CN107727749B - 一种基于小波包融合特征提取算法的超声定量检测方法 - Google Patents

Abstract

本发明公开了一种基于小波包融合特征提取算法的超声定量检测方法，包括步骤如下：采集缺陷回波的表面波信号，并进行波形截取；利用coif3小波去燥；利用小波包融合特征提取算法提取缺陷特征；利用分类算法进行分类定量识别。本发明的方法不需要纠缠于复杂的超声反射建模，具有较好的通用性和实用性。

Description

一种基于小波包融合特征提取算法的超声定量检测方法

技术领域

本发明设计了一种基于小波包融合特征提取算法的超声定量检测方法，属于无损检测技术领域。

背景技术

无损检测是利用声、光、磁以及电等特性，在不损害或不影响被检对象使用性能的前提下，检测被检对象中是否存在缺陷或不均匀性，给出缺陷的大小、位置、性质和数量等信息，进而判定被检对象所处技术状态的所有技术手段的总称，它是工业发展必不可少的有效工具，在一定程度上反映一个国家的工业发展水平，其重要性已得到世界普遍公认。我国政府也高度重视无损检测技术的研究与应用，并于1978年成立了全国性的无损检测学术组织—中国机械工程学会无损检测分会。与此同时，国家通过“863”计划、“973”计划以及国家自然科学基金等多个途径，大力支持我国无损检测技术的发展。在各种无损检测技术中，超声检测以其成本低、速度快、对人体无害、适用范围广以及对缺陷的定位准确等优点，成为无损检测领域最常用方法。

超声反射回波信号的波形、幅值以及频谱分布携带了缺陷的信息，非成像式超声检测缺陷类型识别方法，可通过从检测信号中提取缺陷信息特征，分析特征参数与缺陷类型之间的对应关系，实现对缺陷的类型识别。该方法不需要纠缠于复杂的超声反射建模，具有较好的通用性和实用性。非成像式超声检测缺陷类型识别是在线超声检测定量分析的重要基础，研究具有高可靠性的非成像式超声检测缺陷类型识别方法，对于实现在线的自动超声检测与评价、提高超声无损检测的效率和质量都具有重要的意义。

发明内容

本发明的目的在于针对在线的自动超声检测与评价、提高超声无损检测的效率和质量，提出了一种基于小波包融合特征提取算法的超声定量检测方法。该方法先利用激光超声实验系统采集缺陷回波的表面波信号，然后采用coif3小波去噪，再采用小波包融合特征提取算法提取缺陷特征，最后利用分类算法进行分类定量识别。

为达到上述目的，本发明采用的技术方案如下：

一种基于小波包融合特征提取算法的超声定量检测方法，包括步骤如下：

步骤一：利用激光超声实验系统采集缺陷回波的表面波信号，并进行波形截取；

步骤二：利用coif3小波去燥；

步骤三：利用小波包融合特征提取算法提取缺陷特征；

步骤四：利用分类算法进行分类定量识别。

优选地，所述步骤二具体包括：采用五层小波软阈值去噪。

优选地，所述步骤二具体还包括：该五层小波软阈值采用rigrsure阈值，该阀值是使用基于Stein无偏/似然估计原理的自适应阈值选择，给定一个阀值λ，得到其的似然估计，再将非似然λ最小化，得到所选的阀值。

优选地，所述步骤三中的特征提取算法具体包括：

31)利用小波包变换得到子带系数并计算各节点的能量分布，选取有效节点；

X＝[x₀₀,x₀₁,x₀₂,...,x_ij,x_ij+1,...,x_mn]

向量X包含所有的小波包系数，其中，i代表节点数，j代表节点里的系数个数，m为i的总数，n为j的总数；

32)对有效节点进行相关性分析，把数据通过核函数映射到高维空间，再根据相关性对本类样本进行约简与变换得到特征向量X_new：

X_new＝[α₁,...,α_m][k(X₁,X_new),...,k(X_m,X_new)]^T

其中，α为核矩阵的特征向量，k为核矩阵；

33)对有效节点进行分析，利用频谱算法得到各节点的能量谱分布，得到特征向量E；

E＝[E₁,E₂,...,E_m-1,E_m]

其中，E_i代表节点的能量值，x代表节点里的小波系数值，其中i代表节点数，j代表节点里的系数个数；

34)对有效节点进行分析，利用特征向量E得到各节点的局部熵分布，得到特征向量F；

f_i＝p_i·log(p_i)

F＝[f₁,f₂,...,f_m-1,f_m]

其中，p_i代表节点的概率，f_i代表节点熵值，F是由各熵值组成的向量；

35)合并特征向量X,E,F得到Y，把特征向量Y通过核函数映射到高维，根据相关性对Y进行约简与变换；

Y＝[X_new,E,F]

