CN116818914B - 一种玻璃及其加工制品无损检测方法 - Google Patents
一种玻璃及其加工制品无损检测方法 Download PDFInfo
- Publication number
- CN116818914B CN116818914B CN202311099204.0A CN202311099204A CN116818914B CN 116818914 B CN116818914 B CN 116818914B CN 202311099204 A CN202311099204 A CN 202311099204A CN 116818914 B CN116818914 B CN 116818914B
- Authority
- CN
- China
- Prior art keywords
- echo
- signals
- signal
- component
- degree
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009659 non-destructive testing Methods 0.000 title abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000012880 independent component analysis Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 5
- 230000001066 destructive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 description 11
- 239000000523 sample Substances 0.000 description 11
- 239000000463 material Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请涉及数据处理领域,提供一种玻璃及其加工制品无损检测方法,包括:利用独立成分分析算法对回波信号进行处理,得到每一回波信号对应的分量信号;所述回波信号是待检测对象反射回的超声信号;确定每一回波信号对应的分量信号的噪声影响程度,并基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度;基于所述回波信号的噪声影响程度确定所述回波信号的小波阈值参数,基于所述小波阈值参数对所述回波信号进行去噪;基于去噪后的回波数据确定待检测对象的异常程度。该方法能够对获得的超声波信号进行去噪处理,提高超声波信号的准确性,进而提高检测准确性。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种玻璃及其加工制品无损检测方法。
背景技术
玻璃的无损检测方法是指在不破坏玻璃的原有形态和性能的情况下,通过一系列检测手段和设备对玻璃进行检测、评估和判断的方法。超声波检测方法是一种常用的玻璃无损检测方法,利用超声波对玻璃进行扫描,超声波进入玻璃后,会以波动形式沿着材料传播。它会遇到不同密度、硬度和几何形状的材料界面,导致一部分超声波被反射回来,一部分被折射或散射,当超声波遇到内部缺陷如气泡、裂纹、夹杂物时,会发生反射、散射或衍射,导致超声波信号的变化,这些变化可以通过接收器或探头接收并记录下来,接收器或探头接收到反射的超声波信号,并将其转换为电信号。然后根据电信号的变化来检测玻璃内部是否存在缺陷。
在现有技术中,对超声波信号进行分析主要是分析其信号的变化程度,因为当待检测物体内部出现缺陷时,其对超声波信号的反射率是不一样的,因此会引起电信号的变化,那么根据电信号的变化就能够判断其是否存在缺陷。但是超声波信号很容易受到噪声的干扰,而噪声也会引起超声波信号的变化,从而造成误判,因此需要对获得的超声波信号进行去噪处理。
发明内容
本发明提供一种玻璃及其加工制品无损检测方法,该方法能够对获得的超声波信号进行去噪处理,提高超声波信号的准确性,进而提高检测准确性。
第一方面,本申请提供一种玻璃及其加工制品无损检测方法,包括:
利用独立成分分析算法对回波信号进行处理,得到每一回波信号对应的分量信号;所述回波信号是待检测对象反射回的超声波信号;
