CN114235970B - 一种自适应超声重叠回波分离方法 - Google Patents
一种自适应超声重叠回波分离方法 Download PDFInfo
- Publication number
- CN114235970B CN114235970B CN202111558880.0A CN202111558880A CN114235970B CN 114235970 B CN114235970 B CN 114235970B CN 202111558880 A CN202111558880 A CN 202111558880A CN 114235970 B CN114235970 B CN 114235970B
- Authority
- CN
- China
- Prior art keywords
- computer
- ultrasonic echo
- atom
- echo signal
- training
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000002592 echocardiography Methods 0.000 claims abstract description 9
- 238000002604 ultrasonography Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000007547 defect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012536 packaging technology Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- 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
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- 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
-
- 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
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2697—Wafer or (micro)electronic parts
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种自适应超声重叠回波分离方法，该方法包括以下步骤：一、超声回波信号的采集与处理；二、超声回波信号的处理；三、获取自适应的超完备字典；四、超声重叠回波的分离。本发明方法步骤简单，设计合理，通过KSVD算法训练自适应的超完备字典并结合SMP算法而提高超声重叠回波分离的准确性。
Description
技术领域
本发明属于超声重叠回波分离技术领域，尤其是涉及一种自适应超声重叠回波分离方法。
背景技术
随着微电子封装技术的不断发展，倒装焊封装技术得到更加广泛的应用。随着倒装焊技术封装的密度越来越高，间隔越来越小，芯片功率密度极大增加，散热更为困难，尺度效应愈加显著，同时Low-K及无铅材料的应用，芯片热应力失配问题更为显著，应力集中更加明显。因此对封装检测的关注度越来越高，尤其是发展或改进倒装焊芯片缺陷检测方法日益受到人们的重视。随之结合超声扫描仪对倒装焊芯片的缺陷检测展开了研究。
但是目前，超声重叠信号的定位定量分析是一个难题，而稀疏表示技术正逐渐被发展用于解决该难题。传统的稀疏分解MP算法解决该问题时，通常每次选择的原子并不能很好地匹配组成信号的任意一个原始回波，从而使重建结果存在较大误差，分离重叠回波的效果不佳。另外SMP算法认为每个超声回波都可以近似为超完备Gabor原子库中的一个原子，通过每次迭代时在解集中加入单个原子逼近单个超声回波。这样一个超声回波可以通过一个原子来表示，从而解决重叠回波分离的问题。但是SMP算法中的Gabor字典是一种通用字典，其原子结构固定，而不同信号其本征特征也不同，因此Gabor原子不能最佳匹配特定回波。
因此，需要一种自适应超声重叠回波分离方法，通过对倒装焊超声缺陷信号的自适应学习，构造超完备字典，从而提高重叠回波分离的准确性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种自适应超声重叠回波分离方法，其方法步骤简单，设计合理，通过KSVD算法训练自适应的超完备字典并结合SMP算法而提高超声重叠回波分离的准确性。
为解决上述技术问题，本发明采用的技术方案是：一种自适应超声重叠回波分离方法，其特征在于，该方法包括以下步骤：
步骤一、超声回波信号的采集与处理：
步骤101、以倒装焊芯片的表面左上角为原点，过原点且沿倒装焊芯片的长边为X轴方向，过原点且沿倒装焊芯片的宽边为Y轴方向，建立直角坐标系；其中，X轴和Y轴垂直；
步骤102、采用超声波A型扫描仪沿XOY平面对倒装焊芯片进行扫描，得到各个超声回波信号；其中，各个超声回波信号均为A扫描信号；
步骤103、采用计算机通过MATLAB软件分别对各个超声回波信号中缺陷位置处的信号进行截取，得到各个截取超声回波信号；其中，第i个截取超声回波信号记作A(i)＝[A(ti,1),...,A(ti,N)]，A(ti,1)表示第i个截取超声回波信号中起始采样时刻ti,1对应的信号值，A(ti,N)表示第i个截取超声回波信号中终止采样时刻ti,N对应的信号值，第i个截取超声回波信号的长度小于256，i为正整数；
