CN116429911A - 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 - Google Patents

一种基于缺陷脉冲信号与图像相融合的智能化识别方法 Download PDF

Info

Publication number
CN116429911A
CN116429911A CN202310695812.1A CN202310695812A CN116429911A CN 116429911 A CN116429911 A CN 116429911A CN 202310695812 A CN202310695812 A CN 202310695812A CN 116429911 A CN116429911 A CN 116429911A
Authority
CN
China
Prior art keywords
ultrasonic
characteristic
data
scan data
envelope
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.)
Granted
Application number
CN202310695812.1A
Other languages
English (en)
Other versions
CN116429911B (zh
Inventor
秦经刚
刘小川
周超
刘华军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202310695812.1A priority Critical patent/CN116429911B/zh
Publication of CN116429911A publication Critical patent/CN116429911A/zh
Application granted granted Critical
Publication of CN116429911B publication Critical patent/CN116429911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • 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
    • G01N29/4481—Neural networks
    • 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)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于缺陷脉冲信号与图像相融合的智能化识别方法，包括：步骤1.采集数据，在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据；其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据；步骤2.对超声A扫数据与超声S扫进行预处理；步骤3.对超声A扫数据与超声S扫进行预处理之后，提取超声A扫数据与超声S扫的特征信息作为判别缺陷的指标，通过分别提取超声A扫数据与超声S扫数据的特征信息作为分类的输入变量；步骤4.进行特征值评价与筛选；步骤5.执行分类任务。本发明为一种将两类缺陷数据特征融合识别的方法，能够提高识别精度。

Description

一种基于缺陷脉冲信号与图像相融合的智能化识别方法
技术领域
本发明属于智能化识别领域，具体涉及一种基于缺陷脉冲信号与图像相融合的智能化识别方法。
背景技术
当前焊接技术几乎在各个主要的工业部门都会应用到，尤其在航天、核电、兵器等对技术要求较重要的领域，对焊接有着更严苛的技术要求，但是，因为材料缺陷及焊接技术导致的焊接处存在缺陷的安全问题一直是备受人们关注的热点问题，材料缺陷的准确快速识别与定位是当前无损检测研究的重点。先前通过人为定性判断焊接材料缺陷有着速度慢精度低等缺点，随着计算机技术的不断发展，模式识别结合无损检测数据极大的提高了检测速度与精度。
针对粗晶奥氏体钢材缺陷的无损检测中可以通过超声相控阵技术的扇扫、B扫等获取缺陷位置的图像信息，通过超声A扫可以获得缺陷的信号数据。但当前模式识别结合无损检测数据实现缺陷的定性定位识别几乎都是基于结合单一的信号数据或图像数据实现分析结果。
发明内容
针对粗晶奥氏体钢材缺陷识别的技术问题，本发明提供一种基于缺陷脉冲信号与图像相融合的智能化识别方法，结合人工智能的方法，能够有效的解决人为识别慢，识别精度低等问题。该方法是基于超声相控阵技术中的超声A扫数据与超声S扫数据作为研究对象提出智能化的识别方法。本发明为一种将两类缺陷数据特征融合识别的方法，能够提高识别精度。
为达到上述目的，本发明采用如下技术方案：
