均应涵盖在本发明的权利要求范围内。
Claims (5)
1.一种基于分数阶小波变换的钢板内表面缺陷识别方法,钢板内表面缺陷包括缺陷形状和深度,其特征在于,利用超声检测系统对钢板进行检测,得到超声检测信号,将所得超声检测信号输入缺陷识别模型得到识别结果,具体内容如下:
步骤一:采集和存储多处不同形状、深度缺陷的超声检测信号;
步骤二:对得到的超声检测信号进行分数阶傅里叶变换分解;
步骤三:利用类间类内距离比作为鸡群算法的适应度函数,设定鸡群算法各种群的数量以及迭代次数,根据相应的位置更新公式对分数阶傅里叶变换的最优阶次进行确定;
步骤四:将最优阶次下的分数阶傅里叶变换结果进行小波变换,并计算相应的能量占比作为特征值;
步骤五:将得到的特征值输入随机森林分类模型进行训练与测试。
2.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法,其特征在于,所述超声检测系统由超声激发接收电路、FPGA控制芯片、A/D转换电路、数据采集存储电路组成。
3.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法,其特征在于,利用分数阶傅里叶变换与小波变换相结合得到超声检测信号的表达式;
步骤一:将传统傅里叶变换定义为在超声检测信号空间中存在的连续线性算子ξ,该算子所对应的特征方程如下:
传统傅里叶变换所对应的特征值为λn=e-jnπ/2,t为时间,其特征函数为Hermite-Gauss函数其中Hn(t)为n阶Hermite多项式,表达式为:
步骤二:令ψn作为傅里叶变换中特征值为λn的特征函数,表示为Hermite-Gauss函数,同时作为构成有限信号空间的特征函数,则分数阶傅里叶变换定义为线性函数,且满足式(3):
其中p为分数阶傅里叶变换阶次,有限能量函数xn展开为傅里叶变换特征函数的线性叠加,其表达式为式(4):
其中Xn=∫ψn(t)x(t)dt,将上式代入式(3)得到分数阶傅里叶变换核函数的频谱展开:
其中,其中u为x从时域到频域的值;
Hermite-Gauss函数ψn须得满足:
其中α=pπ/2,由上式可知当p=1时,分数阶傅里叶变换变为传统傅里叶变换,同时用核函数的形式表示分数阶傅里叶变换,即:
Kp(u,t)为分数阶傅里叶变换的核函数,且
步骤三:根据步骤二分数阶傅里叶变换的表达式对采集得到的钢板内表面超声检测信号进行特定阶次下处理,再利用小波变换对处理后的信号进行分解,完成对钢板内表面超声检测信号的分数阶小波分解,分解计算式如下:
上式中,p为变换阶次,限制变换阶次p的范围为0到2;f(x’)为一维信号;为小波基函数,Kp(x,x')代表分数阶小波变换核函数,表达形式为:
则Hn为n阶Hermite多项式,超声检测原始信号f(x)的重构表达式为:
4.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法,其特征在于,利用类间类内距离比作为鸡群算法的适应度函数对分数阶小波变换的最佳阶次进行搜寻,具体步骤如下:
步骤一:初始化鸡群算法中种群的总数量N,公鸡的数量为NR,母鸡的总数量为NH,与小鸡有母子关系的母鸡数量为NM,小鸡的数量为NC,迭代次数G;
步骤二:确定鸡群内所有个体的初始适应度值,寻找当前条件下的最优适应度值,适应度函数如下:
其中上式中S表示所求的类间类内距离比;mi表示第i类样本集的均值向量;m表示所有各类的样本集总平均向量;Pi表示先验概率;
步骤三:判断是否需要更新鸡群的社会等级关系,若需要则根据不同类型个体的要求进行更新,再执行步骤四;若不需要执行更新,则直接执行步骤四;
步骤四:根据不同类型个体的位置更新方式计算下一时刻各个个体的位置,同时计算其适应度值,各个体位置更新方法如下:
小鸡是整个鸡群中觅食能力最差的类型,其只能跟随与自己有母子关系的母鸡觅食,其位置更新方式如下:
其中,xm,j、xi,j分别第j个种群中代表小鸡与其具有母子关系的母鸡,FL是0到2之间的随机数,表示小鸡在母鸡周围觅食的范围距离;
公鸡在整个种群中占据支配地位,对食物的搜寻能力更强、范围更广,具有更好的适应值,其位置xi,j更新方式如下:
在上式中,randn(0,σ2)表示为均值为0,标准差为σ2的高斯分布函数,f表示各个个体的适应度,代表着相应的觅食能力;k是指鸡群中不为i的随机个体,t为迭代次数;
整个鸡群分为若干个子群,母鸡在整个鸡群的觅食过程中受到所在子群公鸡的约束,且与子群内其他个体之间存在竞争关系,相应的位置更新公式如下:
其中,rand表示0到1之间的随机数,xr1是在该子群中对应的公鸡,xr2是除该子群内xi母鸡以外任意一母鸡个体;S1和S2表示母鸡位置的学习因子,表示与子群内公鸡和其他母鸡之间的关系,计算公式如下:
步骤五:更新鸡群内最佳适应度值;
步骤六:若达到最大迭代次数或者达到规定精度,则输出最优值,即得到最优阶次,否则执行步骤三。
5.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法,其特征在于,利用分数阶小波变换得到的信号分量能量占比作为特征值代入随机森林分类模型进行训练和测试,具体步骤如下:
步骤一:利用Bagging算法对能量占比集D进行有放回随机抽取,得到k组数据子集{D1,D2,D3,…,Dk};
步骤二:随机选择子数据集Dk中的i个特征作为决策树的输入进行训练;
步骤三:多次重复步骤二,选择最优的随机特征子空间,作为最优属性节点进行培养决策树,同时不对决策树进行剪枝;
步骤四:结合所有生成的决策树形成随机森林分类模型,利用多数服从少数的原则对分类结果进行判定输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876353.8A CN113538406B (zh) | 2021-07-31 | 2021-07-31 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876353.8A CN113538406B (zh) | 2021-07-31 | 2021-07-31 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538406A CN113538406A (zh) | 2021-10-22 |
