CN114881938A - 基于小波分析和神经网络的晶粒度检测方法及系统 - Google Patents
基于小波分析和神经网络的晶粒度检测方法及系统 Download PDFInfo
- Publication number
- CN114881938A CN114881938A CN202210418988.8A CN202210418988A CN114881938A CN 114881938 A CN114881938 A CN 114881938A CN 202210418988 A CN202210418988 A CN 202210418988A CN 114881938 A CN114881938 A CN 114881938A
- Authority
- CN
- China
- Prior art keywords
- neural network
- frequency characteristic
- wavelet time
- convolutional neural
- wavelet
- 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
Images
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请公开了基于小波分析和神经网络的晶粒度检测方法及系统,方法包括:获取至少一个金属样件对应的小波时频特征图集;所述小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图;根据所述小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型;将待测小波时频特征图输入至所述优化卷积神经网络模型中,得到晶粒度检测结果。本申请将超声波回波信号转化的大量小波时频特征图作为优化卷积神经网络的输入数据,可提高卷积神经网络模型的泛化能力,建立的优化卷积神经网络模型应用于金属晶粒度的检测,检测精度更高。
Description
技术领域
本申请涉及金属组织无损检测技术领域,特别涉及一种基于小波分析和神经网络的晶粒度检测方法及系统。
背景技术
多晶体金属材料中晶粒尺寸(晶粒度)是表征材料性能的重要参数,对抗拉强度、屈服应力、流动应力、硬度等大多数力学性能有显著影响。常规晶粒度表征方法包括金相观察和电子背散射衍射分析等,具有检测结果直观、准确度高等优点,然而其观察过程需要破坏试件,破坏后的试件用于观察样品的制备,耗时较长;且显微图像只能在试样选定位置和室温条件下获得,限制了其高温高压等复杂环境在线检测的工业应用,因此多用于实验室环境下的测量分析。
超声检测技术作为一种无损检测技术,可实现材料组织晶粒度在高温复杂环境下的远距离、非接触式、无损、快速检测,不仅可用于零件的离线质量评价,而且可用于制造加工过程中材料组织的在线监测,具有可行性和较好的发展前景。基于超声技术的晶粒尺寸评价方法主要有声速法、衰减法、背散射法和频谱特性分析法等,其中声速法的检测灵敏度较低;背散射法受到单次背散射假设的限制,对粗晶材料的测量精度低;衰减法和频谱特性分析方法不适用于粗晶或强散射材料,且超声衰减及频谱中心频率偏移与晶粒度的关系模型受散射机制影响。上述传统检测方法受到人工先验知识、散射机制和检测环境等影响,易导致检测精度低、检测效率低下等问题。
发明内容
为解决在金属晶粒度的传统超声无损评价方法中存在的易受主观影响、准确度低、检测效率低等问题,本申请提供了一种基于小波分析和神经网络的晶粒度检测方法及系统。
第一方面,本申请提供了一种晶粒度检测方法,步骤包括:
获取至少一个金属样件对应的小波时频特征图集;所述小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图;
根据所述小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型;
将待测小波时频特征图输入至所述优化卷积神经网络模型中,得到晶粒度检测结果。
可选的,所述获取至少一个金属样件对应的小波时频特征图集,具体包括:
在所述至少一个金属样件底面设置若干检测点,所述检测点在所述金属样件底面均匀分布;
对所述至少一个金属样件底面的每个所述检测点进行数据采集,得到超声波回波数据;
对所述超声波回波数据进行信号处理,得到超声波检测数据;
对所述超声波检测数据进行小波时频分析,得到所述小波时频特征图集。