一种基于缺陷脉冲信号与图像相融合的智能化识别方法，包括以下步骤：
步骤1.采集数据，在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据；其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据；
步骤2.对超声A扫数据与超声S扫数据进行预处理；
步骤3.对预处理之后的超声A扫数据与超声S扫数据提取特征信息，并将特征信息作为判别缺陷的指标，通过分别提取的超声A扫数据与超声S扫数据的特征信息作为分类的输入变量；
步骤4.进行特征的评价与筛选；
步骤5.执行分类任务。
进一步地，所述步骤2中的预处理包括降噪，所述降噪的方法包括如下步骤：
步骤2.1.对超声A扫数据降噪：基于sym7小波基函数先对超声A扫数据进行降噪，在降噪的基础上，对数据进行归一化处理，使其在（0，1）区间内；
步骤2.2.对超声S扫数据降噪：首先对缺陷图像中值滤波，在中值滤波的基础上，将滤波后的图像灰度化，将图像灰度化之后用特征提取方法提取图像特征。
进一步地，所述步骤3包括：
步骤3.1.提取超声A扫数据特征，包括提取特征波形的时域特征与几何特征；提取时域特征时，首先通过小波包分解将A扫脉冲分解到第四层，以第四层中的16个节点中的前三个节点各节点的能量与A扫脉冲的总能量的比值作为一项时域特征；计算公式为：
Figure SMS_1
；其中/>
Figure SMS_2
表示分解后第四层第i个节点计算的时域特征值，E表示A扫脉冲的总能量，/>
Figure SMS_3
表示第四层第i个节点上的能量值，共选择前3个节点，则得到三个时域特征。
进一步地，所述步骤3.1中，特征波形的几何特征包括：包络线长度、包络线与横轴围成的面积、包络线梯度特征、2组1-D LBP特征值、波根宽、峰度；具体的提取方法包括：
（1）包络线长度及包络线与横轴围成的面积的计算方法为：通过离散数据微分的方法计算包络线长度以及包络线与横轴围成的面积，其中，利用微分、积分计算包络线的长度，根据脉冲信号采样步长h=1以及每个采样点对应脉冲幅值，则相邻采样点之间的纵轴距离计算公式为：
Figure SMS_4
，其中/>
Figure SMS_5
为相邻两采样点之间纵轴的距离，f( )表示在某一点处脉冲的幅值，即纵轴的数值；则包络线长度的计算公式为：
Figure SMS_6
，其中b表示特征区间的采样长度、L表示长度特征，/>
Figure SMS_7
为求和公式；计算包络线与横轴围成的面积的方法为：首先计算/>
Figure SMS_8
，在此基础上，包络线与横轴围成的面积计算公式为：/>
Figure SMS_9
,其中S表示面积特征值；
（2）包络线梯度特征的计算方法为：设特征区间起始采样点的幅值为
Figure SMS_10
，相邻的下一个采样点的幅值为/>
Figure SMS_11
，则两者的差值/>
Figure SMS_12
，判断：若/>
Figure SMS_13
小于0，记录该/>
Figure SMS_14
，若
Figure SMS_15
大于0，则不记录；然后往后移动一个采样点，计算第二个与第三个采样点之间的/>
Figure SMS_16
，依次计算特征区间的采样点，并将记录的所有值求和得到包络线梯度特征值；
（3）所述包络线1-D LBP特征提取方法为：
以特征区间内任意一点为中间点，分别选择前后各三个点或者前后各四个点；当前后各选择三个点时，分别计算选择的前后三个点的每个点与中间点的差值，若差值大于或等于0则将该采样点赋值为1，小于0赋值为0，然后将除中间点外的六个采样点组合成为一组二进制数并将二进制数转化为十进制数；循环对每一个采样点都当作中心点依次计算采样点作为中心点时所对应的十进制数值；由于前后各取三个点，所以转化后的十进制点均在（0，63）范围内，将这个区间均为7份，每份区间的大小为9；计算这些十进制点在（0，7）区间与（54，63）区间内出现的次数作为1-D LBP特征值；当前后各取四个点时，将（0，255）区间均分为10份，计算（0，25.5）以及（229.5，255）区间内出现的次数作为特征值；
（4）波根宽是特征波起峰位置到下降结束位置间的宽度，以区间内采样点数的多少来衡量波根宽；
（5）峰度的计算公式如下：
Figure SMS_17
(1)
Figure SMS_18
(2)
Figure SMS_19
(3)
式中，A(k)表示各采样点的幅值信息；
Figure SMS_20
表示均值，Kurt表示峰度，n表示采样点的个数；/>
Figure SMS_21
，/>
Figure SMS_22
为过渡参数。
进一步地，所述步骤3包括：
步骤3.2.提取超声S扫数据的特征，包括提取梯度灰度共生矩阵和灰度共生矩阵，提取图像特征共19项；其中，梯度灰度共生共矩阵提取图像特征15项，分别为：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵惯性、逆差矩；灰度共生矩阵提取4项特征，分别为：能量、对比度、熵、逆差距。