Y_new＝[α'₁,...,α'_m][k(Y₁,Y_new),...,k(Y_m,Y_new)]^T

其中，Y_new代表降维后的Y向量，α代表核矩阵的特征向量；

36)采用先验分布对Y进行分析，得到Y的类间矩阵与类内矩阵，通过可分性测度值来评价特征向量的可分性；

J_F＝tr(S_w ^-1S_b)

其中，J_F代表可分性测度值,S_w代表类内散度矩阵，S_b代表类间散度矩阵。

优选地，所述步骤三中的根据相关性进行约简与变换具体包括：

a.利用核方程K(x,y)计算矩阵K；

b.求矩阵K的前多个最大特征值对应的单位特征向量；

c.选取多个最大特征值对应的特征向量带入公式求解投影坐标，采用高斯核函数如下：

其中，x，x_i代表不同样本，σ代表样本均方误差。

优选地，所述步骤四中定量分类识别步骤具体包括：

41)采用基于范围的寻优对SVM分类器进行参数选优，并用交叉验证得到训练准确率；

42)采用支持向量占比作为模型泛化能力的指标；

43)采用交叉验证预测得到样本的平均精确率，平均召回率和F1值；

TP——正类预测成正类；

FN——正类预测成负类；

FP——负类预测成正类；

TN——负类预测成负类；

精确率：

召回率：

F1值：

44)采用交叉验证得到样本预测的TPR，FPR来评价分类的性能。

本发明的有益效果：

本发明能够减少普通技术人员在识别不同宽度超声缺陷中错误，通过是计算机深度挖掘信号在时频域的特征与信息，辅助探测人员。该方案能实现0.5mm宽度差异的人工缺陷识别。

本发明的方法不需要纠缠于复杂的超声反射建模，具有较好的通用性和实用性。

本发明对于实现在线的自动超声检测与评价、提高超声无损检测的效率和质量具有重要的意义。

附图说明

图1为激光超声实验系统的结构示意图。

图2为试件的外形和尺寸示意图。

图3a为实验原始信号的性能示意图。

图3b为biol.5小波的性能示意图。

图3c为sym3小波的性能示意图。

图3d为coif3小波的性能示意图。

图3e为demy小波的性能示意图。

图4a为0.5mm宽缺陷小波能量图。

图4b为1mm宽缺陷小波能量图。

图5为样本点的二维投影示意图。

图6为样本点的三维投影示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

本发明的一种基于小波包融合特征提取算法的超声定量检测方法，结合图1所示的激光超声实验系统对图2所示的试件进行实验。

激光超声实验系统包括：Nd:YAG激光器、扫描振镜、控制器、激光干涉仪及数据采集系统，数据采集系统包含放大器与AD采集卡，PC机；PC机上通过控制器来控制扫描振镜与激光器来设置激光束的照射方向与位置，试件表面上产生的超声波被激光干涉仪接收，通过放大器与AD采集卡，信号存储在PC机上。

采集实验回波信号，处理步骤如下：

11)根据缺陷与激发点的距离通过波速计算出回波所在位置；

12)截取回波波形。

将采集到的信号进行去噪处理，采用五层小波软阈值去噪，其阈值采用rigrsure阈值，该阀值是使用基于Stein无偏/似然估计原理的自适应阈值选择，给定一个阀值λ，得到它的似然估计，再将非似然λ最小化，就可得到所选的阀值。采用四种正交小波对信号去噪，根据信噪比和均方误差选取最适合的coif3小波，如图3a-图3e所示。

对信号进行五层demy小波包变换，并选取信号有效节点，如图4a、图4b所示。

采用基于小波包融合的特征算法对包变换后的信号处理如下：

31)利用小波包变换得到子带系数并计算各节点的能量分布，选取有效节点；

X＝[x₀₀,x₀₁,x₀₂,...,x_ij,x_ij+1,...,x_mn]

向量X包含所有的小波包系数，其中，i代表节点数，j代表节点里的系数个数，m为i的总数，n为j的总数；

32)对有效节点进行相关性分析：把数据通过核函数映射到高维空间，再根据相关性对本类样本进行约简与变换得到特征向量X；

X_new＝[α₁,...,α_m][k(X₁,X_new),...,k(X_m,X_new)]^T

其中，α为核矩阵的特征向量，k为核矩阵；

33)对有效节点进行分析，利用频谱算法得到各节点的能量谱分布，得到特征向量E；

E＝[E₁,E₂,...,E_m-1,E_m]

其中，E_i代表节点的能量值，x代表节点里的小波系数值，i代表节点数，j代表节点里的系数个数；

34)对有效节点进行分析，利用特征向量E得到各节点的局部熵分布，得到特征向量F；

f_i＝p_i·log(p_i)

F＝[f₁,f₂,...,f_m-1,f_m]