可选的,所述将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型,包括:
将所述小波时频特征图集进行分割,得到训练集、测试集和验证集;
获取所述小波时频特征图集对应的金属样件的测试晶粒度范围;
搭建卷积神经网络,利用所述训练集、所述测试集和所述卷积神经网络建立卷积神经网络模型,将所述验证集和所述测试晶粒度范围输入所述卷积神经网络模型,得到优化卷积神经网络模型。
可选的,所述进行数据采集,得到超声波回波数据的步骤,包括:
将脉冲激光器的激光发射端放置在所述金属样件底面的所述检测点处,采用脉冲激光器对所述检测点进行脉冲激光照射;
将激光干涉仪的检测端放置在与所述金属样件底面相对的一侧,接收并采集所述超声波回波数据。
可选的,所述对所述超声波回波数据进行信号处理,得到超声波检测数据的步骤,包括:
对所述超声波回波数据进行差分处理,得到差分超声波回波数据;
利用预设所述小波阈值对所述差分超声波回波数据进行去噪处理,去除高频电噪声,得到去噪超声波回波数据;
以所述金属样件产生的第一次回波为基准进行归一化处理,得到所述超声波检测数据。
可选的,所述小波时频分析,包括:
利用中心频率不同或带宽不同的小波基函数对所述超声波检测数据进行连续小波变换,得到若干小波时频特征图;
将所有所述检测点的所述小波时频特征图汇总,得到所述小波时频特征图集。
可选的,在所述小波时频特征图集中,每一个所述小波时频特征图具有检测点标签和金属样件标签,所述检测点标签记录所述小波时频特征图对应的检测点信息,所述金属样件标签记录所述小波时频特征图对应的金属样件信息。
第二方面,本申请提供了一种基于小波分析和神经网络的晶粒度检测系统,结构包括:小波时频特征图集获取单元、卷积神经网络模型建立单元、晶粒度检测单元;
其中,所述小波时频特征图集获取单元,被配置为获取至少一个金属样件对应的小波时频特征图集;所述小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图;
所述卷积神经网络模型建立单元,被配置为根据所述小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型;
所述晶粒度检测单元,被配置为将待测小波时频特征图输入至所述优化卷积神经网络模型中,得到晶粒度检测结果。
可选的,所述小波时频特征图集获取单元,包括:超声波回波数据采集单元、信号处理单元、小波时频分析单元;
其中,所述超声波回波数据采集单元,被配置为在所述至少一个金属样件底面设置若干检测点,所述检测点在所述金属样件底面均匀分布;对所述至少一个金属样件底面的每个所述检测点进行数据采集,得到超声波回波数据;
所述信号处理单元,被配置为对所述超声波回波数据进行信号处理,得到超声波检测数据;
所述小波时频分析单元,被配置为对所述超声波检测数据进行小波时频分析,得到所述小波时频特征图集。
可选的,所述卷积神经网络模型建立单元,包括:小波时频特征图集分割单元、测试晶粒度范围获取单元、卷积神经网络训练单元;其中,所述小波时频特征图集分割单元,被配置为将所述小波时频特征图集进行分割,得到训练集、测试集和验证集;
所述测试晶粒度范围获取单元,被配置为获取所述小波时频特征图集对应的金属样件的测试晶粒度范围;
所述卷积神经网络训练单元,被配置为搭建卷积神经网络,利用所述训练集、所述测试集和所述卷积神经网络建立卷积神经网络模型,将所述验证集和所述测试晶粒度范围输入所述卷积神经网络模型,得到优化卷积神经网络模型。
本申请的有益效果如下:
本申请将金属样件的超声波检测信号进行多种小波变换,将生成的小波时频特征图作为卷积神经网络模型的输入数据,更适用于卷积神经网络的图像识别,提高了卷积神经网络模型对金属组织晶粒度的检测精度。
在对卷积神经网络模型进行训练之前利用中心频率及带宽不同的小波基函数对超声波检测数据进行小波变换,生成不同的小波时频特征图,解决了样本数据过少的问题。将大量的小波时频特征图输入到神经网络模型中进行训练,提高了神经网络模型的泛化能力,避免卷积神经网络模型的过拟合。
将经过训练得到的卷积神经网络模型用于金属晶粒度的检测,能够更准确地预测出金属样件的晶粒度范围。
综上所述,将本申请技术方案应用于实际工业生产时,可以在产品制造过程中根据金属材料的晶粒度变化来调整工艺参数,大大提高了产品成型件质量。
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为本申请一种基于小波分析和神经网络的晶粒度检测方法的流程图;