进一步地，所述步骤4包括：
基于欧式距离的方法来计算特征之间的类内距离与类间距离，并计算类内距离与类间距离之间的比值作为特征值可分性的衡量标准，其计算公式分别如下：
Figure SMS_23
(4)
Figure SMS_24
(5)
Figure SMS_25
(6)
Figure SMS_26
(7)
式（4）为计算类内距离的计算公式，式（5）为计算类间距离的计算公式，式（6）为欧氏距离计算方法，式（7）计算评价可区分性准则的一项指标；上述公式均为标准计算公式，其中
Figure SMS_28
为某缺陷样本个数，Nj为另一类缺陷样本参数，k表示第k个样本，/>
Figure SMS_32
表示第/>
Figure SMS_33
个样本，
Figure SMS_29
表示欧式距离计算公式；/>
Figure SMS_31
分别表示第i类第k个样本的特征值与表示第i类第/>
Figure SMS_34
个样本的特征值；i,j分别表示两类缺陷；/>
Figure SMS_35
分别表示j类缺陷的第k个样本与第/>
Figure SMS_27
个样本，/>
Figure SMS_30
则为最终计算的可分性判据值；
以式（7）的计算结果为衡量标准,结果大于1，则认为其具有可分性，小于1，则该项特征不作为后续分类的输入特征。
进一步地，所述步骤5中的所述分类任务是构建基于全连接层的BP神经网络模型，将根据步骤1-步骤4中计算的各个特征的可分性的衡量标准筛选出可分性特征作为输入，在输入层并行输入图像与信号特征，在各个节点通过计算超声A扫数据的特征与超声S扫数据的特征之间的权重最终输出结果。
有益效果：
本发明的创新点在于特征融合部分，在以往单类型数据研究的基础上，本发明通过特征融合将两类型数据的特征进行了融合，有效的体现了特征融合的有优势互补的特点，有效的提升了缺陷分类的准确性，提升模型分类的鲁棒性。
附图说明
图1为本发明的一种基于缺陷脉冲信号与图像相融合的智能化识别方法流程图；
图2为本发明的一种基于缺陷脉冲信号与图像相融合的智能化识别方法采用的模型结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明以裂纹、气孔、夹渣、未焊透、未融合五类缺陷为例。
如图1，图2所示，本发明的一种基于缺陷脉冲信号与图像相融合的智能化识别方法包括以下步骤：
步骤1.采集数据：
在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据。其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据。
步骤2.对数据进行预处理：
因为人为因素以及钢材本身所带来的影响，采集的数据存在一定量的噪音，会影响数据的特征信息，因此在对特征提取之前需要对数据进行预处理，消除数据中含有的噪音影响。降噪方法包括如下步骤：
步骤2.1.对超声A扫数据降噪：由于超声A扫数据为超声序列数据，波形中带有噪声，基于sym7小波基函数（基于symlet（小波滤波器）小波系中的sym7小波基函数）先对超声A扫数据进行降噪，降噪效果最好，其计算公式为：
Figure SMS_36
，
式中：
Figure SMS_38
为符号函数；β为阈值，取/>
Figure SMS_42
为噪声标准差；/>
Figure SMS_45
表示信号矩阵中j行k列的元素，/>
Figure SMS_39
表示/>
Figure SMS_41
降噪后的元素。在降噪的基础上，因为扫描的问题，各个特征波形存在幅值上的差异，因此需要对降噪后的删除数据进行归一化处理，使其在（0，1）区间内。其归一化计算公式为：/>
Figure SMS_44
其中，/>
Figure SMS_46
为标准化后的采样点值；/>
Figure SMS_37
为—原始采样点；/>
Figure SMS_40
为信号幅值中的最大值；/>
Figure SMS_43
为信号幅值中的最小值。
步骤2.2.对超声S扫数据降噪：因为超声S扫数据为扇形图像数据，通过图像数据处理的方法降噪，首先对缺陷图像中值滤波，在中值滤波的基础上，在特征提取时，考虑到用传统的特征提取方法与深度卷积的方法，但是深度卷积的方法用作分类时需要大量的数据集为基础，因此将滤波后的图像灰度化后用传统特征提取方法提取特征值。
步骤3.进行特征提取：
对数据进行充分的预处理之后，需要提取数据的特征信息作为判别缺陷的指标。通过分别提取超声A扫数据与超声S扫数据的特征信息作为分类的输入变量。具体包括：
步骤3.1.提取超声A扫数据的特征，包括：从波形上可以肉眼观察出来各个缺陷之间存在着细微的差异，但是部分缺陷之间的相似度依旧很大，例如夹渣跟未融合缺陷之间的特征波形极为相似。经分析，提取特征波形的几何特征作为特征变量的一部分。另外，在时域上，通过小波包分解波形来计算各节点的能量与总能量之间的关系，发现部分波形之间也存在能量值之间的差异，因此将这部分时域的特征信息也作为特征变量的一部分。
