CN117686588B - 燃气管道焊接质量的无损监测系统及方法 - Google Patents
燃气管道焊接质量的无损监测系统及方法 Download PDFInfo
- Publication number
- CN117686588B CN117686588B CN202410155683.1A CN202410155683A CN117686588B CN 117686588 B CN117686588 B CN 117686588B CN 202410155683 A CN202410155683 A CN 202410155683A CN 117686588 B CN117686588 B CN 117686588B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic echo
- waveform
- echo signal
- training
- global
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 205
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013441 quality evaluation Methods 0.000 claims abstract description 22
- 238000001303 quality assessment method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 123
- 238000012549 training Methods 0.000 claims description 117
- 238000000605 extraction Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000001066 destructive effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 28
- 239000000463 material Substances 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 66
- 238000011156 evaluation Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009658 destructive testing Methods 0.000 description 2
- 239000006247 magnetic powder Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000007431 microscopic evaluation Methods 0.000 description 2
- 238000009864 tensile test Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请公开了一种燃气管道焊接质量的无损监测系统及方法,其包括:信号发生器,用于向燃气管道焊缝处发射超声波探测信号;信号接收器,用于接收从所述燃气管道焊缝处反射回来的超声波回波信号;数据处理器,用于对所述超声波回波信号进行处理以得到焊接质量评估结果;显示器,用于显示所述焊接质量评估结果。这样,可以利用超声波在材料中传播的特性来评估焊接质量,实现焊接缺陷的检测与识别,有助于及时发现焊接质量存在的问题并采取相应的措施。
Description
技术领域
本申请涉及智能化焊接质量技术领域,尤其涉及一种燃气管道焊接质量的无损监测系统及方法。
背景技术
燃气管道是用于输送燃气(如天然气等)的管道系统。它通常由金属材料制成,具有一定的厚度和直径,用于将燃气从生产或储存地点运输到用户或消费地点。通常,需要对燃气管道的焊接质量进行监测,以确保管道的安全运行并防止潜在的事故发生。
目前,目视检查是监测燃气管道焊接质量最常用的方法之一,其通过人工观察焊缝表面的外观特征来评估焊接质量。然而,目视检查存在主观性强、受人员经验和视力等因素影响的局限性,无法完全发现内部缺陷或细微的焊接问题。此外,还存在一些有损监测方法,例如金相显微镜分析、压力试验、弯曲试验和拉伸试验等。虽然燃气管道焊接质量的有损监测方法可以提供直观的检测结果,但也存在一些缺点。首先,有损监测会对焊缝进行破坏,需要进行修复或重建,增加了成本和时间。其次,有损监测只能对检测样品进行局部检测,无法全面评估整个焊接管道的质量。
因此,期待一种优化的燃气管道焊接质量的无损监测系统及方法。
发明内容
本申请提供一种燃气管道焊接质量的无损监测系统及方法,其包括:信号发生器,用于向燃气管道焊缝处发射超声波探测信号;信号接收器,用于接收从所述燃气管道焊缝处反射回来的超声波回波信号;数据处理器,用于对所述超声波回波信号进行处理以得到焊接质量评估结果;显示器,用于显示所述焊接质量评估结果。这样,可以利用超声波在材料中传播的特性来评估焊接质量,实现焊接缺陷的检测与识别,有助于及时发现焊接质量存在的问题并采取相应的措施。
本申请还提供了一种燃气管道焊接质量的无损监测系统,其包括:信号发生器,用于向燃气管道焊缝处发射超声波探测信号;信号接收器,用于接收从所述燃气管道焊缝处反射回来的超声波回波信号;数据处理器,用于对所述超声波回波信号进行处理以得到焊接质量评估结果;显示器,用于显示所述焊接质量评估结果;其中,所述数据处理器,包括:局部波形特征提取模块,用于提取所述超声波回波信号的局部波形特征以得到超声波回波信号局部波形特征向量的序列;全局波形语义特征提取模块,用于提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量;焊接质量等级确定模块,用于基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级。