图2为本申请一种基于小波分析和神经网络的晶粒度检测方法的小波时频特征图;
图3为本申请一种基于小波分析和神经网络的晶粒度检测方法带有晶粒度检测结果的小波时频特征图;
图4为本申请一种基于小波分析和神经网络的晶粒度检测方法卷积神经网络模型的训练示意图;
图5为本申请一种基于小波分析和神经网络的晶粒度检测方法中卷积神经网络模型的训练损失和精度曲线。
具体实施方式
为了解释说明本申请怎样实现持续监控设备配置变更,现将详细地对一些实施例进行说明。以下实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
第一方面,本申请提供了一种金属晶粒度检测方法。
如图1所示,本申请提供的金属晶粒度检测方法包括以下步骤S100-S300:
S100,获取至少一个金属样件对应的小波时频特征图集;小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图。
进一步的,金属样件为具有两个平行表面的薄片,将其中一个面设置为激光照射面,另外一个面设置为超声波回波信号检测面。
如图2所示,小波时频特征图是一种二维的波形图,在小波时频特征图中,横坐标为时间,纵坐标为频率。
获取小波时频图集的方式可以有很多种,在一种实现方式中,该步骤具体包括如下S110至S140:
S110,在至少一个金属样件底面设置若干检测点,检测点在金属样件底面均匀分布。
进一步的,在实际情况中,虽然金属样件底面各检测点的晶粒度具有差异,但是各检测点的金属晶粒度仅具有微小差异,所以本申请默认金属样件底面各检测点的晶粒度相同。
技术人员可根据所述金属样件的底面尺寸及优化卷积神经网络模型的数据量需求设置检测点的数量。
S120,对至少一个金属样件底面的每个检测点进行数据采集,得到超声波回波数据。
进一步的,对至少一个金属样件底面的每个检测点进行数据采集时,先在准备好的金属样件堆中随机选取第一个金属样件,依次对此金属样件底面的所有检测点进行数据采集,采集完成后将金属样件放入已采集区域,再次在准备好的金属样件堆中随机选取第二个金属样件,进行上述操作,直到准备好的金属样件堆中的所有金属样件均采集完成放入已采集区域为止。已采集区域的金属样件需保存一段时间,以备技术人员进行后续的研究工作。
数据采集的方式可以有很多种,在一种实现方式中,该步骤具体包括如下S121至S122:
S121,将脉冲激光器的激光发射端放置在金属样件底面的检测点处,采用脉冲激光器对所述检测点进行脉冲激光照射。
进一步的,脉冲激光器为具有工作时间间隔的激光发射器。脉冲激光器被配置为将激光发射端正对金属样件底面的检测点,每间隔固定时间发射一次激光,对对金属样件底面的检测点进行激光照射。激光干涉仪是用激光干涉效应测量位移的精密测量仪器。激光干涉仪被配置为将检测端正对金属样件底面对应面上的检测点对应点,收集激发出的超声波。
S122,将激光干涉仪的检测端放置在与金属样件底面相对的一侧,接收并采集超声波回波数据。
进一步的,在接收并采集超声波回波数据之后,本申请提出的金属晶粒度检测方法还包括:将激光干涉仪采集的超声波回波信号转化为超声波回波数据。
当脉冲激光器对金属样件底面监测点进行照射时,一部分激光会照射在金属样件表面,激发金属样件表面的粒子,形成超声波反射信号。另一部分激光会照射在金属样件内部,激发金属样件内部的粒子,形成内部微观结构超声散射信号。超声波回波信号包括:超声波反射信号和内部微观结构超声散射信号,超声波回波数据在小波时频特征图呈现为有两个峰值,两个峰值分别表示超声波反射信号和内部微观结构超声散射信号。
在数据采集时,每对一个检测点进行数据采集完成后,会生成一个超声波回波数据,即一个检测点对应一条超声波回波数据。
在脉冲激光照射时,保持激光垂直照射金属样件底面,持续一定时间,待脉冲激光器运行稳定后,再将激光干涉仪的信号接收端正对底面对应面的检测点对应点,进行信号采集。
S130,对超声波回波数据进行信号处理,得到超声波检测数据。
进一步的,信号处理的方式可以有很多种,在一种实现方式中,该步骤具体包括如下S131至S133:
S131,对超声波回波数据进行差分处理,得到差分超声波回波数据。
进一步的,差分的作用是减轻数据之间的不规律波动,使超声波回波数据的波动曲线更平稳。
S132,利用预设小波阈值对差分超声波回波数据进行去噪处理,去除高频电噪声,得到去噪超声波回波数据。