其中，特征波形的几何特征有七项特征，包括：包络线长度、包络线与横轴围成的面积、包络线梯度特征、2组1-D LBP（Local Binary Pattern，局部二值特征提取算法）特征值、波根宽、峰度。具体的特征提取方法包括：
（1）包络线长度及包络线与横轴围成的面积的计算方法为：通过离散数据微分的方法计算包络线长度以及包络线与横轴围成的面积。以微分、积分的思想计算包络线的长度。根据脉冲信号采样步长h=1，且每个采样点对应脉冲幅值。则相邻采样点之间的纵轴距离计算公式为：
Figure SMS_47
，其中x为横轴的数值，/>
Figure SMS_48
相邻两采样点之间纵轴的距离，h为采样步长，固定为1；f()表示在某一点出脉冲的幅值（即纵轴的数值）。则包络线长度的计算公式为：/>
Figure SMS_49
，其中b表示特征区间的采样长度、L表示长度特征，/>
Figure SMS_50
为求和公式。
在计算包络线与横轴围成的面积是与计算长度所用的思想相同。首先计算
Figure SMS_51
，在此基础上，横轴与包络线围成的面积计算公式为：
Figure SMS_52
,其中S表示面积特征值。
（2）包络线梯度特征是几何特征的一种，其计算方法为：设特征区间起始采样点的幅值为
Figure SMS_53
，相邻的下一个采样点的幅值为/>
Figure SMS_54
，则两者的差值/>
Figure SMS_55
，判断，若/>
Figure SMS_56
小于0，记录该/>
Figure SMS_57
，若/>
Figure SMS_58
大于0，不记录。然后往后移动一个采样点，在计算第二个与第三个采样点之间的/>
Figure SMS_59
，依次计算特征区间的采样点，并将记录的所有值求和得到包络线梯度特征值。
（3）1-D LBP特征值的提取方法是在基于处理图像数据特征提取的方法映射在一维数据上的特征提取方法。所述1-D LBP特征值提取方法为：以特征区间内任意一点为中间点，分别选择前后各三个点或者前后各四个点。以前后各选择三个点为例。分别计算选择的前后三个点的每个点与中间点的差值，若差值大于或等于0则将该采样点赋值为1，小于0赋值为0，然后将六个采样点组合成为一组二进制数并将二进制数转化为十进制数。循环对每一个采样点都当作中心点依次计算采样点作为中心点时所对应的十进制数值，有多少个采样点就会有多少个十进制的数值。因为前后各取三个点，所以转化后的十进制点均在（0，63）范围内，将这个区间均为7份，每份区间的大小为9。计算这些十进制点在（0，7）区间与（54，63）区间内出现的次数作为1-D LBP特征值。前后各取四个点与上述方法相同，但是后面将（0，255）区间均分为10份，计算（0，25.5）以及（229.5，255）区间内出现的次数作为特征值。
（4）波根宽是特征波起峰位置到下降结束位置间的宽度，以区间内采样点数的多少来衡量波根宽；
（5）峰度是描述波形的尖锐程度的指标，其计算公式如下：
Figure SMS_60
(1)
Figure SMS_61
(2)
Figure SMS_62
(3)
式中，A(k)表示各采样点的幅值信息；
Figure SMS_63
表示均值，Kurt表示峰度；n表示采样点的个数。/>
Figure SMS_64
，/>
Figure SMS_65
为过渡参数。在时域提取特征信息是基于四层小波包分解后第四层16个节点上前三个节点的能量与总能量比值作为一项特征值，因此，在时域上共提取特征信息3项，分别是第四层上前三个节点与总能量的比值。
步骤3.2.提取超声S扫数据的特征：因为超声S扫数据为扇形图像数据，通过传统的图像特征提取方法来提取图像的特征信息。主要以两种方法来实现分别为：1、梯度灰度共生矩阵；2、灰度共生矩阵。分别提取图像特征共18项。其中，梯度灰度共生共矩阵提取图像特征14项，分别为：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵惯性、逆差矩。灰度共生矩阵提取4项特征，分别为：能量、对比度、熵、逆差距。
步骤4.进行特征评价与筛选：
上述提取的部分特征值并没有较为明显的可分性，因此需要对特征值进行相关的可分性评价，筛选具有可分性的特征特征值作为网络分类的输入，这样能够提升分类精度。对于特征值的评价准则是基于欧式距离的方法来计算特征之间的类内距离与类间距离，并计算类内距离与类间距离之间的比值作为特征值可分性的一个衡量标准，其计算公式分别如下：
Figure SMS_66
(4)
Figure SMS_67
(5)
Figure SMS_68
(6)
Figure SMS_69
(7)