步骤104、采用计算机以采样时刻为横坐标，以信号值为纵坐标建立二维坐标系；其中，横坐标的长度为256个采样时刻；
步骤105、在二维坐标系中，采用计算机将各个截取超声回波信号，沿横坐标从零采样时刻开始，按照步骤103中起始采样时刻依次错位一个采样时刻进行绘制，并将各个截取超声回波信号在二维坐标系中其它采样时刻的信号值赋值为零，依次得到各个训练超声回波信号；
步骤106、多次重复步骤105，直至最后一个截取超声回波信号的截取终止采样时刻处于横坐标的第256个采样时刻，得到第一组训练超声回波信号；
步骤107、按照步骤105和步骤106所述的方法，得到多组训练超声回波信号，以使多组训练超声回波信号共包括I个训练超声回波信号；
步骤二、超声回波信号的处理：
步骤201、采用计算机将I个训练超声回波信号按照绘制前后顺序分别记作第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI；其中，i和I均为正整数，且1≤i≤I，且I＝50000，I个训练超声回波信号的长度均等于256；
步骤202、采用计算机将第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI分别进行处理，得到处理后样本集Y′，且Y′＝{y′1,...,y′i,...y′I}；其中，y′1表示第1个处理后样本，y′i表示第i个处理后样本，y′I表示第I个处理后样本；
步骤三、获取自适应的超完备字典：
采用计算机利用KSVD算法，对处理后样本集Y′进行训练，得到自适应的超完备字典D′；
步骤四、超声重叠回波的分离：
步骤401、采用超声波A型扫描仪对倒装焊芯片进行扫描，获取倒装焊芯的超声重叠回波信号；其中，超声重叠回波信号为倒装焊芯中至少2个缺陷所处位置处的超声回波信号叠加后的信号；
步骤402、采用计算机通过MATLAB软件对倒装焊芯的超声重叠回波信号中缺陷位置处的信号进行截取，得到待处理超声重叠回波信号Y；其中，待处理超声重叠回波信号的长度为256；
步骤403、设定更新次数z和起始残差r1；其中，更新次数z的起始值为零，起始残差r1等于Y；
且采用计算机根据t1＝(k′||r1||2/N)，得到阈值t1；其中，N＝256，||·||2表示二范数；其中，k′为常数且等于2；
步骤404、采用计算机根据公式c1(k)＝d′k Tr1，得到起始残差r1与超完备字典D′中第k个原子的内积值c1(k)；其中，d′k表示超完备字典D′中第k个原子，1≤k≤K，k和K均为正整数，K表示超完备字典D′中原子的总数；
步骤405、采用计算机从超完备字典D′中将内积值c1(k)大于阈值t1所对应的原子筛选，并记作第一次更新原子库P1；
步骤406、采用计算机判断第一次更新原子库P1是否为空集，当第一次更新原子库P1为空集，执行步骤407；否则执行步骤408和409；
步骤407、采用计算机将步骤404中各个内积值的绝对值按照从小到大的顺序进行排序，则最大内积值所对应的原子记作第一个最优原子
步骤408、将第一次更新原子库P1中第p个原子记作dp，p为正整数，且p的取值位于1～K；
采用计算机根据公式rp,2＝r1-c1(p)dp，得到第一次更新原子库P1中原子dp迭代时的残差rp,2；其中，p表示所选原子在超完备字典D′中的列数，c1(p)表示起始残差r1与第一次更新原子库P1中原子dp的内积；
步骤409、按照步骤408所述的方法，对第一次更新原子库P1中各个原子进行残差处理，并将残差||rp,2||1最小值所对应的原子记作第一个最优原子
步骤40A、采用计算机根据第一个最优原子和第一个最优原子/>与起始残差r1的内积值重构得到第一个超声回波分离信号；
步骤40B、采用计算机将第一个最优原子代入步骤408中公式得到的残差记作第二次残差r2，判断||r2||2＜ε是否成立，如果||r2||2＜ε成立，停止；如果||r2||2＜ε不成立，执行步骤40C；其中，ε表示设定迭代阈值；
步骤40C、采用计算机将第二次残差r2作为起始残差，并按照步骤404至步骤40A所述的方法，对第二次残差r2进行迭代判断，得到第二个最优原子并根据第二个最优原子和第二个最优原子/>与第二次残差r2的内积值重构得到第二个超声回波分离信号；
步骤40D、多次重复步骤40B和步骤40C，采用计算机将第z次残差rz作为起始残差，对第z次残差rz进行迭代判断，直至||rz||2＜ε成立，得到第z个超声回波分离信号，完成待处理超声重叠回波信号Y的分离；其中，z为正整数。
上述的一种自适应超声重叠回波分离方法，其特征在于：步骤202中采用计算机对第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI分别进行处理的方法均相同，其中，采用计算机对第i个训练超声回波信号进行处理，具体过程如下：
步骤2021、采用计算机将第i个训练超声回波信号yi中信号值的最大绝对值记作将第c个采样时刻的信号值记作/>其中，c为正整数，且1≤c≤256；
步骤2022、采用计算机判断是否为零，当/>等于零，则第i个训练超声回波信号yi中第c个采样时刻的处理后信号值/>当/>不等于零，采用计算机根据公式得到第i个训练超声回波信号yi中第c个采样时刻的处理后信号值/>
步骤2023、按照步骤2022所述的方法，完成第i个训练超声回波信号yi中各个采样时刻的信号值处理，得到第i个处理后样本y′i；其中，