进一步的,在脉冲激光器、激光干涉仪运行时会产生高频电噪声,高频电噪声会使产生的小波时频特征图出现异常波动,影响图像识别的效果,去噪的作用即是去掉高频电噪声,消除小波时频特征图中的异常波动。
S133,以金属样件产生的第一次回波为基准进行归一化处理,得到超声波检测数据。
进一步的,在数据采集时,会得到两次超声波回波信号,在小波时频特征图上表示为两个峰值,本申请提出的金属晶粒度检测方法以第一次回波为基准,将去噪超声波回波数据进行归一化处理。
当数据具有不同数量级或单位时,就会影响到数据分析的结果,为了消除数据之间的数量级或单位差异过大造成的影响就需要对数据进行归一化处理,归一化处理的作用是:让数值差异过大的几组数据缩小至同一数量级。
S140,对超声波检测数据进行小波时频分析,得到小波时频特征图集。
进一步的,小波时频分析的方式可以有很多种,在一种实现方式中,该步骤具体包括如下S141至S142:
S141,利用中心频率不同或带宽不同的小波基函数对超声波检测数据进行连续小波变换,得到若干小波时频特征图。
进一步的,在小波时频分析时,每一种中心频率和带宽的小波基函数对一条超声波检测数据进行小波变换计算,就会生成一个小波时频特征图,所以每个金属样件底面上的一个检测点的小波时频特征图的数量即是小波基函数的种类数量。
在一种具体的实施例中,技术人员选取了某金属样件,在其底面设置了十个预设检测点,在小波时频分析方面设置了十种中心频率、十种带宽,组合出一百种小波基函数。每个检测点采用一种小波基函数进行小波计算会生成一幅小波时频特征图。这样,一个金属样件经过数据采集、信号处理及小波时频分析,便会生成一千种小波时频特征图。金属样件的常规小波时频分析手段往往是一个金属样件的一个检测点对应一张小波时频特征图,则一个金属样件上若存在十个检测点,就会生成十张小波时频特征图;与之相比,本申请设置的小波时频分析方法得到的小波时频特征图数量是传统方法的一百倍。本申请设置的小波时频分析方法可指数级增加卷积神经网络模型的数据量,将数据量庞大的小波时频特征图作为卷积神经网络模型的输入数据,可显著高卷积神经网络模型的泛化能力。
S142,将所有检测点的小波时频特征图汇总,得到小波时频特征图集。
进一步的,在小波时频特征图集中,每一个小波时频特征图都具有检测点标签和金属样件标签,检测点标签记录小波时频特征图对应的检测点信息,金属样件标签记录小波时频特征图对应的金属样件信息。
在得到小波时频特征图集之后,还包括在计算机显示界面上将小波时频特征图集进行整理,按照检测点标签及金属样件标签将小波时频特征图集整理成规则的排列形式。由于小波时频特征图数量庞大,如不进行整理,则会出现数据错乱的情况,所以小波时频特征图集的整理是必要的,整理后的小波时频特征图集可使技术人员可以在计算机显示界面上根据小波时频特征图找到对应的检测点及金属样件。
需要说明的是,本申请的第一个创新点在于,在小波时频分析方面,利用小波分析和卷积神经网络的有机结合,采用不同的小波基函数对超声波检测数据进行小波变换,使小波时频特征图数量成倍增加,解决了卷积神经网络模型训练样本数据量过少的问题,提高了神经网络模型的泛化能力。
S200,根据所述小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型。
进一步的,建立卷积神经网络模型的方式可以有很多种,在一种实现方式中,该步骤具体包括如下S210至S230:
S210,将小波时频特征图集进行分割,得到训练集、测试集和验证集。
进一步的训练集与测试集的比例可以为3:1,也可以根据需求制定,训练集、测试集、验证集各不存在交集,互不相关,即已作为训练集的小波时频特征图不能在作为测试集与验证集,已作为测试集的所述小波时频特征图不能在作为训练集与验证集,已作为验证集的所述小波时频特征图不能再作为训练集与测试集。
需要说明的是,训练集的作用为:使搭建的卷积神经网络根据训练集的小波时频特征图进行图像识别训练,形成具有识别金属晶粒度能力的卷积神经网络模型。
需要说明的是,测试集的作用是:使训练后的卷积神经网络模型根据测试集的小波时频特征图继续进行晶粒度识别训练,并根据测试晶粒度范围对晶粒度识别结果进行不断的判断及自我纠正,在不断修正中逐渐提升卷积神经网络模型的晶粒度识别的精确度。
需要说明的是,验证集的作用是:进一步训练卷积神经网络模型,并提供测试晶粒度范围作为参照标准,是卷积神经网络模型不断自我纠正,提升卷积神经网络模型的晶粒度识别精确度。
S220,获取小波时频特征图集对应的金属样件的测试晶粒度范围。