式（4）为计算类内距离的计算公式，式（5）为计算类间距离的计算公式。式（6）为欧氏距离计算方法，式（7）计算评价可区分性准则的一项指标。其中
Figure SMS_70
为某缺陷样本个数。K表示第k个样本。L表示第l个样本，/>
Figure SMS_71
表示欧式距离计算公式。/>
Figure SMS_72
分别表示第i类第k个样本的特征值与表示第i类第l个样本的特征值。i,j分别表示两类缺陷。
以式（7）的计算结果为衡量标准，结果大于1，认为其具有可分性，小于1，则该项特征不作为后续分类的输入特征。
步骤5.执行分类任务：
所述分类任务是构建基于全连接层的BP神经网络模型，将根据上文中计算的各个特征的可分性衡量标准筛选出可分性特征作为输入，在输入层并行输入图像与信号特征，在隐层各个节点通过计算超声A扫数据的特征与超声S扫数据的特征之间的权重最终输出结果，即隐层为特征融合层。构建的BP神经网络示意图如图1所示。
关于神经网络参数的设置，可以根据输入量的多少以及输出量的多少来调节隐层数量以及隐层的节点数目，使分类效果达到最优结果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，包括以下步骤：
步骤1.采集数据，在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据；其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据；
步骤2.对超声A扫数据与超声S扫数据进行预处理；
步骤3.对预处理之后的超声A扫数据与超声S扫数据提取特征信息，并将特征信息作为判别缺陷的指标，通过分别提取的超声A扫数据与超声S扫数据的特征信息作为分类的输入变量；
步骤4.进行特征的评价与筛选；
步骤5.执行分类任务。
2.根据权利要求1所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤2中的预处理包括降噪，所述降噪的方法包括如下步骤：
步骤2.1.对超声A扫数据降噪：基于sym7小波基函数先对超声A扫数据进行降噪，在降噪的基础上，对数据进行归一化处理，使其在（0，1）区间内；
步骤2.2.对超声S扫数据降噪：首先对缺陷图像中值滤波，在中值滤波的基础上，将滤波后的图像灰度化，将图像灰度化之后用特征提取方法提取图像特征。
3.根据权利要求2所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤3包括：
步骤3.1.提取超声A扫数据特征，包括提取特征波形的时域特征与几何特征；提取时域特征时，首先通过小波包分解将A扫脉冲分解到第四层，以第四层中的16个节点中的前三个节点各节点的能量与A扫脉冲的总能量的比值作为一项时域特征；计算公式为：
Figure QLYQS_1
；其中/>
Figure QLYQS_2
表示分解后第四层第i个节点计算的时域特征值，E表示A扫脉冲的总能量，/>
Figure QLYQS_3
表示第四层第i个节点上的能量值，共选择前3个节点，则得到三个时域特征。
4.根据权利要求3所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤3.1中，特征波形的几何特征包括：包络线长度、包络线与横轴围成的面积、包络线梯度特征、2组1-D LBP特征值、波根宽、峰度；具体的提取方法包括：
（1）包络线长度及包络线与横轴围成的面积的计算方法为：通过离散数据微分的方法计算包络线长度以及包络线与横轴围成的面积，其中，利用微分、积分计算包络线的长度，根据脉冲信号采样步长h=1以及每个采样点对应脉冲幅值，则相邻采样点之间的纵轴距离计算公式为：
Figure QLYQS_4
，其中/>
Figure QLYQS_5
为相邻两采样点之间纵轴的距离，f( )表示在某一点处脉冲的幅值，即纵轴的数值，x表示横轴的数值；则包络线长度的计算公式为：/>
Figure QLYQS_6
，其中b表示特征区间的采样长度、L表示长度特征，/>
Figure QLYQS_7
为求和公式；计算包络线与横轴围成的面积的方法为：首先计算/>
Figure QLYQS_8
，在此基础上，包络线与横轴围成的面积计算公式为：/>
Figure QLYQS_9
,其中S表示面积特征值；
（2）包络线梯度特征的计算方法为：设特征区间起始采样点的幅值为
Figure QLYQS_10
，相邻的下一个采样点的幅值为/>
Figure QLYQS_11
，则两者的差值/>
Figure QLYQS_12
，判断：若/>
Figure QLYQS_13
小于0，记录该/>
Figure QLYQS_14
，若/>
Figure QLYQS_15
大于0，则不记录；然后往后移动一个采样点，计算第二个与第三个采样点之间的/>
Figure QLYQS_16
，依次计算特征区间的采样点，并将记录的所有值求和得到包络线梯度特征值；