上述的一种自适应超声重叠回波分离方法，其特征在于：步骤三中采用计算机利用KSVD算法，对处理后样本集Y′进行训练，得到自适应的超完备字典D′，具体过程如下：
步骤301、采用计算机选择第1个处理后样本至第4096个处理后样本作为初始化字典D，并设置迭代次数t＝5；其中，初始化字典D＝[d1,...dj,....dK]，dj表示初始化字典D中第j个原子，j和K均为正整数，且1≤j≤K，且K＝4096；
步骤302、采用计算机利用OMP算法得到处理后样本集Y′在初始化字典D下的稀疏编码矩阵X；
步骤303、采用计算机建立优化模型，如下：
其中，/>表示F范数的平方，/>表示稀疏编码矩阵X中原子dj对应的第j行向量，dk表示初始化字典D中第k个原子，/>表示稀疏编码矩阵X中原子dk对应的第k行向量，k位于1～K，且k≠j，Εk表示取掉原子dk对应的残差；
步骤304、采用计算机将步骤303的优化模型转换为如下：
步骤305、采用计算机将稀疏编码矩阵X中的第k行向量中不为0的列提取，得到优化后的第k行向量/>其中，/>中均不为零；
步骤306、采用计算机将Εk中对应优化后的第k行向量的各列提取，得到优化后的残差Ε′k；
步骤307、采用计算机对Ε′k进行SVD分解，得到Ε′k＝UΣVT；其中，U表示左奇异矩阵，Σ是主对角线为奇异值其余均为0的矩阵，V表示右奇异矩阵；
步骤308、采用计算机将左奇异矩阵U中的第1列更新第k个原子，并对应添加稀疏编码矩阵X中的第k行向量为0的列，得到第一次迭代更新后的第k个原子dk(1)；
步骤309、多次重复步骤303至308，完成第一次迭代更新后的第K个原子dK(1)；
步骤30A、采用计算机将dk(1)至dK(1)再次作为初始化字典，进行下一次迭代，按照步骤302至步骤309所述的方法，直至迭代次数满足t，得到第t次迭代更新后的K个原子，并将第t次迭代更新后的K个原子作为自适应的超完备字典D′。
本发明与现有技术相比具有以下优点：
1、本发明方法首先是倒装焊芯片的超声回波信号的采集与处理，其次是超声回波信号的处理，并对处理后样本进行训练获取自适应的超完备字典，最后在自适应的超完备字典基础上进行超声重叠回波的分离，步骤简单、设计合理且实现简便。
2、本发明采用超声波A型扫描仪对倒装焊芯片进行扫描采集超声回波信号，进而对各个超声回波信号中缺陷位置处的信号进行截取，得到各个截取超声回波信号，并对截取超声回波信号进行处理得到50000个超声回波信号作为训练样本，以便于后续KSVD算法的自适应训练。
3、本发明对各个训练样本进行处理得到处理后样本集，一方面是为了选择第1个处理后样本至第4096个处理后样本作为初始化字典；另一方面，是为了提高后续KSVD算法的自适应训练的准确度。
4、本发明利用KSVD算法进行5次迭代更新，从而将第5次迭代更新后的K个原子作为超完备字典D′，从而实现了训练自适应的超完备字典，避免SMP算法中Gabor字典不能最佳匹配回波。
5、本发明在超声重叠回波分离中，在基于超完备字典D′的基础上利用SMP算法，通过残差量判断选择最优原子，然后根据最优原子还原超声重叠回波信号，从而提高超声重叠回波分离的准确性。
综上所述，本发明方法步骤简单，设计合理，通过KSVD算法训练自适应的超完备字典并结合SMP算法而提高超声重叠回波分离的准确性
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程框图。
具体实施方式
如图1所示的一种自适应超声重叠回波分离方法，该方法包括以下步骤：
步骤一、超声回波信号的采集与处理：
步骤101、以倒装焊芯片的表面左上角为原点，过原点且沿倒装焊芯片的长边为X轴方向，过原点且沿倒装焊芯片的宽边为Y轴方向，建立直角坐标系；其中，X轴和Y轴垂直；
步骤102、采用超声波A型扫描仪沿XOY平面对倒装焊芯片进行扫描，得到各个超声回波信号；其中，各个超声回波信号均为A扫描信号；
步骤103、采用计算机通过MATLAB软件分别对各个超声回波信号中缺陷位置处的信号进行截取，得到各个截取超声回波信号；其中，第i个截取超声回波信号记作A(i)＝[A(ti,1),...,A(ti,N)]，A(ti,1)表示第i个截取超声回波信号中起始采样时刻ti,1对应的信号值，A(ti,N)表示第i个截取超声回波信号中终止采样时刻ti,N对应的信号值，第i个截取超声回波信号的长度小于256，i为正整数；
步骤104、采用计算机以采样时刻为横坐标，以信号值为纵坐标建立二维坐标系；其中，横坐标的长度为256个采样时刻；
步骤105、在二维坐标系中，采用计算机将各个截取超声回波信号，沿横坐标从零采样时刻开始，按照步骤103中起始采样时刻依次错位一个采样时刻进行绘制，并将各个截取超声回波信号在二维坐标系中其它采样时刻的信号值赋值为零，依次得到各个训练超声回波信号；
步骤106、多次重复步骤105，直至最后一个截取超声回波信号的截取终止采样时刻处于横坐标的第256个采样时刻，得到第一组训练超声回波信号；
步骤107、按照步骤105和步骤106所述的方法，得到多组训练超声回波信号，以使多组训练超声回波信号共包括I个训练超声回波信号；
步骤二、超声回波信号的处理：
步骤201、采用计算机将I个训练超声回波信号按照绘制前后顺序分别记作第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI；其中，i和I均为正整数，且1≤i≤I，且I＝50000，I个训练超声回波信号的长度均等于256；