进一步的,测试晶粒度范围为技术人员根据以往此种金属的晶粒度测试值评估统计得出,测试晶粒度范围可为卷积神经网络模型的图像识别训练结果提供对比参照。
S230,搭建卷积神经网络,利用训练集、测试集和卷积神经网络建立卷积神经网络模型,将验证集和测试晶粒度范围输入卷积神经网络模型,得到优化卷积神经网络模型。
进一步的,可以采用市面上通用的机器学习系统搭建卷积神经网络,过程为先根据小波时频特征图的特点来设计卷积神经网络的网络结构,确定最优卷积神经网络模型。本申请为了提高计算速度,将输入的小波时频特征图像大小设置为64×64×3。把卷积神经网络单独写成一个模块。
对卷积神经网络进行训练和测试形成卷积神经网络模型的过程,如图4所示。在机器学习系统的环境下进行模型的训练和测试,卷积神经网络模型选用VGGNet结构,包含6个卷积层(Convolutional Layer)、3个池化层(Maxpooling Layer)和全连接层(Fully-connected Layer,FC)。第一层卷积层使用32个3×3的卷积核扫描低分辨率图像的整个区域并执行卷积操作,形成特征图。其后使用Relu激活函数保证特征图的大小不变,并引入归一化层(Batch Normalization,BN),使用当前值的均值和方差进行归一化即对每个特征图进行规范化。接下来,池化层沿特征图的空间维度(宽度、高度)执行下采样操作,得到体积更小的特征图。在进行三次周期性卷积-Relu-归一化-池化操作后,最后一个池化层的输出连接到一个Dropout层,用于防止复杂训练数据造成的过拟合问题。随后添加一个全连接层,对特征图进行识别分类,通过Softmax分类器输出预测结果。通过调整学习率、训练次数和Dropout值等网络参数,不断调试确定最优卷积神经网络模型。再将训练集、测试集和划定的金属样件测试晶粒度范围作为标签一并输入到卷积神经网络模型中,经过训练和测试,得到高预测精度的优化卷积神经网络模型,模型的训练损失和精度曲线如图5所示。
在搭建卷积神经网络之前,本申请提出的金属晶粒度检测方法,还包括:对已采集区域中采集完成的所有金属样件进行平均晶粒度测定,得到此种金属的实际晶粒度。测定方法为:对金属样件进行金属金相照片晶粒度分析,用测量仪器在金属金像照片上按照比例尺标注出晶粒的尺寸。验证集的作用是:使优化卷积神经网络模型利用验证集的小波时频特征图进行图像识别,输出验证集的检测晶粒度范围,将实际晶粒度与验证集的检测晶粒度范围进行对比,若实际晶粒度在验证集的检测晶粒度范围之内,则将优化神经网络模型进行保存,并将此优化卷积神经网络模型标记为已验证。
将实际晶粒度与检测晶粒度范围进行对比,是由技术人员以人工对比或操作仪器的方式进行操作。在对比时,本申请提出的金属晶粒度检测方法,还包括:技术人员根据金属样件的检测晶粒度范围与金属样件的实际晶粒度的对比结果对卷积神经网络模型的检测精度进行评价,若金属样件实际晶粒度包含在检测晶粒度范围中,且技术人员认为实际晶粒度不处于检测晶粒度范围的边界处,不存在设备预测误差对结果的影响,则评价为模型精度较好;若金属样件实际晶粒度不包含在检测晶粒度范围中,或金属样件实际晶粒度处于检测晶粒度范围的边界,则评价为模型精度欠佳,技术人员需根据实际需求判断是否重新采集超声波检测数据,重新建立模型进行金属样件的检测晶粒度范围检测。
需要说明的是,本申请的第二个创新点在于,在卷积神经网络模型的输入方面,利用小波分析,将小波时频特征图作为卷积神经网络模型的输入。在利用卷积神经网络对金属晶粒度的检测技术中,若将金属表面的形貌图片直接输入卷积神经网络模型进行图像识别,则若金属晶粒的边界在图片中模糊不清,卷积神经网络模型就不能准确的对金属晶界进行识别,影响模型对金属样件晶粒度的检测及计算。因此,将小波时频特征图作为神经网络模型的输入的优势在于,输入图片的特征更符合卷积神经网络模型的图像识别特性。
需要说明的是,本申请的第三个创新点在于,在卷积神经网络模型的应用方面,将深度学习的卷积神经网络应用于金属晶粒度检测,原将卷积神经网络应用于金属检测的技术大多用于对金属表面缺陷的检测,将卷积神经网络应用于金属晶粒度检测,可提高检测精度。
S300,将待测小波时频特征图输入至所述优化卷积神经网络模型中,得到晶粒度检测结果。
进一步的,在实际应用中,先对待测材料进行数据采集及信号处理得到超声波回波数据,再设置好小波基函数,进行小波时频分析,得到一张小波时频特征图作为优化神经网络模型的输入。