（3）所述包络线1-D LBP特征提取方法为：
以特征区间内任意一点为中间点，分别选择前后各三个点或者前后各四个点；当前后各选择三个点时，分别计算选择的前后三个点的每个点与中间点的差值，若差值大于或等于0则将该采样点赋值为1，小于0赋值为0，然后将除中间点外的六个采样点组合成为一组二进制数并将二进制数转化为十进制数；循环对每一个采样点都当作中心点依次计算采样点作为中心点时所对应的十进制数值；由于前后各取三个点，所以转化后的十进制点均在（0，63）范围内，将这个区间均为7份，每份区间的大小为9；计算这些十进制点在（0，7）区间与（54，63）区间内出现的次数作为1-D LBP特征值；当前后各取四个点时，将（0，255）区间均分为10份，计算（0，25.5）以及（229.5，255）区间内出现的次数作为特征值；
（4）波根宽是特征波起峰位置到下降结束位置间的宽度，以区间内采样点数的多少来衡量波根宽；
（5）峰度的计算公式如下：
Figure QLYQS_17
(1)
Figure QLYQS_18
(2)
Figure QLYQS_19
(3)
式中，A(k)表示各采样点的幅值信息；
Figure QLYQS_20
表示均值，Kurt表示峰度，n表示采样点的个数；/>
Figure QLYQS_21
，/>
Figure QLYQS_22
为过渡参数。
5.根据权利要求3所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤3包括：
步骤3.2.提取超声S扫数据的特征，包括提取梯度灰度共生矩阵和灰度共生矩阵，提取图像特征共18项；其中，梯度灰度共生共矩阵提取图像特征14项，分别为：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵惯性、逆差矩；灰度共生矩阵提取4项特征，分别为：能量、对比度、熵、逆差距。
6.根据权利要求5所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤4包括：
基于欧式距离的方法来计算特征之间的类内距离与类间距离，并计算类内距离与类间距离之间的比值作为特征值可分性的衡量标准，其计算公式分别如下：
Figure QLYQS_23
(4)
Figure QLYQS_24
(5)
Figure QLYQS_25
(6)
Figure QLYQS_26
(7)
式（4）为计算类内距离的计算公式，式（5）为计算类间距离的计算公式，式（6）为欧氏距离计算方法，式（7）计算评价可区分性准则的一项指标；上述公式均为标准计算公式，其中
Figure QLYQS_28
为某缺陷样本个数，Nj为另一类缺陷样本参数，k表示第k个样本，/>
Figure QLYQS_32
表示第/>
Figure QLYQS_33
个样本，
Figure QLYQS_29
表示欧式距离计算公式；/>
Figure QLYQS_31
分别表示第i类第k个样本的特征值与表示第i类第/>
Figure QLYQS_34
个样本的特征值；i,j分别表示两类缺陷；/>
Figure QLYQS_35
分别表示j类缺陷的第k个样本与第/>
Figure QLYQS_27
个样本，/>
Figure QLYQS_30
则为最终计算的可分性判据值；
以式（7）的计算结果为衡量标准,结果大于1，则认为其具有可分性，小于1，则该项特征不作为后续分类的输入特征。
7.根据权利要求6所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤5中的所述分类任务是构建基于全连接层的BP神经网络模型，将根据步骤1-步骤4中计算的各个特征的可分性的衡量标准筛选出可分性特征作为输入，在输入层并行输入图像与信号特征，在各个节点通过计算超声A扫数据的特征与超声S扫数据的特征之间的权重最终输出结果。
CN202310695812.1A 2023-06-13 2023-06-13 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 Active CN116429911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310695812.1A CN116429911B (zh) 2023-06-13 2023-06-13 一种基于缺陷脉冲信号与图像相融合的智能化识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310695812.1A CN116429911B (zh) 2023-06-13 2023-06-13 一种基于缺陷脉冲信号与图像相融合的智能化识别方法

Publications (2)

Publication Number Publication Date