在上述燃气管道焊接质量的无损监测系统中,所述局部波形特征提取模块,包括:数据预处理单元,用于对所述超声波回波信号进行数据预处理以得到超声波回波信号局部块的序列;图像特征提取单元,用于利用深度学习网络模型对所述超声波回波信号局部块的序列进行图像特征提取以得到所述超声波回波信号局部波形特征向量的序列。
在上述燃气管道焊接质量的无损监测系统中,所述数据预处理单元,用于:对所述超声波回波信号进行图像划分以得到所述超声波回波信号局部块的序列。
在上述燃气管道焊接质量的无损监测系统中,所述深度学习网络模型为基于卷积神经网络模型的波形特征提取器。
在上述燃气管道焊接质量的无损监测系统中,所述图像特征提取单元,用于:使用所述基于卷积神经网络模型的波形特征提取器对所述超声波回波信号局部块的序列中的各个所述超声波回波信号局部块进行处理以得到所述超声波回波信号局部波形特征向量的序列。
在上述燃气管道焊接质量的无损监测系统中,所述全局波形语义特征提取模块,用于:将所述超声波回波信号局部波形特征向量的序列通过基于转换器模块的全局编码器以得到所述超声波回波信号全局波形语义理解特征向量。
在上述燃气管道焊接质量的无损监测系统中,所述全局波形语义特征提取模块,包括:上下文语义编码单元,用于使用所述基于转换器模块的全局编码器对所述超声波回波信号局部波形特征向量的序列进行基于全局的上下文语义编码以得到多个超声波回波信号局部特征向量;以及,级联单元,用于将所述多个超声波回波信号局部特征向量进行级联以得到所述超声波回波信号全局波形语义理解特征向量。
在上述燃气管道焊接质量的无损监测系统中,所述焊接质量等级确定模块,用于:将所述超声波回波信号全局波形语义理解特征向量通过分类器以得到分类结果,所述分类结果为所述焊接质量评估结果,所述分类结果用于表示焊接质量等级标签。
在上述燃气管道焊接质量的无损监测系统中,还包括用于对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器模块的全局编码器和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括训练超声波回波信号,以及,焊接质量等级标签的真实值;训练图像划分单元,用于对所述训练超声波回波信号进行图像划分以得到训练超声波回波信号局部块的序列;训练波形特征提取单元,用于使用所述基于卷积神经网络模型的波形特征提取器对所述训练超声波回波信号局部块的序列进行处理以得到训练超声波回波信号局部波形特征向量的序列;训练全局编码单元,用于将所述训练超声波回波信号局部波形特征向量的序列通过所述基于转换器模块的全局编码器以得到训练超声波回波信号全局波形语义理解特征向量;训练分类单元,用于将所述训练超声波回波信号全局波形语义理解特征向量通过分类器以得到分类损失函数值;训练单元,用于以所述分类损失函数值来对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器模块的全局编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正。
本申请还提供了一种燃气管道焊接质量的无损监测方法,其包括:使用信号发生器向燃气管道焊缝处发射超声波探测信号;使用信号接收器接收从所述燃气管道焊缝处反射回来的超声波回波信号;使用数据处理器对所述超声波回波信号进行处理以得到焊接质量评估结果;使用显示器显示所述焊接质量评估结果;其中,使用数据处理器对所述超声波回波信号进行处理以得到焊接质量评估结果,包括:提取所述超声波回波信号的局部波形特征以得到超声波回波信号局部波形特征向量的序列;提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量;基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级。
与现有技术相比,本申请提供的燃气管道焊接质量的无损监测系统及方法,其包括:信号发生器,用于向燃气管道焊缝处发射超声波探测信号;信号接收器,用于接收从所述燃气管道焊缝处反射回来的超声波回波信号;数据处理器,用于对所述超声波回波信号进行处理以得到焊接质量评估结果;显示器,用于显示所述焊接质量评估结果。这样,可以利用超声波在材料中传播的特性来评估焊接质量,实现焊接缺陷的检测与识别,有助于及时发现焊接质量存在的问题并采取相应的措施。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:图1为本申请实施例中提供的一种燃气管道焊接质量的无损监测系统的框图。
图2为本申请实施例中提供的一种燃气管道焊接质量的无损监测方法的流程图。
图3为本申请实施例中提供的一种燃气管道焊接质量的无损监测方法的系统架构的示意图。
图4为本申请实施例中提供的一种燃气管道焊接质量的无损监测系统的应用场景图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本申请实施例做进一步详细说明。在此,本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
燃气管道的焊接质量监测是确保管道安全运行的重要环节,它涉及多种技术和方法。在进行焊接之前,需要明确的工艺规范,包括焊接材料的选择、焊接方法、焊接参数等,这些规范通常由相关标准和规定来指导,以确保焊接质量符合要求。在进行焊接之前,需要对管道和焊接接头的准备工作进行检查,包括管道表面的清洁、准备、对接偏差等。在焊接过程中,通常会采用实时监测技术,如声发射检测、X射线检测、超声波检测等,以确保焊接过程中的缺陷及时发现和修复。焊接完成后,需要进行焊缝外观检查、尺寸检查、非破坏检测(如超声波、X射线或磁粉检测)等,以验证焊接质量是否符合要求。对焊接过程中的各项参数、监测结果以及检验记录进行完整的记录和归档,以便日后的追溯和分析。焊接质量监测需要符合相关的质量控制标准,并可能需要获得相关的焊接质量认证,以确保焊接质量符合法律法规和行业标准。
燃气管道焊接质量监测的方法包括非破坏检测和有损检测两种主要类型。非破坏检测方法可以在不破坏焊接材料的情况下进行,而有损检测方法则需要对焊缝进行破坏性检测。