确定每一回波信号对应的分量信号的噪声影响程度,并基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度;
基于所述回波信号的噪声影响程度确定所述回波信号的小波阈值参数,基于所述小波阈值参数对所述回波信号进行去噪;
基于去噪后的回波数据确定待检测对象的异常程度。
在一可选实施例中,基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度,包括:
基于每一回波信号对应的分量信号的噪声影响程度确定每一所述回波信号的参考分量信号;
基于所述回波信号的参考分量信号与除参考分量信号外其余分量信号的噪声影响程度确定所述回波信号的噪声影响程度。
在一可选实施例中,确定每一回波信号对应的分量信号的噪声影响程度,包括:
基于回波信号对应的分量信号受到可能噪声的占比、回波信号对应的分量信号的极值点的数量、回波信号对应的分量信号的平均斜率计算回波信号对应的分量信号的噪声影响程度;
其中,回波信号对应的分量信号受到可能噪声的占比为回波信号对应的分量信号的波动程度与回波信号的波动程度的比值。
在一可选实施例中,所述方法还包括:
基于回波信号的平均幅值和回波信号的幅值的方差确定回波信号的波动程度;
基于回波信号对应的分量信号的平均幅值和回波信号对应的分量信号的幅值的方差确定回波信号对应的分量信号的波动程度。
在一可选实施例中,基于每一回波信号对应的分量信号的噪声影响程度确定每一所述回波信号的参考分量信号,包括:
基于当前回波信号中当前分量信号与其他回波信号中其他分量信号的噪声影响程度的差值之和在所有分量信号中的占比,和当前回波信号中当前分量信号与其他回波信号中其他分量信号的相似度计算当前回波信号中当前分量信号为主频信号的可能程度;
取可能程度最大时对应的当前分量信号作为所述参考分量信号。
在一可选实施例中,当前回波信号中当前分量信号为主频信号的可能程度的计算方式为:
其中,表示在第/>个回波信号中第/>个分量信号为主频信号的可能程度,/>表示第/>个回波信号中第/>个分量信号的噪声影响程度, />表示第/>个回波信号中第/>个分量信号的噪声影响程度,第/>个回波信号为除第/>个回波信号外的其他回波信号,第/>个分量信号为除第/>个分量信号外的其他分量信号,/>表示每一回波信号中分量信号的数量,/>表示回波信号的数量,/>表示第/>个回波信号中第/>个分量信号与第/>个回波信号中第/>个分量信号的相似度,min表示取最小值,/>表示自然常数的指数函数,n表示每一回波信号中分量信号的数量。
在一可选实施例中,基于所述回波信号的参考分量信号与除参考分量信号外其余分量信号的噪声影响程度确定所述回波信号的噪声影响程度,包括:
计算所有回波信号的参考分量信号的噪声影响程度均值;
计算所有回波信号的除参考分量信号外其余分量信号的噪声影响程度与噪声影响程度均值的差值的均值,从而得到所述回波信号的噪声影响程度。
在一可选实施例中,回波信号的噪声影响程度的计算方式,包括:
其中,表示第/>个回波信号的噪声影响程度,/>表示第/>个回波信号的参考分量信号的噪声影响程度,/>表示归一化函数,/>表示第/>个回波信号中第/>个分量信号的噪声影响程度,/>表示每一回波信号中分量信号的数量,/>表示回波信号的数量,第/>个回波信号为除第/>个回波信号外的其他回波信号。
在一可选实施例中,基于去噪后的回波数据确定待检测对象的异常程度,包括:
计算所有去噪后的回波数据中数据点的平均斜率;
基于所述平均斜率确定待检测对象的异常程度。
在一可选实施例中,基于所述平均斜率确定待检测对象的异常程度,包括:
如果所述平均斜率大于预设值,则确定所述待检测对应存在异常。
本申请的有益效果,区别于现有技术,本申请的玻璃及其加工制品无损检测方法,包括:利用独立成分分析算法对回波信号进行处理,得到每一回波信号对应的分量信号;所述回波信号是待检测对象反射回的超声信号;确定每一回波信号对应的分量信号的噪声影响程度,并基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度;基于所述回波信号的噪声影响程度确定所述回波信号的小波阈值参数,基于所述小波阈值参数对所述回波信号进行去噪;基于去噪后的回波数据确定待检测对象的异常程度。该方法能够对获得的超声波信号进行去噪处理,提高超声波信号的准确性,进而提高检测准确性。
附图说明
图1为本发明玻璃及其加工制品无损检测方法的一实施例的流程示意图;