CN116429911A true CN116429911A (zh) 2023-07-14
CN116429911B CN116429911B (zh) 2023-09-01

Family

ID=87083660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310695812.1A Active CN116429911B (zh) 2023-06-13 2023-06-13 一种基于缺陷脉冲信号与图像相融合的智能化识别方法

Country Status (1)

Country Link
CN (1) CN116429911B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1048747A (en) * 1964-08-26 1966-11-16 Standard Telephones Cables Ltd Apparatus for sampling and analysing a complex pattern
JP2010185690A (ja) * 2009-02-10 2010-08-26 Mitsubishi Electric Corp 方位探知装置及び方位探知方法
CN106198749A (zh) * 2015-05-08 2016-12-07 中国科学院声学研究所 一种基于金属裂纹监测的多路传感器的数据融合方法
CN109241915A (zh) * 2018-09-11 2019-01-18 浙江大学 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法
WO2020133639A1 (zh) * 2018-12-29 2020-07-02 东北大学 一种管道内检测漏磁数据智能分析系统
CN112946081A (zh) * 2021-02-09 2021-06-11 武汉大学 基于缺陷多特征智能提取与融合的超声成像方法
CH717054A2 (de) * 2020-01-17 2021-07-30 Mechmine Llc Verfahren zur Diagnose eines Lagers.
CN113989542A (zh) * 2021-09-27 2022-01-28 浙江大学绍兴微电子研究中心 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法
CN114549468A (zh) * 2022-02-23 2022-05-27 中北大学 一种复合粘接构件界面脱粘缺陷自动识别成像方法及系统
CN114778689A (zh) * 2022-04-13 2022-07-22 新疆维吾尔自治区特种设备检验研究院 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
CN115420806A (zh) * 2022-09-02 2022-12-02 中建工程产业技术研究院有限公司 一种基于神经网络及图像融合的无损超声检测方法
WO2022261805A1 (zh) * 2021-06-15 2022-12-22 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN116008735A (zh) * 2021-10-21 2023-04-25 国网上海市电力公司 一种基于密度的局部放电信号提取方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1048747A (en) * 1964-08-26 1966-11-16 Standard Telephones Cables Ltd Apparatus for sampling and analysing a complex pattern
JP2010185690A (ja) * 2009-02-10 2010-08-26 Mitsubishi Electric Corp 方位探知装置及び方位探知方法
CN106198749A (zh) * 2015-05-08 2016-12-07 中国科学院声学研究所 一种基于金属裂纹监测的多路传感器的数据融合方法
CN109241915A (zh) * 2018-09-11 2019-01-18 浙江大学 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法
WO2020133639A1 (zh) * 2018-12-29 2020-07-02 东北大学 一种管道内检测漏磁数据智能分析系统
CH717054A2 (de) * 2020-01-17 2021-07-30 Mechmine Llc Verfahren zur Diagnose eines Lagers.