其中非破坏检测方法包括:X射线检测,通过照射X射线并测量透射或散射来检测焊缝中的缺陷,如气孔、夹渣等,缺点是需要专业设备和操作人员,并且无法检测较浅的表面缺陷。超声波检测使用超声波探头对焊缝进行扫描,通过检测声波的反射来发现焊缝中的缺陷,这种方法可以检测到较小的缺陷,但需要受过专业培训的操作人员。磁粉检测,在焊接表面涂覆磁性粉末,通过施加磁场来发现焊缝中的裂纹和其他缺陷,这种方法适用于表面和近表面的缺陷检测。
其中有损检测方法包括:金相显微镜分析,将焊接样品进行金相组织分析,可以观察到焊缝中的组织结构和可能存在的缺陷,缺点是需要取样并进行制备,且只能对取样部位进行分析。压力试验,对焊接管道施加内部或外部压力,以检测管道是否存在泄漏或变形,这种方法需要管道系统能够承受额外的压力,并且无法直接发现焊缝内部的细微缺陷。弯曲试验和拉伸试验,这些试验通过对焊接样品施加力来评估其力学性能,但同样需要取样并破坏性地测试样品。
非破坏检测方法可能无法完全发现内部的微小缺陷,而有损检测方法只能对取样部位进行检测,难以全面评估整个焊接管道的质量。有损检测方法会对焊缝进行破坏,需要进行修复或重建,增加了成本和时间。许多非破坏检测方法需要受过专业培训的操作人员和专业设备,而有损检测方法则需要取样和制备样品,操作要求较高。
因此,在本申请中,提供一种优化的燃气管道焊接质量的无损监测系统及方法。
本申请提供一种燃气管道焊接质量的无损监测系统,该燃气管道焊接质量的无损监测系统包括一个信号发生器、一个信号接收器、一个数据处理器和一个显示器。信号发生器用于向燃气管道焊缝处发射超声波信号,信号接收器用于接收从焊缝处反射回来的超声波信号,数据处理器用于对接收到的信号进行分析和处理,显示器用于显示处理后的信号和焊接质量的评价结果。该燃气管道焊接质量的无损监测系统能够实时、准确地检测出燃气管道焊缝的缺陷和裂纹,提高燃气管道的安全性和可靠性。
在本申请的一个实施例中,图1为本申请实施例中提供的一种燃气管道焊接质量的无损监测系统的框图。如图1所示,根据本申请实施例的燃气管道焊接质量的无损监测系统100,包括:信号发生器110,用于向燃气管道焊缝处发射超声波探测信号;信号接收器120,用于接收从所述燃气管道焊缝处反射回来的超声波回波信号;数据处理器130,用于对所述超声波回波信号进行处理以得到焊接质量评估结果;显示器140,用于显示所述焊接质量评估结果;其中,所述数据处理器130,包括:局部波形特征提取模块131,用于提取所述超声波回波信号的局部波形特征以得到超声波回波信号局部波形特征向量的序列;全局波形语义特征提取模块132,用于提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量;焊接质量等级确定模块133,用于基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级。
在所述信号发生器110中,确保信号发生器的频率和幅度符合超声波检测的要求,同时需要注意信号的稳定性和准确性。通过发射超声波探测信号,可以对焊缝进行全面而非破坏性的检测,有助于发现焊接过程中可能存在的缺陷或问题。
在所述信号接收器120中,确保信号接收器的灵敏度和分辨率能够准确接收和解析从焊缝处反射回来的超声波回波信号。通过接收从焊缝处反射回来的超声波回波信号,可以获取有关焊缝内部结构和可能存在的缺陷的信息,为后续的数据处理提供基础。
在所述数据处理器130中,确保数据处理器具有合适的信噪比处理能力,能够准确地分析和处理超声波回波信号,提取焊接质量评估所需的信息。通过对超声波回波信号进行处理,可以得到焊接质量的评估结果,例如检测焊缝中的缺陷、确定焊接质量是否符合标准等,为后续的维护和修复提供依据。
在所述显示器140中,确保显示器能够清晰地显示焊接质量评估结果,包括可能存在的缺陷位置、大小、类型等信息。通过显示焊接质量评估结果,操作人员可以直观地了解焊接质量的情况,及时采取必要的措施,确保管道的安全运行。
所述数据处理器130,还包括:所述局部波形特征提取模块131,确保能够准确提取超声波回波信号的局部波形特征,这可能涉及到滤波、时域或频域特征提取等技术。通过提取超声波回波信号的局部波形特征,可以捕获焊接区域内部的细节信息,例如缺陷的形状、大小、位置等,有助于对焊接质量进行更精细的评估。所述全局波形语义特征提取模块132中,确保能够有效提取局部波形特征向量序列的全局波形语义特征,例如通过特征融合、时序分析等方法。通过提取超声波回波信号局部波形特征向量序列的全局波形语义特征,可以更全面地理解焊接区域的整体情况,从而为后续的质量评估提供更丰富的信息。所述焊接质量等级确定模块133中,确保基于超声波回波信号全局波形语义理解特征向量的确定方法准确可靠,可能需要建立合适的分类模型或者阈值判定方法。通过确定焊接质量等级,可以根据全局波形语义理解特征向量对焊接质量进行等级划分,有助于及时发现焊接质量存在的问题并采取相应的措施。
这里,在本申请的技术方案中,通过发射超声波探测信号并接收回波信号来评估焊接质量。其中,信号发生器发射的超声波信号经过焊缝后,会发生反射、散射和衍射等现象,这些现象包含了焊接缺陷的信息。也就是,利用超声波在材料中传播的特性来评估焊接质量,实现焊接缺陷的检测与识别。
特别地,考虑到在实际利用超声波来监测燃气管道的焊接质量的过程中,仍然依赖于人工对超声波回波信号进行观察和分析。这种主观判断容易受到操作人员经验和主观偏见的影响,导致评估结果的不一致性和不准确性。因此,期待一种优化的方案。
针对上述技术问题,本申请的技术构思为利用基于深度学习的图像处理技术,对超声波回波信号进行处理与分析,从中捕捉所述超声波回波信号的局部详细特征信息,又学习全局的整体语义表达,从而实现对焊接质量的智能化评估和等级划分。