图2为图1中步骤S12的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本发明提供一种玻璃及其加工制品无损检测方法,该方法对获得的超声波信号进行去噪,然后根据去噪后的超声波信号获得玻璃制品的异常程度。下面结合附图和实施例对本申请进行详细的说明。
请参加图1,图1为本发明玻璃及其加工制品无损检测方法的一实施例的流程示意图,具体包括:
步骤S11:利用独立成分分析算法对回波信号进行处理,得到每一回波信号对应的分量信号。
本发明的主要目的是为了对超声波信号进行去噪处理,因此首先需要获得待检测玻璃制品的超声波图像。一般在通过超声波进行探伤时,采用液体介质,例如可以使用1个发射探头发射超声波信号,由四个探头进行接收玻璃或玻璃制品即待检测对象反射回来的超声波信号,会得到多个接收信号,将反射回来的超声波信号作为回波信号然后根据多个回波信号的变化来确定玻璃制品是否存在异常。
步骤S12:确定每一回波信号对应的分量信号的噪声影响程度,并基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度。
在获得的多个回波信号中,除了时间上略有差异外,幅度和波形基本相同,造成波形在时间上的差异的原因是因为不同的探头处于检测物品的不同位置,回波信号到达个探头的时间不相同。并且不同回波信号受到的噪声不同,例如部分探头获得的整体波形和在后半段的噪声略微大一些,而部分探头受到的噪声影响程度小一些,因此通过比较不同回波信号的变化来对各回波信号进行自适应去噪。
在对回波信号进行分析时,因为是要分析不同回波信号所受到的不同的噪声的干扰,因此各回波信号可以作为相互参考,通过比较不同回波信号的变化,来确定不同回波信号所受到的噪声影响程度的大小。因此首先通过独立成分分析(ICA)算法来对回波信号进行分解,ICA是一种用于从混合信号中分离出独立源信号的统计方法,它的目标是通过寻找一个线性变换,将观测到的多维混合信号转化为具有最大统计独立性的原始信号。在ICA中,假设观测到的信号是由一组相互独立的源信号通过混合矩阵线性组合而成,这些源信号可能包含了我们感兴趣的信息,而通过ICA,我们可以尝试将其与其他不相关的信号分离开来。因此根据ICA算法分解后的各回波信号的分量信号来获得不同源信号的变化。
本申请在对各回波信号进行去噪时,先确定每一回波信号对应的分量信号的噪声影响程度。
在一实施例中,请结合图2,步骤S12包括:
步骤S21:基于每一回波信号对应的分量信号的噪声影响程度确定每一所述回波信号的参考分量信号。
在分析不同源信号的变化时,其主要是比较不同回波信号的分量信号之间的相关性,因为ICA算法在对信号进行分解时,是通过矩阵变换来分离各独立信号源,那么各分量信号表示的是不同频率的噪声的变化,但是因为不知道哪个分量信号是噪声信号,哪个分量信号是超声波的回波信号,因此只能通过不同回波信号中各分量信号的变化来进行特征区分。
具体的,基于回波信号对应的分量信号受到可能噪声的占比、回波信号对应的分量信号的极值点的数量、回波信号对应的分量信号的平均斜率计算回波信号对应的分量信号的噪声影响程度。其中,回波信号对应的分量信号受到可能噪声的占比为回波信号对应的分量信号的波动程度与回波信号的波动程度的比值。
基于上述步骤,本申请需要先确定回波信号对应的分量信号的波动程度与回波信号的波动程度。
在一实施例中,基于回波信号的平均幅值和回波信号的幅值的方差确定回波信号的波动程度。基于回波信号对应的分量信号的平均幅值和回波信号对应的分量信号的幅值的方差确定回波信号对应的分量信号的波动程度。以回波信号的波动程度的计算方式为例进行说明,第个回波信号的波动程度/>的计算方式为:
式中,表示第/>个回波信号的波动程度,/>表示第/>个回波信号中第/>个数据点的幅值,/>表示第/>个回波信号的平均幅值,/>表示第/>个回波信号数据点的个数。表示第/>个回波信号的幅值的方差,在这里用平均幅值/>乘以幅值的方差表示第/>个回波信号的波动程度,能够表示第/>个回波信号在哪个范围内波动,因为不同的回波信号受到的噪声影响程度是不一样的,因此其波动范围也不相同。
回波信号对应的分量信号的波动程度的计算方式与回波信号的波动程度的计算方式相同,在此不再赘述。