其中，p_i代表节点的概率，f_i代表节点熵值，F是由各熵值组成的向量；

35)合并特征向量X,E,F得到Y，把特征向量Y通过核函数映射到高维，根据相关性对Y进行约简与变换；

Y＝[X_new,E,F]

Y_new＝[α'₁,...,α'_m][k(Y₁,Y_new),...,k(Y_m,Y_new)]^T

其中，Y_new代表降维后的Y向量，α代表核矩阵的特征向量；

36)采用先验分布对Y进行分析，得到Y的类间矩阵与类内矩阵，通过可分性测度值来评价特征向量的可分性；

J_F＝tr(S_w ^-1S_b)

其中，J_F代表可分性测度值,S_w代表类内散度矩阵，S_b代表类间散度矩阵。

所述的根据相关性进行约简与变换具体包括：

a.利用核方程K(x,y)计算矩阵K；

b.求矩阵K的前多个最大特征值对应的单位特征向量；

c.选取多个最大特征值对应的特征向量带入公式求解投影坐标，采用高斯核函数如下：

其中，x，x_i代表不同样本，σ代表样本均方误差。

为了验证上述特征提取算法的有效性，将样本点投影到二维(如图5)和三维(如图6)。

定量分类识别的步骤如下：

41)采用基于范围的寻优对SVM分类器进行参数选优，并用交叉验证得到训练准确率；

42)采用支持向量占比作为模型泛化能力的指标；

43)采用交叉验证预测得到样本的平均精确率，平均召回率和F1值；

44)采用交叉验证得到样本预测的TPR，FPR来评价分类的性能。

本发明的方法，结合了无损检测，机器学习与模式识别领域，从图4a、图4b、图5所示，本发明能较好的结合超声技术实现样本的定量检测。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种基于小波包融合特征提取算法的超声定量检测方法，其特征在于，包括步骤如下：

步骤一：采集缺陷回波的表面波信号，并进行波形截取；

步骤二：利用coif3小波去燥；

步骤三：利用小波包融合特征提取算法提取缺陷特征；

步骤四：利用分类算法进行分类定量识别；

所述步骤三中的特征提取算法具体包括：

31)利用小波包变换得到子带系数并计算各节点的能量分布，选取有效节点；

X＝[x₀₀,x₀₁,x₀₂,...,x_ij,x_ij+1,...,x_mn]

向量X包含所有的小波包系数，其中，i代表节点数，j代表节点里的系数个数，m为i的总数，n为j的总数；

32)对有效节点进行相关性分析，把数据通过核函数映射到高维空间，再根据相关性对本类样本进行约简与变换得到特征向量X_new：

X_new＝[α₁,...,α_m][k(X₁,X_new),...,k(X_m,X_new)]^T

其中，α为核矩阵的特征向量，k为核矩阵；

33)对有效节点进行分析，利用频谱算法得到各节点的能量谱分布，得到特征向量E；

34)对有效节点进行分析，利用特征向量E得到各节点的局部熵分布，得到特征向量F；

35)合并特征向量X,E,F得到Y，把特征向量Y通过核函数映射到高维，根据相关性对Y进行约简与变换；

Y＝[X_new,E,F]

Y_new＝[α'₁,...,α'_m][k(Y₁,Y_new),...,k(Y_m,Y_new)]^T

其中，Y_new代表降维后的Y向量，α代表核矩阵的特征向量；

36)采用先验分布对Y进行分析，得到Y的类间矩阵与类内矩阵，通过可分性测度值来评价特征向量的可分性；

所述根据相关性进行约简与变换具体包括：

a.利用核方程K(x,y)计算矩阵K；

b.求矩阵K的前多个最大特征值对应的单位特征向量；

c.选取多个最大特征值对应的特征向量带入公式求解投影坐标，采用高斯核函数如下：

其中，x，x_i代表不同样本，σ代表样本均方误差。

2.根据权利要求1所述的基于小波包融合特征提取算法的超声定量检测方法，其特征在于，所述步骤二具体包括：采用五层小波软阈值去噪。

3.根据权利要求2所述的基于小波包融合特征提取算法的超声定量检测方法，其特征在于，所述步骤二具体还包括：该五层小波软阈值采用rigrsure阈值，该阀值是使用基于Stein无偏/似然估计原理的自适应阈值选择，给定一个阀值λ，得到其的似然估计，再将非似然λ最小化，得到所选的阀值。

4.根据权利要求1所述的基于小波包融合特征提取算法的超声定量检测方法，其特征在于，所述步骤四中定量分类识别步骤具体包括：

41)采用基于范围的寻优对SVM分类器进行参数选优，并用交叉验证得到训练准确率；

42)采用支持向量占比作为模型泛化能力的指标；

43)采用交叉验证预测得到样本的平均精确率，平均召回率和F1值；

44)采用交叉验证得到样本预测的TPR，FPR来评价分类的性能。

Images