CN113538406B true CN113538406B (zh) | 2024-04-05 |
Family
ID=78090012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110876353.8A Active CN113538406B (zh) | 2021-07-31 | 2021-07-31 | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538406B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850803A (zh) * | 2021-11-29 | 2021-12-28 | 武汉飞恩微电子有限公司 | 基于集成学习的mems传感器缺陷的检测方法、装置及设备 |
CN114506471B (zh) * | 2022-03-17 | 2023-06-20 | 北京机电工程研究所 | 一种飞机悬挂物的一阶弯曲频率确定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569157A (zh) * | 2015-01-21 | 2015-04-29 | 湘潭大学 | 预应力结构的缺陷检测方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN106224067A (zh) * | 2016-09-29 | 2016-12-14 | 重庆邮电大学 | 一种基于数据驱动的汽车三元催化器的故障诊断方法 |
CN107505399A (zh) * | 2017-10-09 | 2017-12-22 | 华润建筑有限公司 | 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 |
CN110532519A (zh) * | 2019-09-02 | 2019-12-03 | 中国矿业大学(北京) | 一种基于鸡群算法和克里金法的地质数据生成方法 |
CN110609088A (zh) * | 2019-11-04 | 2019-12-24 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子故障识别方法及装置 |
CN111401204A (zh) * | 2020-03-11 | 2020-07-10 | 南京工程学院 | 一种基于分数阶Hilbert倒谱的特征提取方法 |
CN111402204A (zh) * | 2020-02-26 | 2020-07-10 | 哈尔滨工业大学 | 一种基于多阶数分数阶小波包变换的芯片外观缺陷检测方法 |
CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11015922B2 (en) * | 2016-08-19 | 2021-05-25 | Beijing Institute Of Technology | Physical parameter estimating method, physical parameter estimating device, and electronic apparatus using sampling theorem in the fractional fourier transform domain |
-
2021
- 2021-07-31 CN CN202110876353.8A patent/CN113538406B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569157A (zh) * | 2015-01-21 | 2015-04-29 | 湘潭大学 | 预应力结构的缺陷检测方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN106224067A (zh) * | 2016-09-29 | 2016-12-14 | 重庆邮电大学 | 一种基于数据驱动的汽车三元催化器的故障诊断方法 |
CN107505399A (zh) * | 2017-10-09 | 2017-12-22 | 华润建筑有限公司 | 一种基于声纹特征的智能钢筋套筒灌浆缺陷检测方法 |
CN110532519A (zh) * | 2019-09-02 | 2019-12-03 | 中国矿业大学(北京) | 一种基于鸡群算法和克里金法的地质数据生成方法 |
CN110609088A (zh) * | 2019-11-04 | 2019-12-24 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子故障识别方法及装置 |
CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断系统及方法 |
CN111402204A (zh) * | 2020-02-26 | 2020-07-10 | 哈尔滨工业大学 | 一种基于多阶数分数阶小波包变换的芯片外观缺陷检测方法 |
CN111401204A (zh) * | 2020-03-11 | 2020-07-10 | 南京工程学院 | 一种基于分数阶Hilbert倒谱的特征提取方法 |
Non-Patent Citations (7)
Title |
---|