根据上述计算获得的每个回波信号的波动程度和回波信号对应的分量信号的波动程度,然后再对每个回波信号的分量进行分析。因为含有噪声的回波信号实际上是好几个信号叠加在一起,而ICA算法对信号进行分解时,是对不同源信号进行分解的,因此获得的各分量信号是对不同频率信号的描述,因此根据同一回波信号中各分量信号的变化来获得该回波信号的噪声影响程度。而受到噪声影响的数据,其幅值点会发生变化,因此根据其变化获得每一分量信号的噪声影响程度,其计算公式如下:
式中,表示第/>个回波信号中第/>个分量信号的噪声影响程度,/>表示第/>个回波信号中第/>个分量信号的波动程度,/>表示第/>个回波信号的波动程度,/>表示第/>个回波信号中第/>个分量信号的极值点的数量,/>表示第/>个回波信号中第/>个分量信号中第/>个数据点的斜率,/>表示第/>个回波信号中第/>个分量信号的平均斜率。
因为回波信号是受到多种信号叠加,因此其计算回波信号的波动程度是最大,而不同的分量信号分布的数据点不同,其波动程度也不同,因此用每一条分量信号的波动程度除以原始信号的波动程度,即表示该分量信号的受到可能噪声的占比。而乘以极值点表示其数据点的变化,因为极值点的数量越多,说明数据的变化程度越大,因此其可能受到噪声的影响程度越大。而乘以平均斜率/>也是对数据变化程度的描述。
具体的,在不同的回波信号中,噪声影响的程度是不一样的,并且噪声影响数据的位置也是不一样的,造成该原因是因为存在于被测材料中的缺陷(如裂纹、气孔等)具有不同的形状和位置,这些缺陷可能会导致回波信号的强度和相位的变化,进而导致噪声影响的位置不同。特别是当缺陷位于接收探头与发射探头之间时,回波信号可能会受到较大的干扰,或接收探头放置在材料表面附近或与缺陷距离较远的位置,它可能会受到更多的噪声干扰,包括来自材料表面和周围环境的噪声。因此为了能够使每个回波信号都能准确的反映玻璃制品中是否存在缺陷,因此对各回波信号进行分析,来判断不同分量受到的噪声,进而来获得回波信号的主频信号。
基于上述计算,可以得到每一回波信号对应的分量信号的噪声影响程度,基于每一回波信号对应的分量信号的噪声影响程度确定每一所述回波信号的参考分量信号。具体的,基于当前回波信号中当前分量信号与其他回波信号中其他分量信号的噪声影响程度的差值之和在所有分量信号中的占比,和当前回波信号中当前分量信号与其他回波信号中其他分量信号的相似度计算当前回波信号中当前分量信号为主频信号的可能程度;取可能程度最大时对应的当前分量信号作为所述参考分量信号。
在一实施例中,当前回波信号中当前分量信号为主频信号的可能程度的计算方式为:
其中,表示在第/>个回波信号中第/>个分量信号为主频信号的可能程度,/>表示第/>个回波信号中第/>个分量信号的噪声影响程度, />表示第/>个回波信号中第/>个分量信号的噪声影响程度,第/>个回波信号为除第/>个回波信号外的其他回波信号,第/>个分量信号为除第/>个分量信号外的其他分量信号,/>表示每一回波信号中分量信号的数量,/>表示回波信号的数量,/>表示第/>个回波信号中第/>个分量信号与第/>个回波信号中第/>个分量信号的相似度,min表示取最小值,/>表示自然常数的指数函数,n表示每一回波信号中分量信号的数量。
上述公式中,表示第/>个回波信号中第/>个分量信号与其他回波信号中的其他分量信号的噪声影响程度的差值,其差值越小,说明这两个信号受到噪声的影响程度都可能越小,因为噪声的叠加是随机的,因此在不同回波信号中的分量信号中其数据变化也是各异的,而不含噪声的回波信号其变化程度是相近的,在这里计算当前第/>个回波信号中第/>个分量信号与其他回波信号中的其他分量信号的噪声影响程度的差值,然后取最小值。
表示第/>个回波信号中第/>个分量信号与其他回波信号中的其他分量信号的噪声影响程度的差值的和在所有分量信号中的占比,其比值越小,则说明当前回波信号中当前分量信号为主频信号的可能程度越大。而乘以表示两个数据序列变化的相似性,其值越大,说明这两条分量信号越相似,并且只有主频信号更加相似,因此当其取最大值时,说明第/>个回波信号中第/>个分量信号为主频信号的可能程度越大。
根据上述计算获得的主频信号的可能程度,当取得最大值时,则第/>个分量信号为第/>个回波信号的主频信号即参考分量信号,然后再根据各分量信号的与参考分量信号的变化来获得每一条回波信号的准确的噪声影响程度。
步骤S22:基于所述回波信号的参考分量信号与除参考分量信号外其余分量信号的噪声影响程度确定所述回波信号的噪声影响程度。
