收藏 分享(赏)

基于多特征优化的超声波缺陷分类识别方法研究.doc

上传人:无敌 文档编号:147804 上传时间:2018-03-22 格式:DOC 页数:7 大小:126.50KB
下载 相关 举报
基于多特征优化的超声波缺陷分类识别方法研究.doc_第1页
第1页 / 共7页
基于多特征优化的超声波缺陷分类识别方法研究.doc_第2页
第2页 / 共7页
基于多特征优化的超声波缺陷分类识别方法研究.doc_第3页
第3页 / 共7页
基于多特征优化的超声波缺陷分类识别方法研究.doc_第4页
第4页 / 共7页
基于多特征优化的超声波缺陷分类识别方法研究.doc_第5页
第5页 / 共7页
点击查看更多>>
资源描述

1、基于多特征优化的超声波缺陷分类识别方法研究 王丽莎 李梦洁 汪路明 叶杭璐 刘半藤 王章权 浙江树人大学信息科技学院 摘 要: 超声波检测的脉冲回波信号在时频域中含有丰富信息, 为有效提取缺陷特征相关的信息并对缺陷进行分类, 文章提出一种 Jmax-Fisher 多特征优选的方法.首先对超声波脉冲回波信号在时域、频域及小波域中提取多维特征构成多特征提取技术框架;然后计算单维特征 Fisher 判据函数以获得不同特征维数下的最优特征组合;再进行 Fisher 降维, 采用离散距离比作为指标获得最优特征维数, 确定最优特征组合进行缺陷分类.实验证明, 同常规的方法相比, 该方法在缺陷分类识别上具有

2、更高的准确率.关键词: 神经网络; 超声检测; 特征优化; 缺陷分类识别; 作者简介:王丽莎, 女, 浙江绍兴人, 浙江树人大学信息科技学院通信工程专业 2014 级本科生.收稿日期:2017-03-02基金:2016 年度国家级大学生创新创业训练计划项目 (201611842002) Research on Defect Classification and Recognition Based on Multi-feature Optimization in Ultrasonic DetectionWANG Lisha LI Mengjie WANG Luming YE Hanglu LIU

3、 Banteng WANG Zhangquan Information Science and Technology School of Zhejiang Shuren University; Abstract: The pulse reflection signal of ultrasonic detection contains abundant information in the time-frequency domain.In order to effectively extract the information related to defect characteristics

4、and classify the defects, aJmax-Fisher multifeature optimization method is proposed in this paper.Firstly, multi-dimensional features are extracted from the ultrasonic pulse reflection signals in time domain, frequency domain and wavelet domain to form a multi-feature extraction framework.The one-di

5、mensional Fisher criterion function is then calculated to obtain the optimal combination of features under different feature dimensions.Fisher dimension reduction is performed and the discrete distance ratio is used as an index to obtain the optimal dimension, so as to determine the optimal combinat

6、ion of characteristics.Experimental results show that, compared with the conventional one, this method has a great advantage in defect classification and recognition.Keyword: neural network; ultrasonic detection; feature optimization; defect classification and recognition; Received: 2017-03-020 引言无损

7、检测 (non-destructive testing, NDT) 是在不破坏或损伤检测对象情况下, 以检测对象自身特性引起的电磁、超声、红外等信号变化检测和评价其特性参数的综合性技术, 在一定程度上反映了一个国家的工业发展水平1.超声波检测 (ultrasonic testing, UT) 是一种常用的无损检测方法, 具有定位准确、灵敏度高、反应速度快等优点, 在工业、医疗、军事、农业、生物工程等领域有非常广泛的应用.缺陷分类是无损检测的主要目的之一, 以工业铸件为例, 存在着气泡、缩孔、夹渣、腐蚀、裂纹及未焊接透彻等缺陷, 有些缺陷对实际生产会造成严重后果, 需根据实际情况将其区分开来2.