Bearing Fault Feature Extraction Method Based on Variational Mode Decomposition of Fractional Fourier Transform;Wei, Ming Hui等;《Russian Journal of Nondestructive Testing》;第58卷(第3期);221-235 * |
Evaluation of the linear and non-linear prediction models optimized with metaheuristics: Application to anaerobic digestion processes;Tanja Beltramo等;《Engineering in Agriculture, Environment and Food》;第12卷(第4期);397-403 * |
Gear Fault Detection Analysis Method Based on Fractional Wavelet Transform and Back Propagation Neural Network;Yanqiang Sun等;《Computer Modeling in Engineering & Sciences》;第121卷(第3期);1011-1028 * |
Performance Evaluation of Fractional Fourier Transform(FrFT) for Time-Frequency Analysis of Ultrasonic Signals in NDE Applications;Yufeng Lu等;《2010 IEEE International Ultrasonics Symposium Proceedings》;2028-2031 * |
基于分数阶傅里叶变换的高精度线性调频信号参数估计方法;吴超楠;《中国优秀硕士学位论文全文数据库 信息科技辑》(第01期);I136-99 * |
基于宽频超声的固体缺陷检测方法研究;肖敬轩;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第06期);C028-153 * |
基于心电图分析的心律失常分类;陈学琴;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第09期);E062-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN113538406A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538406B (zh) | 一种基于分数阶小波变换的钢板内表面缺陷识别方法 | |
Dorafshan et al. | Deep learning models for bridge deck evaluation using impact echo | |
CN106248801B (zh) | 一种基于多声发射事件概率的钢轨裂纹检测方法 | |
CN107292330B (zh) | 一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法 | |
CN108509935B (zh) | 一种基于随机森林算法的雷达工作模式识别方法 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN105224960A (zh) | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 | |
CN113695713A (zh) | 一种热水器内胆焊接质量在线监测方法及装置 | |
CN107037136B (zh) | 一种管道换热污垢阵列式超声检测方法 | |
CN110907908B (zh) | 基于包络分析的导航雷达信号分选方法 | |
CN111539489A (zh) | 一种毫米波图像目标检测识别方法 | |
CN112185419A (zh) | 一种基于机器学习的玻璃瓶裂纹检测方法 | |
GB2616996A (en) | Method for recognizing type of vortex signal of evaporator of nuclear power plant on basis of LSTM-CNN | |
CN109346182B (zh) | 一种基于cs-rf的地中海贫血病的风险预警方法 | |
CN112990125B (zh) | 一种辐射源雷达属于目标平台的判别方法 | |
CN107330550A (zh) | 基于二次退火教与学算法的空间圆柱度评定方法 | |
CN111983569A (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN103076595A (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN114219157B (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
CN113361579B (zh) | 一种水下目标探测辨识方法、系统、设备及可读存储介质 | |
CN112784887B (zh) | 一种植物生命状态评价方法及装置 | |
CN105095689B (zh) | 一种基于韦恩预测的电子鼻数据挖掘方法 | |
Abouelmagd | E-nose-based optimized ensemble learning for meat quality classification | |
Wati et al. | Prediction of Student Graduation using the K-Nearest Neighbors Method |
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 |