在一具体实施例中,计算所有回波信号的参考分量信号的噪声影响程度均值;计算所有回波信号的除参考分量信号外其余分量信号的噪声影响程度与噪声影响程度均值的差值的均值,从而得到所述回波信号的噪声影响程度。具体的,回波信号的噪声影响程度的计算方式,包括:
其中,表示第/>个回波信号的噪声影响程度,/>表示第/>个回波信号的参考分量信号的噪声影响程度,/>表示归一化函数,/>表示第/>个回波信号中第/>个分量信号的噪声影响程度,/>表示每一回波信号中分量信号的数量,/>表示回波信号的数量,第/>个回波信号为除第/>个回波信号外的其他回波信号。
表示对每一条回波信号的参考分量信号的噪声影响程度进行求均,表示第/>条回波信号中第/>条分量信号的噪声影响程度减去噪声影响程度均值,其表示第/>条分量信号噪声影响程度的差异,然后再求第/>条回波信号中所有分量信号与/>的差异的均值,即表示第/>条分量信号的平均噪声影响程度。
步骤S13:基于所述回波信号的噪声影响程度确定所述回波信号的小波阈值参数,基于所述小波阈值参数对所述回波信号进行去噪。
根据上述求得的每一条回波信号的噪声影响程度,然后来自适应小波阈值去噪,其计算方法为:
式中,表示第/>条回波信号的小波阈值参数,/>表示小波阈值超参数,在这里取(经验值)。根据得到的每一条回波信号的小波阈值参数对回波信号进行自适应去噪。
步骤S14:基于去噪后的回波数据确定待检测对象的异常程度。
计算所有去噪后的回波数据中数据点的平均斜率;基于所述平均斜率确定待检测对象的异常程度。如果所述平均斜率大于预设值,则确定所述待检测对应存在异常。具体的,根据上述获得的去噪后的各回波信号,然后根据回波信号的变化来确定玻璃制品是否存在异常。因为当玻璃制品内部存在裂痕、气泡等缺陷时,回波信号会发生相应的变化,因此根据回波信号的变化来获得玻璃制品的异常程度,其计算方法如:,式中,/>表示第/>条回波信号中第/>个数据点的斜率,/>表示所有去噪后的回波数据中数据点的平均斜率。当/>时(经验值),说明此玻璃制品存在异常。
本发明的方法,在对玻璃制品的超声波信号进行分析时,因为获得的回波信号存在噪声,因此需要对回波信号进行去噪处理。但是因为不同探头的回波信号受到的噪声影响程度不同,因为本发明通过ICA算法对原始信号进行分析,通过各分量信号的变化来获得不同分量信号的噪声影响程度,进而来确定每一条回波信号的噪声影响程度,从而来确定合适的小波阈值,对每一条回波信号进行自适应去噪,使得去噪后的回波信号不存在噪声干扰,能够根据回波信号准确的分析出玻璃制品中是否存在缺陷。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (3)
1.一种玻璃及其加工制品无损检测方法,其特征在于,包括:
利用独立成分分析算法对回波信号进行处理,得到每一回波信号对应的分量信号;所述回波信号是待检测对象反射回的超声波信号;
确定每一回波信号对应的分量信号的噪声影响程度,并基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度;
基于所述回波信号的噪声影响程度确定所述回波信号的小波阈值参数,基于所述小波阈值参数对所述回波信号进行去噪;
基于去噪后的回波数据确定待检测对象的异常程度;
确定每一回波信号对应的分量信号的噪声影响程度,包括:
基于回波信号的平均幅值和回波信号的幅值的方差确定回波信号的波动程度;
基于回波信号对应的分量信号的平均幅值和回波信号对应的分量信号的幅值的方差确定回波信号对应的分量信号的波动程度;
基于回波信号对应的分量信号受到可能噪声的占比、回波信号对应的分量信号的极值点的数量、回波信号对应的分量信号的平均斜率计算回波信号对应的分量信号的噪声影响程度;
其中,回波信号对应的分量信号受到可能噪声的占比为回波信号对应的分量信号的波动程度与回波信号的波动程度的比值;
基于分量信号的噪声影响程度确定每一回波信号的噪声影响程度,包括:
基于每一回波信号对应的分量信号的噪声影响程度确定每一所述回波信号的参考分量信号;
基于所述回波信号的参考分量信号与除参考分量信号外其余分量信号的噪声影响程度确定所述回波信号的噪声影响程度;
基于每一回波信号对应的分量信号的噪声影响程度确定每一所述回波信号的参考分量信号,包括:
基于当前回波信号中当前分量信号与其他回波信号中其他分量信号的噪声影响程度的差值之和在所有分量信号中的占比,和当前回波信号中当前分量信号与其他回波信号中其他分量信号的相似度计算当前回波信号中当前分量信号为主频信号的可能程度;