步骤202、采用计算机将第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI分别进行处理，得到处理后样本集Y′，且Y′＝{y′1,...,y′i,...y′I}；其中，y′1表示第1个处理后样本，y′i表示第i个处理后样本，y′I表示第I个处理后样本；
步骤三、获取自适应的超完备字典：
采用计算机利用KSVD算法，对处理后样本集Y′进行训练，得到自适应的超完备字典D′；
步骤四、超声重叠回波的分离：
步骤401、采用超声波A型扫描仪对倒装焊芯片进行扫描，获取倒装焊芯的超声重叠回波信号；其中，超声重叠回波信号为倒装焊芯中至少2个缺陷所处位置处的超声回波信号叠加后的信号；
步骤402、采用计算机通过MATLAB软件对倒装焊芯的超声重叠回波信号中缺陷位置处的信号进行截取，得到待处理超声重叠回波信号Y；其中，待处理超声重叠回波信号的长度为256；
步骤403、设定更新次数z和起始残差r1；其中，更新次数z的起始值为零，起始残差r1等于Y；
且采用计算机根据t1＝(k′||r1||2/N)，得到阈值t1；其中，N＝256，||·||2表示二范数；其中，k′为常数且等于2；
步骤404、采用计算机根据公式c1(k)＝d′k Tr1，得到起始残差r1与超完备字典D′中第k个原子的内积值c1(k)；其中，d′k表示超完备字典D′中第k个原子，1≤k≤K，k和K均为正整数，K表示超完备字典D′中原子的总数；
步骤405、采用计算机从超完备字典D′中将内积值c1(k)大于阈值t1所对应的原子筛选，并记作第一次更新原子库P1；
步骤406、采用计算机判断第一次更新原子库P1是否为空集，当第一次更新原子库P1为空集，执行步骤407；否则执行步骤408和409；
步骤407、采用计算机将步骤404中各个内积值的绝对值按照从小到大的顺序进行排序，则最大内积值所对应的原子记作第一个最优原子
步骤408、将第一次更新原子库P1中第p个原子记作dp，p为正整数，且p的取值位于1～K；
采用计算机根据公式rp,2＝r1-c1(p)dp，得到第一次更新原子库P1中原子dp迭代时的残差rp,2；其中，p表示所选原子在超完备字典D′中的列数，c1(p)表示起始残差r1与第一次更新原子库P1中原子dp的内积；
步骤409、按照步骤408所述的方法，对第一次更新原子库P1中各个原子进行残差处理，并将残差||rp,2||1最小值所对应的原子记作第一个最优原子
步骤40A、采用计算机根据第一个最优原子和第一个最优原子/>与起始残差r1的内积值重构得到第一个超声回波分离信号；
步骤40B、采用计算机将第一个最优原子代入步骤408中公式得到的残差记作第二次残差r2，判断||r2||2＜ε是否成立，如果||r2||2＜ε成立，停止；如果||r2||2＜ε不成立，执行步骤40C；其中，ε表示设定迭代阈值；
步骤40C、采用计算机将第二次残差r2作为起始残差，并按照步骤404至步骤40A所述的方法，对第二次残差r2进行迭代判断，得到第二个最优原子并根据第二个最优原子和第二个最优原子/>与第二次残差r2的内积值重构得到第二个超声回波分离信号；
步骤40D、多次重复步骤40B和步骤40C，采用计算机将第z次残差rz作为起始残差，对第z次残差rz进行迭代判断，直至||rz||2＜ε成立，得到第z个超声回波分离信号，完成待处理超声重叠回波信号Y的分离；其中，z为正整数。
本实施例中，步骤202中采用计算机对第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI分别进行处理的方法均相同，其中，采用计算机对第i个训练超声回波信号进行处理，具体过程如下：
步骤2021、采用计算机将第i个训练超声回波信号yi中信号值的最大绝对值记作将第c个采样时刻的信号值记作/>其中，c为正整数，且1≤c≤256；
步骤2022、采用计算机判断是否为零，当/>等于零，则第i个训练超声回波信号yi中第c个采样时刻的处理后信号值/>当/>不等于零，采用计算机根据公式/>得到第i个训练超声回波信号yi中第c个采样时刻的处理后信号值/>
步骤2023、按照步骤2022所述的方法，完成第i个训练超声回波信号yi中各个采样时刻的信号值处理，得到第i个处理后样本y′i；其中，
本实施例中，步骤三中采用计算机利用KSVD算法，对处理后样本集Y′进行训练，得到自适应的超完备字典D′，具体过程如下：
步骤301、采用计算机选择第1个处理后样本至第4096个处理后样本作为初始化字典D，并设置迭代次数t＝5；其中，初始化字典D＝[d1,...dj,....dK]，dj表示初始化字典D中第j个原子，j和K均为正整数，且1≤j≤K，且K＝4096；
步骤302、采用计算机利用OMP算法得到处理后样本集Y′在初始化字典D下的稀疏编码矩阵X；
步骤303、采用计算机建立优化模型，如下：
其中，/>表示F范数的平方，/>表示稀疏编码矩阵X中原子dj对应的第j行向量，dk表示初始化字典D中第k个原子，/>表示稀疏编码矩阵X中原子dk对应的第k行向量，k位于1～K，且k≠j，Εk表示取掉原子dk对应的残差；
步骤304、采用计算机将步骤303的优化模型转换为如下：
步骤305、采用计算机将稀疏编码矩阵X中的第k行向量中不为0的列提取，得到优化后的第k行向量/>其中，/>中均不为零；
步骤306、采用计算机将Εk中对应优化后的第k行向量的各列提取，得到优化后的残差Ε′k；
步骤307、采用计算机对Ε′k进行SVD分解，得到Ε′k＝UΣVT；其中，U表示左奇异矩阵，Σ是主对角线为奇异值其余均为0的矩阵，V表示右奇异矩阵；