深度学习技术能够有效地学习和捕捉超声波回波信号中的局部详细特征信息,例如缺陷的形状、大小、位置等,通过卷积神经网络(CNN)等技术,可以提取局部特征,实现对焊接区域内部细节的精准分析,从而更准确地评估焊接质量。深度学习技术可以帮助系统学习超声波回波信号的全局整体语义表达,从而更全面地理解焊接区域的整体情况,通过循环神经网络(RNN)或者注意力机制等技术,可以实现对整体语义信息的学习,为后续的质量评估提供更丰富的信息。结合深度学习技术,系统可以实现对焊接质量的智能化评估和等级划分,通过建立深度学习模型,系统能够自动学习超声波回波信号中的特征,并根据学习到的知识对焊接质量进行准确评估和等级划分,从而提高评估的准确性和可靠性。
利用基于深度学习的图像处理技术对超声波回波信号进行处理与分析,可以提高焊接质量评估的智能化程度,使系统能够更准确地捕捉局部详细特征信息和学习全局整体语义表达,从而实现对焊接质量的智能化评估和等级划分。
在本申请的一个实施例中,所述局部波形特征提取模块,包括:数据预处理单元,用于对所述超声波回波信号进行数据预处理以得到超声波回波信号局部块的序列;图像特征提取单元,用于利用深度学习网络模型对所述超声波回波信号局部块的序列进行图像特征提取以得到所述超声波回波信号局部波形特征向量的序列。
基于此,在本申请的技术方案中,对所述超声波回波信号进行处理以得到焊接质量评估结果的编码过程,包括:首先,对所述超声波回波信号进行图像划分以得到超声波回波信号局部块的序列。应可以理解,超声波回波信号在焊缝处反射、散射和衍射等现象会导致信号的复杂变化,其中包含了焊接缺陷的特征信息。通过将超声波回波信号划分为局部块,可以将整个超声波回波信号分解为多个包含局部区域的超声波回波信号局部块,并在后续处理的过程中针对每个局部块进行特征提取和分析,以更好地捕捉焊接缺陷的局部信息。
在本申请的一个具体实施例中,所述数据预处理单元,用于:对所述超声波回波信号进行图像划分以得到所述超声波回波信号局部块的序列。
接着,使用基于卷积神经网络模型的波形特征提取器对所述超声波回波信号局部块的序列进行处理以得到超声波回波信号局部波形特征向量的序列。也就是,利用卷积神经网络模型来构建波形特征提取器,以捕捉各个所述超声波回波信号局部块的空间邻域波形特征分布,反映与焊接缺陷相关的特征信息。
其中,所述深度学习网络模型为基于卷积神经网络模型的波形特征提取器。
在本申请的一个具体实施例中,所述图像特征提取单元,用于:使用所述基于卷积神经网络模型的波形特征提取器对所述超声波回波信号局部块的序列中的各个所述超声波回波信号局部块进行处理以得到所述超声波回波信号局部波形特征向量的序列。
然后,将所述超声波回波信号局部波形特征向量的序列通过基于转换器模块的全局编码器以得到超声波回波信号全局波形语义理解特征向量。这里,各个所述超声波回波信号局部波形特征向量表达各个局部区域的波形语义特征信息,这些局部区域的波形语义特征信息并非独立存在,而应存在丰富的上下文关系。在本申请的技术方案中,通过所述基于转换器模块的全局编码器将所述超声波回波信号局部波形特征向量的序列进行基于全局上下文语义关联的特征整合,以更为全面地表征和描述超声波回波信号的整体波形语义特征。
转换器模块能够捕捉超声波回波信号序列中的全局上下文语义关联,这意味着可以更好地理解整体波形的语义特征,而不仅仅局限于局部特征,有助于更全面地理解超声波回波信号所代表的焊接区域情况。基于全局上下文语义关联,全局编码器能够对局部波形特征向量的序列进行特征整合,将局部特征融合为更具代表性的全局特征,有助于系统更全面地表征和描述超声波回波信号的整体波形语义特征,提高了对焊接质量的综合评估能力。通过全局编码器的处理,能够更为全面地表征和描述超声波回波信号的整体波形语义特征,这使得在评估焊接质量时能够考虑到更多的信息,从而提高了评估的全面性和准确性。
基于转换器模块的全局编码器对超声波回波信号的局部波形特征向量序列进行处理,能够帮助系统更全面地表征和描述超声波回波信号的整体波形语义特征,从而提高对焊接质量的综合评估能力,并为后续的智能化评估和等级划分提供更为全面的信息支持。
在本申请的一个具体实施例中,所述全局波形语义特征提取模块,用于:将所述超声波回波信号局部波形特征向量的序列通过基于转换器模块的全局编码器以得到所述超声波回波信号全局波形语义理解特征向量。
进一步地,所述全局波形语义特征提取模块,包括:上下文语义编码单元,用于使用所述基于转换器模块的全局编码器对所述超声波回波信号局部波形特征向量的序列进行基于全局的上下文语义编码以得到多个超声波回波信号局部特征向量;以及,级联单元,用于将所述多个超声波回波信号局部特征向量进行级联以得到所述超声波回波信号全局波形语义理解特征向量。
继而,将所述超声波回波信号全局波形语义理解特征向量通过分类器以得到分类结果,所述分类结果为所述焊接质量评估结果,所述分类结果用于表示焊接质量等级标签。也就是,将所述超声波回波信号全局波形语义理解特征向量通过分类器,可以将整体波形语义特征与焊接质量等级之间建立起映射关系,从而实现焊接质量的评估和分类。在本申请的实际应用过程中,分类结果可以用于表示焊接质量等级标签,也就是,将不同的焊接质量划分为不同的类别。这样可以为焊接工程师、检验人员或其他相关人员提供直观的评估结果,帮助他们了解和判断焊接质量的好坏。
在本申请的一个具体实施例中,所述焊接质量等级确定模块,用于:将所述超声波回波信号全局波形语义理解特征向量通过分类器以得到分类结果,所述分类结果为所述焊接质量评估结果,所述分类结果用于表示焊接质量等级标签。
通过分类器对全局波形语义理解特征向量进行处理,能够智能地将这些特征与已知的焊接质量等级标签进行关联,从而实现对焊接质量的智能化评估,这使得燃气管道焊接质量的无损监测系统能够自动判断超声波回波信号所代表的焊接质量等级,减轻了人工判断的负担。通过分类器得到的分类结果可以直接表示焊接质量的等级标签,这样的标签具有明确的含义,可以直接指示焊接的质量状况,有利于工程人员快速了解焊接的质量情况。通过分类结果表示的焊接质量等级标签,可以为工程人员提供自动化的决策支持。基于分类结果,工程人员可以快速采取相应的措施,比如修复焊接缺陷、调整焊接参数等,以提高焊接质量。
将所述超声波回波信号全局波形语义理解特征向量通过分类器以得到分类结果,能够实现对焊接质量的智能化评估,提供准确的焊接质量等级标签,并为工程人员提供自动化的决策支持,从而提高焊接质量评估的效率和准确性。