在得到晶粒度检测结果之后:还包括在计算机显示界面上,在输出的晶粒度检测结果上设置标签,标签记录的信息为此晶粒度检测结果所属的检测点及金属样件,以便技术人员可以在计算机显示界面上根据标签找到晶粒度检测结果对应的检测点及金属样件。
在晶粒度检测结果上设置标签是必要的,由于本申请在实际应用中得到的晶粒度检测结果数据量庞大,若不标签标注,容易出现晶粒度检测结果与待测材料对应不上的情况,所以在输出检测晶粒度的小波时频特征图上设置标签可方便技术人员进行其他工作。
晶粒度检测结果可以表示为数值范围,也可以是带有数值范围的一张小波时频特征图,如图3所示。
第二方面,本申请提供了一种金属晶粒度检测系统,结构包括:小波时频特征图集获取单元、卷积神经网络模型建立单元、晶粒度检测单元。
小波时频特征图集获取单元,被配置为获取至少一个金属样件对应的小波时频特征图集;小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图。在小波时频特征图集获取单元中,还包括:超声波回波数据采集单元、信号处理单元、小波时频分析单元。
超声波回波数据采集单元,被配置为在至少一个金属样件底面设置若干检测点,检测点在金属样件底面均匀分布;对至少一个金属样件底面的每个检测点进行数据采集,得到超声波回波数据。
信号处理单元,被配置为对超声波回波数据进行信号处理,得到超声波检测数据。
小波时频分析单元,被配置为对超声波检测数据进行小波时频分析,得到小波时频特征图集。
卷积神经网络模型建立单元,被配置为根据小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型。在卷积神经网络模型建立单元中,还包括:小波时频特征图集分割单元、测试晶粒度范围获取单元、卷积神经网络训练单元。
小波时频特征图集分割单元,被配置为将小波时频特征图集进行分割,得到训练集、测试集和验证集。
测试晶粒度范围获取单元,被配置为获取小波时频特征图集对应的金属样件的测试晶粒度范围。
卷积神经网络训练单元,被配置为搭建卷积神经网络,利用训练集、测试集和卷积神经网络建立卷积神经网络模型,将验证集和测试晶粒度范围输入卷积神经网络模型,得到优化卷积神经网络模型。
晶粒度检测单元,被配置为将待测小波时频特征图输入至优化卷积神经网络模型中,得到晶粒度检测结果。
在某一具体实施例中,需要测定金属待测物A的表面晶粒度。
技术人员先对金属待测物A进行超声波回波信号采集,利用超声波检测单元的脉冲激光器的激光发射探头正对金属待测物A的一个检测面某一个检测点进行脉冲激光照射,将超声波检测单元的激光干涉仪的信号接收端位于检测面对应面上的检测点对应点。
将采集到的超声波回波信号转化为超声波回波数据,再进行信号处理,通过差分、降噪及归一化等步骤,将超声波回波数据优化为超声波检测数据。
将金属待测物A的超声波检测数据进行小波变换,设置固定的小波基函数,得到一张小波时频特征图,选取对应金属材料的优化卷积神经网络模型,将小波时频特征图输入此优化卷积神经网络模型,得到金属待测物A的晶粒度范围。
金属待测物A带有检测晶粒度范围的小波时频特征图,如图3所示,金属待测物A检测晶粒度范围为(0,15)。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于小波分析和神经网络的晶粒度检测方法,其特征在于,步骤包括:
获取至少一个金属样件对应的小波时频特征图集;所述小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图;
根据所述小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型;
将待测小波时频特征图输入至所述优化卷积神经网络模型中,得到晶粒度检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取至少一个金属样件对应的小波时频特征图集,具体包括:
在所述至少一个金属样件底面设置若干检测点,所述检测点在所述金属样件底面均匀分布;
对所述至少一个金属样件底面的每个所述检测点进行数据采集,得到超声波回波数据;
对所述超声波回波数据进行信号处理,得到超声波检测数据;
对所述超声波检测数据进行小波时频分析,得到所述小波时频特征图集。
3.根据权利要求1所述的方法,其特征在于,所述将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型,包括:
将所述小波时频特征图集进行分割,得到训练集、测试集和验证集;
获取所述小波时频特征图集对应的金属样件的测试晶粒度范围;