步骤308、采用计算机将左奇异矩阵U中的第1列更新第k个原子，并对应添加稀疏编码矩阵X中的第k行向量为0的列，得到第一次迭代更新后的第k个原子dk(1)；
步骤309、多次重复步骤303至308，完成第一次迭代更新后的第K个原子dK(1)；
步骤30A、采用计算机将dk(1)至dK(1)再次作为初始化字典，进行下一次迭代，按照步骤302至步骤309所述的方法，直至迭代次数满足t，得到第t次迭代更新后的K个原子，并将第t次迭代更新后的K个原子作为自适应的超完备字典D′。
本实施例中，采用自适应的超完备字典D′代替传统的Gabor原子，为信号自适应的稀疏扩展提供了极大的灵活性，更重要的是可以利用字典的冗余特性捕捉倒装焊芯的超声重叠回波信号内在的本质特征。
本实施例中，步骤40C中所述的ε为预先设定的残差量判断阈值，实际使用时，可根据具体需要，对ε的取值大小进行限定。
本实施例中，步骤40C中所述设定迭代阈值ε的取值为1×10-5。
本实施例中，需要说明的是，信号的长度和信号的采样时刻个数相同。
本实施例中，第i个截取超声回波信号中终止采样时刻和起始采样时刻之间的采样时刻的个数即第i个截取超声回波信号的长度。
本实施例中，KSVD算法是一种稀疏表示中字典学习的算法，其名字的由来是该算法要经过K此迭代，且每一次迭代都要使用SVD分解。
本实施例中，SMP算法是support matching pursuit算法即支持匹配追踪算法。
本实施例中，OMP算法是Orthogonal Matching Pursuit算法即正交匹配追踪算法。
本实施例中，步骤102中各个超声回波信号均为倒装焊芯中1个缺陷所处位置处的超声回波信号。
本实施例中，需要说明的是，第1个截取超声回波信号中起始采样时刻和二维坐标系的零采样时刻重合绘制，第2个截取超声回波信号中起始采样时刻和二维坐标系的第1个采样时刻重合绘制，后面依次类推。
综上所述，本发明方法步骤简单，设计合理，通过KSVD算法训练自适应的超完备字典并结合SMP算法而提高超声重叠回波分离的准确性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (3)
1.一种自适应超声重叠回波分离方法，其特征在于，该方法包括以下步骤：
步骤一、超声回波信号的采集与处理：
步骤101、以倒装焊芯片的表面左上角为原点，过原点且沿倒装焊芯片的长边为X轴方向，过原点且沿倒装焊芯片的宽边为Y轴方向，建立直角坐标系；其中，X轴和Y轴垂直；
步骤102、采用超声波A型扫描仪沿XOY平面对倒装焊芯片进行扫描，得到各个超声回波信号；其中，各个超声回波信号均为A扫描信号；
步骤103、采用计算机通过MATLAB软件分别对各个超声回波信号中缺陷位置处的信号进行截取，得到各个截取超声回波信号；其中，第i个截取超声回波信号记作A(i)＝[A(ti,1),...,A(ti,N)]，A(ti,1)表示第i个截取超声回波信号中起始采样时刻ti,1对应的信号值，A(ti,N)表示第i个截取超声回波信号中终止采样时刻ti,N对应的信号值，第i个截取超声回波信号的长度小于256，i为正整数；
步骤104、采用计算机以采样时刻为横坐标，以信号值为纵坐标建立二维坐标系；其中，横坐标的长度为256个采样时刻；
步骤105、在二维坐标系中，采用计算机将各个截取超声回波信号，沿横坐标从零采样时刻开始，按照步骤103中起始采样时刻依次错位一个采样时刻进行绘制，并将各个截取超声回波信号在二维坐标系中其它采样时刻的信号值赋值为零，依次得到各个训练超声回波信号；
步骤106、多次重复步骤105，直至最后一个截取超声回波信号的截取终止采样时刻处于横坐标的第256个采样时刻，得到第一组训练超声回波信号；
步骤107、按照步骤105和步骤106所述的方法，得到多组训练超声回波信号，以使多组训练超声回波信号共包括I个训练超声回波信号；
步骤二、超声回波信号的处理：
步骤201、采用计算机将I个训练超声回波信号按照绘制前后顺序分别记作第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI；其中，i和I均为正整数，且1≤i≤I，且I＝50000，I个训练超声回波信号的长度均等于256；
步骤202、采用计算机将第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI分别进行处理，得到处理后样本集Y′，且Y′＝{y′1,...,y′i,...y′I}；其中，y′1表示第1个处理后样本，y′i表示第i个处理后样本，y′I表示第I个处理后样本；
步骤三、获取自适应的超完备字典：
采用计算机利用KSVD算法，对处理后样本集Y′进行训练，得到自适应的超完备字典D′；
步骤四、超声重叠回波的分离：
步骤401、采用超声波A型扫描仪对倒装焊芯片进行扫描，获取倒装焊芯的超声重叠回波信号；其中，超声重叠回波信号为倒装焊芯中至少2个缺陷所处位置处的超声回波信号叠加后的信号；
步骤402、采用计算机通过MATLAB软件对倒装焊芯的超声重叠回波信号中缺陷位置处的信号进行截取，得到待处理超声重叠回波信号Y；其中，待处理超声重叠回波信号的长度为256；
步骤403、设定更新次数z和起始残差r1；其中，更新次数z的起始值为零，起始残差r1等于Y；
且采用计算机根据t1＝(k′||r1||2/N)，得到阈值t1；其中，N＝256，||·||2表示二范数；其中，k′为常数且等于2；
步骤404、采用计算机根据公式得到起始残差r1与超完备字典D′中第k个原子的内积值c1(k)；其中，d′k表示超完备字典D′中第k个原子，1≤k≤K，k和K均为正整数，K表示超完备字典D′中原子的总数；