在本申请的一个实施例中,所述的燃气管道焊接质量的无损监测系统,其特征在于,还包括用于对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器模块的全局编码器和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括训练超声波回波信号,以及,焊接质量等级标签的真实值;训练图像划分单元,用于对所述训练超声波回波信号进行图像划分以得到训练超声波回波信号局部块的序列;训练波形特征提取单元,用于使用所述基于卷积神经网络模型的波形特征提取器对所述训练超声波回波信号局部块的序列进行处理以得到训练超声波回波信号局部波形特征向量的序列;训练全局编码单元,用于将所述训练超声波回波信号局部波形特征向量的序列通过所述基于转换器模块的全局编码器以得到训练超声波回波信号全局波形语义理解特征向量;训练分类单元,用于将所述训练超声波回波信号全局波形语义理解特征向量通过分类器以得到分类损失函数值;训练单元,用于以所述分类损失函数值来对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器模块的全局编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正。
在本申请的技术方案中,所述训练超声波回波信号局部波形特征向量的序列表达所述训练超声波回波信号的信号波形图在局部图像语义空间域下的波形图像语义特征,由此,将所述训练超声波回波信号局部波形特征向量的序列通过基于转换器模块的全局编码器后,可以进一步基于局部图像语义空间域下的图像语义特征上下文来进行全局图像语义空间域下的关联图像语义特征的提取,但这也会导致所述训练超声波回波信号全局波形语义理解特征向量由于局部图像语义空间域和全局图像语义空间域下的图像语义分布差异引起的图像语义信息博弈离散化,从而影响所述训练超声波回波信号全局波形语义理解特征向量通过分类器的分类训练。
基于此,本申请的申请人优选地在所述训练超声波回波信号全局波形语义理解特征向量每次通过分类器进行迭代训练时,对所述训练超声波回波信号全局波形语义理解特征向量进行校正,具体表示为:以如下优化公式在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正以得到校正训练超声波回波信号全局波形语义理解特征向量;其中,所述优化公式为:其中,/>是所述训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,是所述训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,且/>是尺度超参数,/>是所述校正训练超声波回波信号全局波形语义理解特征向量第个位置的特征值,/>表示以2为底的对数函数。
具体地,当所述训练超声波回波信号全局波形语义理解特征向量通过分类器进行迭代训练时,训练时所述分类器的权重矩阵将作用于所述训练超声波回波信号全局波形语义理解特征向量上,由于所述权重矩阵本身的致密特性,会使得所述训练超声波回波信号全局波形语义理解特征向量的各个位置的特征值之间的文本语义信息博弈离散化产生大规模信息博弈,导致分类解无法在博弈基础上收敛到纳什均衡,尤其是在存在以所述训练超声波回波信号局部波形特征向量的局部图像语义空间域图像语义特征分布为基础的大规模非完美博弈离散化信息的情况下,这样,通过基于所述训练超声波回波信号全局波形语义理解特征向量的向量信息自控均衡邻域对所述训练超声波回波信号全局波形语义理解特征向量进行信息博弈均衡化的等效收敛,可以通过特征值在局部邻域内的自博弈来促进收敛,从而提高所述超声波回波信号全局波形语义理解特征向量通过分类器的训练效果。
综上,基于本申请实施例的燃气管道焊接质量的无损监测系统100被阐明,其利用基于深度学习的图像处理技术,对超声波回波信号进行处理与分析,从中捕捉所述超声波回波信号的局部详细特征信息,又学习全局的整体语义表达,从而实现对焊接质量的智能化评估和等级划分。
如上所述,根据本申请实施例的燃气管道焊接质量的无损监测系统100可以实现在各种终端设备中,例如燃气管道焊接质量的无损监测的服务器等。在一个示例中,根据本申请实施例的燃气管道焊接质量的无损监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该燃气管道焊接质量的无损监测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该燃气管道焊接质量的无损监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该燃气管道焊接质量的无损监测系统100与该终端设备也可以是分立的设备,并且该燃气管道焊接质量的无损监测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图2为本申请实施例中提供的一种燃气管道焊接质量的无损监测方法的流程图。图3为本申请实施例中提供的一种燃气管道焊接质量的无损监测方法的系统架构的示意图。如图2和图3所示,一种燃气管道焊接质量的无损监测方法,包括:210,使用信号发生器向燃气管道焊缝处发射超声波探测信号;220,使用信号接收器接收从所述燃气管道焊缝处反射回来的超声波回波信号;230,使用数据处理器对所述超声波回波信号进行处理以得到焊接质量评估结果;240,使用显示器显示所述焊接质量评估结果;其中,230,使用数据处理器对所述超声波回波信号进行处理以得到焊接质量评估结果,包括:231,提取所述超声波回波信号的局部波形特征以得到超声波回波信号局部波形特征向量的序列;232,提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量;233,基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级。