CN112946081A (zh) * 2021-02-09 2021-06-11 武汉大学 基于缺陷多特征智能提取与融合的超声成像方法
WO2022261805A1 (zh) * 2021-06-15 2022-12-22 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN113989542A (zh) * 2021-09-27 2022-01-28 浙江大学绍兴微电子研究中心 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法
CN116008735A (zh) * 2021-10-21 2023-04-25 国网上海市电力公司 一种基于密度的局部放电信号提取方法及系统
CN114549468A (zh) * 2022-02-23 2022-05-27 中北大学 一种复合粘接构件界面脱粘缺陷自动识别成像方法及系统
CN114778689A (zh) * 2022-04-13 2022-07-22 新疆维吾尔自治区特种设备检验研究院 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
CN115420806A (zh) * 2022-09-02 2022-12-02 中建工程产业技术研究院有限公司 一种基于神经网络及图像融合的无损超声检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WANLI XU 等: "Multi-feature fusion imaging via machine learning for laser ultrasonic based defect detection in selective laser melting part", OPTICS AND LASER TECHNOLOGY, vol. 150, pages 107918 - 1 *
张仁韦 等: "基于小波包分析的超声铜-钢感应熔敷焊焊接界面缺陷特征参量提取", 焊接, no. 2, pages 33 - 37 *
张晓英;王琨;汪彬;王晓兰;陈伟;: "基于DAEM算法的风力发电并网系统概率潮流计算", 兰州理工大学学报, no. 01, pages 91 - 96 *
李晗 等: "基于平板冲击声的声源特性表征及自动识别", 《应用声学》, vol. 35, no. 4, pages 294 - 301 *

Also Published As

Publication number Publication date
CN116429911B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN107909109B (zh) 基于显著性和多尺度深度网络模型的sar图像分类方法
CN108573225A (zh) 一种局部放电信号模式识别方法及系统
CN110427924A (zh) 一种基于lstm的心冲击信号自动多分类识别方法
CN107016233A (zh) 运动行为和认知能力的关联分析方法及系统
CN112946081B (zh) 基于缺陷多特征智能提取与融合的超声成像方法
CN107729926A (zh) 一种基于高维空间变换的数据扩增方法、机器识别系统
Xiao et al. Development of a CNN edge detection model of noised X-ray images for enhanced performance of non-destructive testing
CN115953666B (zh) 一种基于改进Mask-RCNN的变电站现场进度识别方法
CN107346541A (zh) 一种基于超声射频时间序列小波分析的组织定征方法
CN112353397A (zh) 一种心电图信号身份识别方法
CN107132515A (zh) 一种基于多维信息约束的点迹筛选方法
CN113084193B (zh) 一种激光选区熔化技术原位质量综合评价方法
CN116429911B (zh) 一种基于缺陷脉冲信号与图像相融合的智能化识别方法
CN114487129A (zh) 基于声发射技术的柔性材料的损伤识别方法
CN113538406A (zh) 一种基于分数阶小波变换的钢板内表面缺陷识别方法
CN114842280A (zh) 一种基于卷积神经网络的自动识别微地震信号算法
Bell et al. Multicharacter chronological clustering in a sequence of fossil sticklebacks
CN111462077A (zh) 一种利用非线性信息熵定征生物组织的方法
CN114549485A (zh) 一种基于x射线视觉的梗签检测方法
CN116413786A (zh) 一种地震波异常初至修正方法、装置和相关设备
CN113298138A (zh) 一种雷达辐射源个体识别方法及系统
Dapkus et al. A study of supervised combined neural-network-based ultrasonic method for reconstruction of the spatial distribution of material properties
CN117173618B (zh) 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法
Li et al. Nuclear Magnetic Image Segmentation of Rectal Cancer Based on Improved Genetic Neural Network
Cui et al. Automatic Identification Technology of Optical Fiber based on Genetic Neural Network Algorithm

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