步骤405、采用计算机从超完备字典D′中将内积值c1(k)大于阈值t1所对应的原子筛选，并记作第一次更新原子库P1；
步骤406、采用计算机判断第一次更新原子库P1是否为空集，当第一次更新原子库P1为空集，执行步骤407；否则执行步骤408和409；
步骤407、采用计算机将步骤404中各个内积值的绝对值按照从小到大的顺序进行排序，则最大内积值所对应的原子记作第一个最优原子
步骤408、将第一次更新原子库P1中第p个原子记作dp，p为正整数，且p的取值位于1～K；
采用计算机根据公式rp,2＝r1-c1(p)dp，得到第一次更新原子库P1中原子dp迭代时的残差rp,2；其中，p表示所选原子在超完备字典D′中的列数，c1(p)表示起始残差r1与第一次更新原子库P1中原子dp的内积；
步骤409、按照步骤408所述的方法，对第一次更新原子库P1中各个原子进行残差处理，并将残差||rp,2||1最小值所对应的原子记作第一个最优原子
步骤40A、采用计算机根据第一个最优原子和第一个最优原子/>与起始残差r1的内积值重构得到第一个超声回波分离信号；
步骤40B、采用计算机将第一个最优原子代入步骤408中公式得到的残差记作第二次残差r2，判断||r2||2＜ε是否成立，如果||r2||2＜ε成立，停止；如果||r2||2＜ε不成立，执行步骤40C；其中，ε表示设定迭代阈值；
步骤40C、采用计算机将第二次残差r2作为起始残差，并按照步骤404至步骤40A所述的方法，对第二次残差r2进行迭代判断，得到第二个最优原子并根据第二个最优原子/>和第二个最优原子/>与第二次残差r2的内积值重构得到第二个超声回波分离信号；
步骤40D、多次重复步骤40B和步骤40C，采用计算机将第z次残差rz作为起始残差，对第z次残差rz进行迭代判断，直至||rz||2＜ε成立，得到第z个超声回波分离信号，完成待处理超声重叠回波信号Y的分离；其中，z为正整数。
2.按照权利要求1所述的一种自适应超声重叠回波分离方法，其特征在于：步骤202中采用计算机对第1个训练超声回波信号y1，...，第i个训练超声回波信号yi，...，第I个训练超声回波信号yI分别进行处理的方法均相同，其中，采用计算机对第i个训练超声回波信号进行处理，具体过程如下：
步骤2021、采用计算机将第i个训练超声回波信号yi中信号值的最大绝对值记作将第c个采样时刻的信号值记作/>其中，c为正整数，且1≤c≤256；
步骤2022、采用计算机判断是否为零，当/>等于零，则第i个训练超声回波信号yi中第c个采样时刻的处理后信号值/>当/>不等于零，采用计算机根据公式/>得到第i个训练超声回波信号yi中第c个采样时刻的处理后信号值/>
步骤2023、按照步骤2022所述的方法，完成第i个训练超声回波信号yi中各个采样时刻的信号值处理，得到第i个处理后样本y′i；其中，
3.按照权利要求1所述的一种自适应超声重叠回波分离方法，其特征在于：步骤三中采用计算机利用KSVD算法，对处理后样本集Y′进行训练，得到自适应的超完备字典D′，具体过程如下：
步骤301、采用计算机选择第1个处理后样本至第4096个处理后样本作为初始化字典D，并设置迭代次数t＝5；其中，初始化字典D＝[d1,...dj,....dK]，dj表示初始化字典D中第j个原子，j和K均为正整数，且1≤j≤K，且K＝4096；
步骤302、采用计算机利用OMP算法得到处理后样本集Y′在初始化字典D下的稀疏编码矩阵X；
步骤303、采用计算机建立优化模型，如下：
其中，表示F范数的平方，/>表示稀疏编码矩阵X中原子dj对应的第j行向量，dk表示初始化字典D中第k个原子，/>表示稀疏编码矩阵X中原子dk对应的第k行向量，k位于1～K，且k≠j，Εk表示取掉原子dk对应的残差；
步骤304、采用计算机将步骤303的优化模型转换为如下：
步骤305、采用计算机将稀疏编码矩阵X中的第k行向量中不为0的列提取，得到优化后的第k行向量/>其中，/>中均不为零；
步骤306、采用计算机将Εk中对应优化后的第k行向量的各列提取，得到优化后的残差Ε′k；
步骤307、采用计算机对Ε′k进行SVD分解，得到Ε′k＝UΣVT；其中，U表示左奇异矩阵，Σ是主对角线为奇异值其余均为0的矩阵，V表示右奇异矩阵；
步骤308、采用计算机将左奇异矩阵U中的第1列更新第k个原子，并对应添加稀疏编码矩阵X中的第k行向量为0的列，得到第一次迭代更新后的第k个原子dk(1)；
步骤309、多次重复步骤303至308，完成第一次迭代更新后的第K个原子dK(1)；
步骤30A、采用计算机将dk(1)至dK(1)再次作为初始化字典，进行下一次迭代，按照步骤302至步骤309所述的方法，直至迭代次数满足t，得到第t次迭代更新后的K个原子，并将第t次迭代更新后的K个原子作为自适应的超完备字典D′。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111558880.0A CN114235970B (zh) | 2021-12-20 | 2021-12-20 | 一种自适应超声重叠回波分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111558880.0A CN114235970B (zh) | 2021-12-20 | 2021-12-20 | 一种自适应超声重叠回波分离方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114235970A CN114235970A (zh) | 2022-03-25 |