取可能程度最大时对应的当前分量信号作为所述参考分量信号;
当前回波信号中当前分量信号为主频信号的可能程度的计算方式为:
其中,表示在第/>个回波信号中第/>个分量信号为主频信号的可能程度,/>表示第/>个回波信号中第/>个分量信号的噪声影响程度, />表示第/>个回波信号中第/>个分量信号的噪声影响程度,第/>个回波信号为除第/>个回波信号外的其他回波信号,第/>个分量信号为除第/>个分量信号外的其他分量信号,/>表示每一回波信号中分量信号的数量,/>表示回波信号的数量,/>表示第/>个回波信号中第/>个分量信号与第/>个回波信号中第个分量信号的相似度,min表示取最小值,/>表示自然常数的指数函数,n表示每一回波信号中分量信号的数量;
基于所述回波信号的参考分量信号与除参考分量信号外其余分量信号的噪声影响程度确定所述回波信号的噪声影响程度,包括:
计算所有回波信号的参考分量信号的噪声影响程度均值;
计算所有回波信号的除参考分量信号外其余分量信号的噪声影响程度与噪声影响程度均值的差值的均值,从而得到所述回波信号的噪声影响程度;
回波信号的噪声影响程度的计算方式,包括:
其中,表示第/>个回波信号的噪声影响程度,/>表示第/>个回波信号的参考分量信号的噪声影响程度,/>表示归一化函数,/>表示第/>个回波信号中第/>个分量信号的噪声影响程度,/>表示每一回波信号中分量信号的数量,/>表示回波信号的数量,第/>个回波信号为除第/>个回波信号外的其他回波信号。
2.根据权利要求1所述的一种玻璃及其加工制品无损检测方法,其特征在于,基于去噪后的回波数据确定待检测对象的异常程度,包括:
计算所有去噪后的回波数据中数据点的平均斜率;
基于所述平均斜率确定待检测对象的异常程度。
3.根据权利要求2所述的一种玻璃及其加工制品无损检测方法,其特征在于,基于所述平均斜率确定待检测对象的异常程度,包括:
如果所述平均斜率大于预设值,则确定所述待检测对应存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311099204.0A CN116818914B (zh) | 2023-08-30 | 2023-08-30 | 一种玻璃及其加工制品无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311099204.0A CN116818914B (zh) | 2023-08-30 | 2023-08-30 | 一种玻璃及其加工制品无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116818914A CN116818914A (zh) | 2023-09-29 |
CN116818914B true CN116818914B (zh) | 2023-11-14 |
Family
ID=88120654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311099204.0A Active CN116818914B (zh) | 2023-08-30 | 2023-08-30 | 一种玻璃及其加工制品无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116818914B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117191305B (zh) * | 2023-11-06 | 2024-02-02 | 临沂市公路事业发展中心兰陵县中心 | 一种公路桥梁的状态评估方法及系统 |
CN117571745A (zh) * | 2023-12-12 | 2024-02-20 | 山东鲁玻玻璃科技有限公司 | 一种低硼硅玻璃缺陷检测方法 |
CN117745150B (zh) * | 2024-02-21 | 2024-05-03 | 冠兴(西安)通信电子工程有限公司 | 一种路基压实质量智能评估方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08271488A (ja) * | 1995-03-30 | 1996-10-18 | Sekisui Chem Co Ltd | Frpm管の材質評価方法 |