搭建卷积神经网络,利用所述训练集、所述测试集和所述卷积神经网络建立卷积神经网络模型,将所述验证集和所述测试晶粒度范围输入所述卷积神经网络模型,得到优化卷积神经网络模型。
4.根据权利要求2所述的方法,其特征在于,所述进行数据采集,得到超声波回波数据的步骤,包括:
将脉冲激光器的激光发射端放置在所述金属样件底面的所述检测点处,采用脉冲激光器对所述检测点进行脉冲激光照射;
将激光干涉仪的检测端放置在与所述金属样件底面相对的一侧,接收并采集所述超声波回波数据。
5.根据权利要求2所述的方法,其特征在于,所述对所述超声波回波数据进行信号处理,得到超声波检测数据的步骤,包括:
对所述超声波回波数据进行差分处理,得到差分超声波回波数据;
利用预设所述小波阈值对所述差分超声波回波数据进行去噪处理,去除高频电噪声,得到去噪超声波回波数据;
以所述金属样件产生的第一次回波为基准进行归一化处理,得到所述超声波检测数据。
6.根据权利要求2所述的方法,其特征在于,所述小波时频分析,包括:
利用中心频率不同或带宽不同的小波基函数对所述超声波检测数据进行连续小波变换,得到若干小波时频特征图;
将所有所述检测点的所述小波时频特征图汇总,得到所述小波时频特征图集。
7.根据权利要求1所述的方法,其特征在于,在所述小波时频特征图集中,每一个所述小波时频特征图具有检测点标签和金属样件标签,所述检测点标签记录所述小波时频特征图对应的检测点信息,所述金属样件标签记录所述小波时频特征图对应的金属样件信息。
8.一种基于小波分析和神经网络的晶粒度检测系统,其特征在于,包括:小波时频特征图集获取单元、卷积神经网络模型建立单元、晶粒度检测单元;
其中,所述小波时频特征图集获取单元,被配置为获取至少一个金属样件对应的小波时频特征图集;所述小波时频特征图集由若干小波时频特征图构成,一个金属样件对应至少一个小波时频特征图;
所述卷积神经网络模型建立单元,被配置为根据所述小波时频特征图集中的小波时频特征图,将建立的卷积神经网络模型经过训练得到优化卷积神经网络模型;
所述晶粒度检测单元,被配置为将待测小波时频特征图输入至所述优化卷积神经网络模型中,得到晶粒度检测结果。
9.根据权利要求8所述的系统,其特征在于,所述小波时频特征图集获取单元,包括:超声波回波数据采集单元、信号处理单元、小波时频分析单元;
其中,所述超声波回波数据采集单元,被配置为在所述至少一个金属样件底面设置若干检测点,所述检测点在所述金属样件底面均匀分布;对所述至少一个金属样件底面的每个所述检测点进行数据采集,得到超声波回波数据;
所述信号处理单元,被配置为对所述超声波回波数据进行信号处理,得到超声波检测数据;
所述小波时频分析单元,被配置为对所述超声波检测数据进行小波时频分析,得到所述小波时频特征图集。
10.根据权利要求8所述的系统,其特征在于,所述卷积神经网络模型建立单元,包括:小波时频特征图集分割单元、测试晶粒度范围获取单元、卷积神经网络训练单元;
其中,所述小波时频特征图集分割单元,被配置为将所述小波时频特征图集进行分割,得到训练集、测试集和验证集;
所述测试晶粒度范围获取单元,被配置为获取所述小波时频特征图集对应的金属样件的测试晶粒度范围;
所述卷积神经网络训练单元,被配置为搭建卷积神经网络,利用所述训练集、所述测试集和所述卷积神经网络建立卷积神经网络模型,将所述验证集和所述测试晶粒度范围输入所述卷积神经网络模型,得到优化卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418988.8A CN114881938A (zh) | 2022-04-20 | 2022-04-20 | 基于小波分析和神经网络的晶粒度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418988.8A CN114881938A (zh) | 2022-04-20 | 2022-04-20 | 基于小波分析和神经网络的晶粒度检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881938A true CN114881938A (zh) | 2022-08-09 |
Family