| CN114235970B true CN114235970B (zh) | 2024-04-23 |
Family
ID=80758958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111558880.0A Active CN114235970B (zh) | 2021-12-20 | 2021-12-20 | 一种自适应超声重叠回波分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114235970B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115236206B (zh) * | 2022-06-30 | 2023-06-20 | 江南大学 | 基于多路径匹配追踪算法改进的高频超声去噪方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU819687A1 (ru) * | 1977-02-22 | 1981-04-07 | Предприятие П/Я Р-6896 | Ультразвуковой искатель |
| US4393711A (en) * | 1980-11-13 | 1983-07-19 | Electric Power Research Institute, Inc. | Apparatus and method for ultrasonic detection of flaws in power plant piping systems |
| JP2007285910A (ja) * | 2006-04-18 | 2007-11-01 | Toyota Motor Corp | 溶接部品の製造方法 |
| WO2013035726A1 (ja) * | 2011-09-07 | 2013-03-14 | Ｊｆｅスチール株式会社 | 測定方法および測定装置 |
| WO2017028920A1 (en) * | 2015-08-19 | 2017-02-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Ultrasonic measurements for reconstructing an image of an object |
| CN109507304A (zh) * | 2018-12-26 | 2019-03-22 | 西安科技大学 | 一种基于超声探伤的缺陷检测方法 |
| CN109507291A (zh) * | 2018-12-26 | 2019-03-22 | 西安科技大学 | 一种信号预处理方法 |
| CN109632974A (zh) * | 2018-12-26 | 2019-04-16 | 西安科技大学 | 一种超声波探伤用回波信号分离方法 |
| CN109632973A (zh) * | 2018-12-26 | 2019-04-16 | 西安科技大学 | 一种基于多尺度匹配追踪的超声回波信号提取方法 |
| CN112861731A (zh) * | 2021-02-09 | 2021-05-28 | 西安科技大学 | 一种基于参数寻优的超声信号去噪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3259911B1 (en) * | 2015-02-19 | 2021-04-07 | Magic Pony Technology Limited | Enhancing visual data using updated neural networks |
| CA3097655A1 (en) * | 2019-10-30 | 2021-04-30 | Royal Bank Of Canada | System and method for machine learning architecture with differential privacy |
-
2021
- 2021-12-20 CN CN202111558880.0A patent/CN114235970B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU819687A1 (ru) * | 1977-02-22 | 1981-04-07 | Предприятие П/Я Р-6896 | Ультразвуковой искатель |
| US4393711A (en) * | 1980-11-13 | 1983-07-19 | Electric Power Research Institute, Inc. | Apparatus and method for ultrasonic detection of flaws in power plant piping systems |
| JP2007285910A (ja) * | 2006-04-18 | 2007-11-01 | Toyota Motor Corp | 溶接部品の製造方法 |
| WO2013035726A1 (ja) * | 2011-09-07 | 2013-03-14 | Ｊｆｅスチール株式会社 | 測定方法および測定装置 |