8、超声波检测能对不同位置、不同形状的缺陷作出相应的响应, 使之在超声检测信号的时频特征中体现出来, 如缺陷深度会对时域回波时间、频域峰值和小波能量分布等特征作出响应.目前, 超声检测法常使用时域幅值和回波时间作为检测特征, 但并不足以准确区分深度、形状、走向都不同的缺陷3.为了准确捕获缺陷特征, 对不同缺陷进行区分, 需要对超声波信号的时域、频域和小波域波形进行分析, 提取多维的特征集, 从而对缺陷进行识别4.石端虎等提取了超声波检测信号的多维特征, 构建了多特征技术框架, 取得了较好的检测效果5.然而对于某一个 (类) 缺陷的分类问题, 在多特征框架下并非所有特征都是有效的, 冗余、无效特征会

9、对识别造成不利影响.因此, 本文提出基于 Jmax-Fisher 的多特征优选的缺陷分类方法, 对含不同缺陷的超声回波信号在时域、频域和小波域进行多特征提取, 利用 Fisher 线性分类6的方法对多维特征进行优选, 剔除冗余特征, 进行缺陷分类.1 设计思路基于 Jmax-Fisher 的多特征优选方法, 用于超声波检测的缺陷分类应用, 其流程框如图 1.图 1 超声波检测缺陷分类框图 下载原图对超声波回波信号进行多特征优选, 包括信号的采集及消噪、多维特征提取和Jmax-Fisher 特征优化.信号的采集及消噪是通过试验采集超声波回波信号, 用小波去噪对信号携带的噪声进行消噪;多维特征提取

10、是结合文献7提出的多特征技术框架, 提取时域包络谱统计特征、频域幅值谱统计特征、小波分解能量分布特征构建特征集;J max-Fisher 特征优选方法是根据检测对象对多维特征集进行优化, 获得最优特征.缺陷分类是利用欧式距离法和 RBF 神经网络法8对测试集进行分类, 并对分类结果进行分析.2 Jmax-Fisher 多特征优选法Jmax-Fisher 多特征优选方法是对高维信号进行降维以获得最优特征, 算法思路如图 2.图 2 Jmax-Fisher 设计框图 下载原图步骤 1:计算单维特征的 Fisher 判据函数, 并按大小排列.Fisher 判据函数是离散度矩阵之比的迹, 定义公式:J

11、 其值越大, 表示不同缺陷的信号特征区分度越大;S b为单维特征的类间离散度矩阵, 表示不同缺陷样本间的离散程度;S w为类内离散度矩阵, 表示同类缺陷样本的分散程度.式中, c 为样本类型数, x i为 i 类的特征向量, 为总体均值, i为第 i 类的特征向量均值, P i为第 i 类的先验概率.步骤 2:根据上述单维特征的 J 的大小, 对不同维度的特征参数进行组合, 得到不同维度下的最优特征组合, 再用 Fisher 线性判别方法对特征组合进行投影, 获得优化特征集.步骤 3:计算不同维度下的最优特征组合的离散距离比 Dm.Dm是特征向量的类间距离和类内距离的比值, D m越大表示该维

12、度下的最优特征组合对缺陷分类的效果越好.其中, D lj是类间距离, D ln是类内距离:式中, X i, Xj为单维点集X中的任意两个样本, 为总体均值, i为第 i 类的特征向量均值, P i为第 i 类的先验概率.3 实验设计3.1 实验试件实验从缺陷的大小与深度两个角度进行方法验证.设对钢板中 4 种形状相似的缺陷进行定量化识别, 以验证算法的可行性.在一块厚度均匀的钢板上, 分别存在孔径 0.80mm 和 1.00mm, 深度 10mm 和 8mm 的 4 种缺陷, 一共采集到 304=120组超声回波信号.图 3 为 4 种不同缺陷试样的示意图, 4 种不同缺陷分别记作缺陷 1、缺

13、陷 2、缺陷 3 和缺陷 4.图 3 试件及缺陷示意图 下载原图3.2 实验设备实验采用上材电磁的 UTA-3062E 型双通道超声检测仪 (图 4) , 可对始波增益、采用频率等检测参数进行调节, 能够对物体内部损伤进行检测, 具有报警、分选、信号输出等功能.实验用机油作为耦合剂, 采样频率设为 10MHz, 始波增益为 5dB.对试件进行重复扫描, 每种缺陷检测 30 次, 检测波形图 5 为缺陷 1 的原始超声波脉冲回波信号.图 5 缺陷超声检测信号 下载原图图 4 超声波检测设备 下载原图4 实验结果分析4.1 特征优选分析根据上述所示, 实验首先对采集到的特征值提取单维 J 值, 不