JP2001311723A (ja) * | 2000-04-28 | 2001-11-09 | Takayoshi Yamamoto | コンピュータ支援診断装置 |
CN106290578A (zh) * | 2016-07-27 | 2017-01-04 | 常州大学 | 一种压力管道小泄漏源检测及精确定位方法 |
CN109738519A (zh) * | 2019-01-04 | 2019-05-10 | 国网四川省电力公司广安供电公司 | 一种变压器高压套管引线超声检测的去噪方法 |
KR20210104559A (ko) * | 2020-02-17 | 2021-08-25 | 고려대학교 산학협력단 | 근적외선 분광신호의 노이즈 제거방법 |
CN113569799A (zh) * | 2021-08-05 | 2021-10-29 | 中北大学 | 一种蜂窝结构空耦超声信号特征提取方法 |
CN113671037A (zh) * | 2021-09-01 | 2021-11-19 | 杭州意能电力技术有限公司 | 一种支柱绝缘子振动声学信号处理方法 |
CN115561310A (zh) * | 2022-09-15 | 2023-01-03 | 国网湖北省电力有限公司超高压公司 | 能够处理接地极缺陷回波信号中非随机相干噪声的方法 |
CN116609853A (zh) * | 2023-07-17 | 2023-08-18 | 德州晶华药用玻璃有限公司 | 硼硅玻璃注射瓶包装端瓶内异物超声波自动检测装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10303877A1 (de) * | 2003-01-31 | 2004-08-12 | Fag Kugelfischer Ag | Verfahren zur Feststellung von Körperschallereignissen in einem Wälzlager |
-
2023
- 2023-08-30 CN CN202311099204.0A patent/CN116818914B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08271488A (ja) * | 1995-03-30 | 1996-10-18 | Sekisui Chem Co Ltd | Frpm管の材質評価方法 |
JP2001311723A (ja) * | 2000-04-28 | 2001-11-09 | Takayoshi Yamamoto | コンピュータ支援診断装置 |
CN106290578A (zh) * | 2016-07-27 | 2017-01-04 | 常州大学 | 一种压力管道小泄漏源检测及精确定位方法 |
CN109738519A (zh) * | 2019-01-04 | 2019-05-10 | 国网四川省电力公司广安供电公司 | 一种变压器高压套管引线超声检测的去噪方法 |
KR20210104559A (ko) * | 2020-02-17 | 2021-08-25 | 고려대학교 산학협력단 | 근적외선 분광신호의 노이즈 제거방법 |
CN113569799A (zh) * | 2021-08-05 | 2021-10-29 | 中北大学 | 一种蜂窝结构空耦超声信号特征提取方法 |
CN113671037A (zh) * | 2021-09-01 | 2021-11-19 | 杭州意能电力技术有限公司 | 一种支柱绝缘子振动声学信号处理方法 |
CN115561310A (zh) * | 2022-09-15 | 2023-01-03 | 国网湖北省电力有限公司超高压公司 | 能够处理接地极缺陷回波信号中非随机相干噪声的方法 |
CN116609853A (zh) * | 2023-07-17 | 2023-08-18 | 德州晶华药用玻璃有限公司 | 硼硅玻璃注射瓶包装端瓶内异物超声波自动检测装置 |
Non-Patent Citations (2)
Title |
---|
Evaluating the efficacy of multi-echo ICA denoising on model-based fMRI;Adam Steel 等;《NeuroImage》;第264卷;1-15 * |