| WO2017028920A1 (en) * | 2015-08-19 | 2017-02-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Ultrasonic measurements for reconstructing an image of an object |
| CN109507304A (zh) * | 2018-12-26 | 2019-03-22 | 西安科技大学 | 一种基于超声探伤的缺陷检测方法 |
| CN109507291A (zh) * | 2018-12-26 | 2019-03-22 | 西安科技大学 | 一种信号预处理方法 |
| CN109632974A (zh) * | 2018-12-26 | 2019-04-16 | 西安科技大学 | 一种超声波探伤用回波信号分离方法 |
| CN109632973A (zh) * | 2018-12-26 | 2019-04-16 | 西安科技大学 | 一种基于多尺度匹配追踪的超声回波信号提取方法 |
| CN112861731A (zh) * | 2021-02-09 | 2021-05-28 | 西安科技大学 | 一种基于参数寻优的超声信号去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| Signal Matching Wavelet for Ultrasonic Flaw Detection in High Background Noise;Guangming Shi等;IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control;20110126;第58卷(第4期);776-787 * |
| 基于小波变换的焊接缺陷超声信号处理;齐爱玲;仪器仪表学报;20060630;第27卷(第6期);1390-1391 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114235970A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063753B (zh) | 一种基于卷积神经网络的三维点云模型分类方法 | |
| CN112232392B (zh) | 一种用于三维探地雷达的数据解译和识别方法 | |
| CN112764024B (zh) | 基于卷积神经网络和Bert的雷达目标识别方法 | |
| CN110363746B (zh) | 一种基于卷积神经网络的超声无损检测信号分类方法 | |
| CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
| CN114235970B (zh) | 一种自适应超声重叠回波分离方法 | |
| CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
| CN110287770B (zh) | 一种基于卷积神经网络的水中个体目标匹配识别方法 | |
| CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
| CN113449683B (zh) | 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 | |
| CN113504306B (zh) | 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法 | |
| CN112364754A (zh) | 螺栓缺陷检测方法及系统 | |
| CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
| CN112288714A (zh) | 基于深度学习的硬件木马检测方法 | |
| CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
| CN115965818A (zh) | 一种基于相似度特征融合的小样本图像分类方法 | |
| CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
| CN116310425A (zh) | 一种细粒度图像检索方法、系统、设备及存储介质 | |
| CN111352075B (zh) | 一种基于深度学习的水下多声源定位方法及系统 | |
| CN114596480A (zh) | 一种基于yolov5优化的海底生物目标检测方法和系统 | |
| CN109815889B (zh) | 一种基于特征表示集的跨分辨率人脸识别方法 | |
| CN111382799B (zh) | 一种地震断层图像处理方法 | |
| CN109919200B (zh) | 一种基于张量分解和域适应的图像分类方法 | |
| CN109212501B (zh) | 基于局部嵌入的雷达高分辨距离像目标识别方法 | |
| Liang et al. | SCDFMixer: Spatial-Channel Dual-Frequency Mixer Based on Satellite Optical Sensors for Remote Sensing Multi-Object Detection |
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 |