本领域技术人员可以理解,上述燃气管道焊接质量的无损监测方法中的各个步骤的具体操作已经在上面参考图1的燃气管道焊接质量的无损监测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图4为本申请实施例中提供的一种燃气管道焊接质量的无损监测系统的应用场景图。如图4所示,在该应用场景中,首先,接收从所述燃气管道焊缝处反射回来的超声波回波信号(例如,如图4中所示意的C);然后,将获取的超声波回波信号输入至部署有燃气管道焊接质量的无损监测算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于燃气管道焊接质量的无损监测算法对所述超声波回波信号进行处理,以确定焊接质量等级。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种燃气管道焊接质量的无损监测系统,其特征在于,包括:
信号发生器,用于向燃气管道焊缝处发射超声波探测信号;
信号接收器,用于接收从所述燃气管道焊缝处反射回来的超声波回波信号;
数据处理器,用于对所述超声波回波信号进行处理以得到焊接质量评估结果;
显示器,用于显示所述焊接质量评估结果;
其中,所述数据处理器,包括:
局部波形特征提取模块,用于提取所述超声波回波信号的局部波形特征以得到超声波回波信号局部波形特征向量的序列;
全局波形语义特征提取模块,用于提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量;
焊接质量等级确定模块,用于基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级;
其中,所述全局波形语义特征提取模块,包括:
上下文语义编码单元,用于使用基于转换器模块的全局编码器对所述超声波回波信号局部波形特征向量的序列进行基于全局的上下文语义编码以得到多个超声波回波信号局部特征向量;以及
级联单元,用于将所述多个超声波回波信号局部特征向量进行级联以得到所述超声波回波信号全局波形语义理解特征向量;
其中,所述焊接质量等级确定模块,用于:
将所述超声波回波信号全局波形语义理解特征向量通过分类器以得到分类结果,所述分类结果为所述焊接质量评估结果,所述分类结果用于表示焊接质量等级标签;
其中,还包括用于对基于卷积神经网络模型的波形特征提取器、基于转换器模块的全局编码器和分类器进行训练的训练模块;其中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括训练超声波回波信号,以及,焊接质量等级标签的真实值;
训练图像划分单元,用于对所述训练超声波回波信号进行图像划分以得到训练超声波回波信号局部块的序列;
训练波形特征提取单元,用于使用所述基于卷积神经网络模型的波形特征提取器对所述训练超声波回波信号局部块的序列进行处理以得到训练超声波回波信号局部波形特征向量的序列;
训练全局编码单元,用于将所述训练超声波回波信号局部波形特征向量的序列通过所述基于转换器模块的全局编码器以得到训练超声波回波信号全局波形语义理解特征向量;
训练分类单元,用于将所述训练超声波回波信号全局波形语义理解特征向量通过分类器以得到分类损失函数值;
训练单元,用于以所述分类损失函数值来对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器模块的全局编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正;
其中,以如下优化公式在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正以得到校正训练超声波回波信号全局波形语义理解特征向量;其中,所述优化公式为:
,
其中,是所述训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,/>是所述训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,且/>是尺度超参数,/>是所述校正训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,/>表示以2为底的对数函数。
2.根据权利要求1所述的燃气管道焊接质量的无损监测系统,其特征在于,所述局部波形特征提取模块,包括:
数据预处理单元,用于对所述超声波回波信号进行数据预处理以得到超声波回波信号局部块的序列;
图像特征提取单元,用于利用深度学习网络模型对所述超声波回波信号局部块的序列进行图像特征提取以得到所述超声波回波信号局部波形特征向量的序列。
3.根据权利要求2所述的燃气管道焊接质量的无损监测系统,其特征在于,所述数据预处理单元,用于:
对所述超声波回波信号进行图像划分以得到所述超声波回波信号局部块的序列。
4.根据权利要求3所述的燃气管道焊接质量的无损监测系统,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的波形特征提取器。
5.根据权利要求4所述的燃气管道焊接质量的无损监测系统,其特征在于,所述图像特征提取单元,用于:
使用所述基于卷积神经网络模型的波形特征提取器对所述超声波回波信号局部块的序列中的各个所述超声波回波信号局部块进行处理以得到所述超声波回波信号局部波形特征向量的序列。
6.根据权利要求5所述的燃气管道焊接质量的无损监测系统,其特征在于,所述全局波形语义特征提取模块,用于:
将所述超声波回波信号局部波形特征向量的序列通过基于转换器模块的全局编码器以得到所述超声波回波信号全局波形语义理解特征向量。
7.一种燃气管道焊接质量的无损监测方法,其特征在于,包括:
使用信号发生器向燃气管道焊缝处发射超声波探测信号;
使用信号接收器接收从所述燃气管道焊缝处反射回来的超声波回波信号;
使用数据处理器对所述超声波回波信号进行处理以得到焊接质量评估结果;
使用显示器显示所述焊接质量评估结果;
其中,使用数据处理器对所述超声波回波信号进行处理以得到焊接质量评估结果,包括:
提取所述超声波回波信号的局部波形特征以得到超声波回波信号局部波形特征向量的序列;
提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量;