ID=82672106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210418988.8A Pending CN114881938A (zh) | 2022-04-20 | 2022-04-20 | 基于小波分析和神经网络的晶粒度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881938A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115586254A (zh) * | 2022-09-30 | 2023-01-10 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及系统 |
-
2022
- 2022-04-20 CN CN202210418988.8A patent/CN114881938A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115586254A (zh) * | 2022-09-30 | 2023-01-10 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及系统 |
CN115586254B (zh) * | 2022-09-30 | 2024-05-03 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888471B (zh) | 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 | |
CN103356241B (zh) | 二维超声设备成像质量评估系统 | |
JP3733094B2 (ja) | 良否判定装置、良否判定プログラムおよび良否判定方法 | |
CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN112668382A (zh) | 一种基于支持向量机的钢锭中缺陷超声信号识别方法 | |
CN115127806A (zh) | 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
CN115165885A (zh) | 一种基于机器视觉识别和光谱测定的鉴别系统及方法 | |
CN115754011A (zh) | 一种复合材料风电叶片的声发射检测与损伤识别方法 | |
CN116990229B (zh) | 一种产品镀铜层表面的缺陷检测方法及系统 | |
CN116698986B (zh) | 一种基于调谐带通滤波器的吸音材料质控系统和方法 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
Nunes et al. | Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection | |
CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
CN109389039A (zh) | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 | |
CN114088817A (zh) | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 | |
CN114861782A (zh) | 电子元器件近场扫描电磁图案聚类分析方法和系统 | |
CN114778689A (zh) | 高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统与方法 | |
JPH0777416A (ja) | ニューラルネットワークによる表面粗さ測定方法及び測定装置 | |
CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
CN113624759A (zh) | 一种基于机器学习的苹果无损检测方法 | |
CN117949539B (zh) | 一种工程建筑强度检测系统及其检测方法 | |
ZHANG et al. | Defect identification in concrete using deep learning technique on nonlinear ultrasonic wave |
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 |