14、同的特征值对应的缺陷信息不同, 若 J 值越大, 则该特征参数具有更多的缺陷鉴别信息, 对最终的识别越有利, 各参数值如表 1.表 1 单维特征 J 值 下载原表 根据表 1, 按单维特征 J 值的大小构建 124 维的最优特征组合 (共 24 组) , 通过 Fisher 降维后获得最优特征集, 其分布如图 5 到图 8.可见在图 5 中不同缺陷特征的区分度最大;图 6、图 7 都存在缺陷相互混叠的情况;图 8 中四类缺陷特征难以分辨, 可分性最低.对各自的分布求 Dm, 结果如图 9.本文还对 Fisher 线性判别方法与 PCA、ICA 方法的缺陷特征分布进行了比较, 其 Dm值如表 2

15、.可见有监督的特征优选方法 (Fisher 线性判别方法) 与无监督的方法 (PCA、ICA 方法) 相比, 前者的 Dm值更大;有监督的特征优选方法中, 5 维特征 Fisher 方法 (J max-Fisher 方法) D m值最大.图 5 5 维特征分类效果图 下载原图图 6 6 维特征分类效果图 下载原图图 8 24 维特征 (全特征) 分类效果图 下载原图图 7 4 维特征分类效果图 下载原图图 9 不同维数特征 Fisher 降维后 Dm 值 下载原图4.2 分类结果分析本文用两种方法构建分类器, 方法一是根据样本数据 Fisher 降维后的特征分布对其进行聚类, 求得类中心, 再

16、通过计算测试样本离各类中心的欧式距离确定该测试样本的类别.方法二是 RBF 神经网络法, 用样本数据 Fisher 降维后的特征作为训练集构建 RBF 神经网络, 对测试数据进行分类识别.在特征优选得 30组缺陷特征数据中, 取 20 组构建分类器, 10 组进行测试, 则两种方法结果如表 3、表 4.表 2 Dm 值的比较 下载原表 表 3 基于欧式距离的分类结果 (准确率/%) 下载原表 表 4 RBF 神经网络分类结果分析 (准确率/%) 下载原表 无论是欧式距离或是 RBF 神经网络方法, 利用 Fisher 方法进行分类的准确率普遍高于 PCA 和 ICA 方法, 并且在多维 Fis

17、her 方法中, J max-Fisher 方法 (5 维特征) 的准确率也要优于 4 维与 6 维, 具有最高的分类准确率.5 结语本文面向超声波检测中缺陷分类的需求, 以及难以从超声波脉冲回波信号中直接提取有效特征的问题, 提出了基于 Jmax-Fisher 的多特征优选方法.该方法利用超声波脉冲回波信号采集时域、频域以及小波域上的多维特征值, 在多特征提取技术框架下以单维特征的 Fisher 判据函数 J 选择不同维度下的最优特征组合, 以最大离散距离比 Dm确定最优特征维度, 得到最优维度特征组合, 方法具有较好的适用性, 对不同形状的缺陷都能提取有效特征.经实验证明, 该方法获取的特

18、征具有更好的区分度, 对比常规特征优选方法, 具有更高的缺陷分类准确率.参考文献1李国厚.导电结构涡流/超声检测与评估问题的研究D.杭州:浙江大学, 2011. 2刘伟军, 王晓明, 吴宏基, 等.基于神经网络的超声无损检测缺陷定征方法的研究J.大连理工大学学报, 1998, 38 (5) :23-26. 3宋宇.基于无损探伤的超生研究D.北京:交通大学, 2011. 4徐蒋明.搅拌摩擦焊焊缝缺陷的超声波检测及其信号识别M.南昌:南昌航空大学, 2008. 5石端虎, 朱红玉, 刘忆, 等.对接接头中焊接缺陷的超声波检测及信号特征J.热加工, 2014 (13) :189-192. 6Su K

19、ang, Zhu Siqi, Wen Lin, et al.Classification of Bee Pollen Grains Using Hyperspectral Micro-scopyimaging and Fisher Linear ClassifierJ.Optical Engineering, 2016, 55 (5) , 053102-053102. 7车红昆, 吕福在, 项占琴.基于顺序向前浮动搜索时频优选特征的缺陷识别J, 浙江大学学报 (工学版) , 2011, 45 (12) :2235-2239. 8Alexander Skomorokhov.Radial Basis Function Networks in A+J.ACM Sigapl Apl Quote Quad, 2002, 32 (4) :198-213.

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 学术论文 > 期刊/会议论文

本站链接:文库   一言   我酷   合作


客服QQ:2549714901微博号:道客多多官方知乎号:道客多多

经营许可证编号: 粤ICP备2021046453号世界地图

道客多多©版权所有2020-2025营业执照举报