基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级;
其中,提取所述超声波回波信号局部波形特征向量的序列的全局波形语义特征以得到超声波回波信号全局波形语义理解特征向量,包括:
使用基于转换器模块的全局编码器对所述超声波回波信号局部波形特征向量的序列进行基于全局的上下文语义编码以得到多个超声波回波信号局部特征向量;以及
将所述多个超声波回波信号局部特征向量进行级联以得到所述超声波回波信号全局波形语义理解特征向量;
其中,基于所述超声波回波信号全局波形语义理解特征向量,确定焊接质量等级,包括:
将所述超声波回波信号全局波形语义理解特征向量通过分类器以得到分类结果,所述分类结果为所述焊接质量评估结果,所述分类结果用于表示焊接质量等级标签;
其中,还包括用于对基于卷积神经网络模型的波形特征提取器、基于转换器模块的全局编码器和分类器进行训练;其中,对基于卷积神经网络模型的波形特征提取器、基于转换器模块的全局编码器和分类器进行训练,包括:
获取训练数据,所述训练数据包括训练超声波回波信号,以及,焊接质量等级标签的真实值;
对所述训练超声波回波信号进行图像划分以得到训练超声波回波信号局部块的序列;
使用所述基于卷积神经网络模型的波形特征提取器对所述训练超声波回波信号局部块的序列进行处理以得到训练超声波回波信号局部波形特征向量的序列;
将所述训练超声波回波信号局部波形特征向量的序列通过所述基于转换器模块的全局编码器以得到训练超声波回波信号全局波形语义理解特征向量;
将所述训练超声波回波信号全局波形语义理解特征向量通过分类器以得到分类损失函数值;
以所述分类损失函数值来对所述基于卷积神经网络模型的波形特征提取器、所述基于转换器模块的全局编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正;
其中,以如下优化公式在所述训练的每一轮迭代中,对所述训练超声波回波信号全局波形语义理解特征向量进行校正以得到校正训练超声波回波信号全局波形语义理解特征向量;其中,所述优化公式为:
,
其中,是所述训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,/>是所述训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,且/>是尺度超参数,/>是所述校正训练超声波回波信号全局波形语义理解特征向量第/>个位置的特征值,/>表示以2为底的对数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155683.1A CN117686588B (zh) | 2024-02-04 | 2024-02-04 | 燃气管道焊接质量的无损监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155683.1A CN117686588B (zh) | 2024-02-04 | 2024-02-04 | 燃气管道焊接质量的无损监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117686588A CN117686588A (zh) | 2024-03-12 |
CN117686588B true CN117686588B (zh) | 2024-05-10 |
Family
ID=90130468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155683.1A Active CN117686588B (zh) | 2024-02-04 | 2024-02-04 | 燃气管道焊接质量的无损监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117686588B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019218349A1 (de) * | 2019-11-27 | 2021-05-27 | Robert Bosch Gmbh | Verfahren zum Klassifizieren von zumindest einem Ultraschallecho aus Echosignalen |
CN116147548A (zh) * | 2023-04-19 | 2023-05-23 | 西南林业大学 | 用于钢纤维rpc盖板厚度的无损检测方法及系统 |
CN116341621A (zh) * | 2023-03-14 | 2023-06-27 | 太原科技大学 | 面向焊缝缺陷超声检测的低成本自学习神经网络设计方法 |
CN116805061A (zh) * | 2023-05-10 | 2023-09-26 | 杭州水务数智科技股份有限公司 | 基于光纤传感的泄漏事件判断方法 |
CN117033976A (zh) * | 2023-08-11 | 2023-11-10 | 黑龙江大学 | 基于数据增强和深度学习的碳钢管道电磁超声缺陷评估方法及设备 |
CN117347501A (zh) * | 2023-11-08 | 2024-01-05 | 佛山市汇八闽供应链有限公司 | 建筑材料性能检测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10592779B2 (en) * | 2017-12-21 | 2020-03-17 | International Business Machines Corporation | Generative adversarial network medical image generation for training of a classifier |
-
2024