基于EEMD-FastICA的单通道超声回波信号去噪研究;郭北涛等;《机械工程师》(第5期);13-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116818914A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116818914B (zh) | 一种玻璃及其加工制品无损检测方法 | |
Cho et al. | Detection of surface cracks in shell eggs by acoustic impulse method | |
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 | |
US11092573B2 (en) | Apparatus, systems, and methods for determining nonlinear properties of a material to detect early fatigue or damage | |
CN110161119B (zh) | 风电叶片缺陷识别方法 | |
CN109196350B (zh) | 通过超声检测材料中的缺陷的方法 | |
CN111948279A (zh) | 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法 | |
CN114264724A (zh) | 基于ceemdan联合小波包阈值的超声信号处理方法 | |
RU2480742C1 (ru) | Способ акустико-эмиссионного контроля | |
KR101830461B1 (ko) | 기계 부품 내부에 존재하는 결함의 방향을 측정하기 위한 방법 및 그 장치 | |
CN113533504B (zh) | 基于激光超声表面波频域参数的亚表面裂纹定量测量方法 | |
CN117007681B (zh) | 超声波探伤方法及系统 | |
JP3848641B2 (ja) | 電磁波によるコンクリート検査方法及び電磁波によるコンクリート検査装置 | |
US10585067B2 (en) | Method for non-destructive analysis of multiple structural parameters | |
CN113466330A (zh) | 一种用于涡流探伤过程的缺陷类型识别方法 | |
CN113219054A (zh) | 一种磁瓦内部缺陷检测装置及检测方法 | |
CN110161131A (zh) | 基于序贯假设检验的缺陷反射信号识别方法及其装置 | |
Cheng et al. | Eggshell crack detection and egg classification using resonance and support vector machine methods | |
Shoupeng et al. | A fractal-dimension-based signal-processing technique and its use for nondestructive testing | |
KR102568815B1 (ko) | 콘크리트 비파괴검사를 위한 초음파 tof 추정 자동화 장치 및 방법 | |
JPS6229023B2 (zh) | ||
US20240003854A1 (en) | Method for automatically identifying an acoustic source from a produced acoustic signal | |
CN114689696B (zh) | 基于超声频谱技术对试件进行缺陷检测的数据处理方法 | |
Kuts et al. | Application of Circular Statistics During Analysis of the Eddy Current Testing Signals | |
CN109142198B (zh) | 测定金属材料内部晶粒属性的方法和装置 |
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 |