- 2024-02-04 CN CN202410155683.1A patent/CN117686588B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019218349A1 (de) * | 2019-11-27 | 2021-05-27 | Robert Bosch Gmbh | Verfahren zum Klassifizieren von zumindest einem Ultraschallecho aus Echosignalen |
CN116341621A (zh) * | 2023-03-14 | 2023-06-27 | 太原科技大学 | 面向焊缝缺陷超声检测的低成本自学习神经网络设计方法 |
CN116147548A (zh) * | 2023-04-19 | 2023-05-23 | 西南林业大学 | 用于钢纤维rpc盖板厚度的无损检测方法及系统 |
CN116805061A (zh) * | 2023-05-10 | 2023-09-26 | 杭州水务数智科技股份有限公司 | 基于光纤传感的泄漏事件判断方法 |
CN117033976A (zh) * | 2023-08-11 | 2023-11-10 | 黑龙江大学 | 基于数据增强和深度学习的碳钢管道电磁超声缺陷评估方法及设备 |
CN117347501A (zh) * | 2023-11-08 | 2024-01-05 | 佛山市汇八闽供应链有限公司 | 建筑材料性能检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
结合分段频域和局部注意力的超声甲状腺分割;胡屹杉;秦品乐;曾建潮;柴锐;王丽芳;;中国图象图形学报;20201016(第10期);全文 * |
胡屹杉 ; 秦品乐 ; 曾建潮 ; 柴锐 ; 王丽芳 ; .结合分段频域和局部注意力的超声甲状腺分割.中国图象图形学报.2020,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117686588A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20100110340A (ko) | 비파괴 테스팅으로서 특히 제조 중이거나 완성된 상태의 파이프에 대한 비파괴 테스팅 | |
CN112816556B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
JP5156707B2 (ja) | 超音波検査方法及び装置 | |
Moura et al. | Pattern recognition of weld defects in preprocessed TOFD signals using linear classifiers | |
CN115015394A (zh) | 一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法 | |
CN110530984A (zh) | 一种管道内涂层缺陷的超声波检测方法 | |
CN117686588B (zh) | 燃气管道焊接质量的无损监测系统及方法 | |
CN112816557B (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
JP4728762B2 (ja) | 超音波探傷画像処理装置 | |
KR101465073B1 (ko) | 초음파 검사 평가 방법 및 시스템 | |
CN118130617B (zh) | 一种管件焊缝内表面质量智能移动检测方法 | |
JP7455046B2 (ja) | 水中検査装置および水中検査方法 | |
Wall et al. | Worth of modelling for assessing the intrinsic capability of NDT | |
CN117074430B (zh) | 不锈钢钢管的表面缺陷检测方法及装置 | |
US11885767B2 (en) | Automated scan data quality assessment in ultrasonic testing | |
US11913911B2 (en) | System and method for dual pulse-echo sub-surface detection | |
CN109632944A (zh) | 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法 | |
KR102434224B1 (ko) | 타원형 알고리즘이 포함된 자기공명탐상방법에 의한 검사 장치 및 방법 | |
US20220404314A1 (en) | System and method for automated indication confirmation in ultrasonic testing | |
JP7242579B2 (ja) | 超音波探傷システムおよび超音波探傷方法 | |
WO2022209169A1 (ja) | 情報処理装置、判定方法、および判定プログラム | |
Al-Nuaimy et al. | Time-of-flight diffraction-from semi-automatic inspection to semi-automatic interpretation | |
Bredif et al. | PHASED‐ARRAY METHOD FOR THE UT‐INSPECTION OF FRENCH RAIL REPAIRS | |
Hu et al. | Research on Feature Extraction Technology of Weld Defect Signal based on Wavelet Packet Transform | |
CN115166063A (zh) | 一种基于tofd检测技术自动识别缺陷信号定高的方法 |
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 |