CN112014478B - 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 - Google Patents
一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 Download PDFInfo
- Publication number
- CN112014478B CN112014478B CN202010885182.0A CN202010885182A CN112014478B CN 112014478 B CN112014478 B CN 112014478B CN 202010885182 A CN202010885182 A CN 202010885182A CN 112014478 B CN112014478 B CN 112014478B
- Authority
- CN
- China
- Prior art keywords
- signal
- noise reduction
- encoder
- signals
- defect
- 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
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
- G01N29/4481—Neural networks
-
- 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
- G01N29/44—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
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/267—Welds
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
为解决现有缺陷回波提取算法不能抑制实际噪声以至无法获取缺陷信号的难题,本发明提出一种淹没于超声草状信号中的缺陷回波盲提取自适应方法。具体步骤为:首先,利用无监督机器学习算法对采集的原始信号样本进行相似性分析;然后,将相似的信号样本输入到设计好的降噪自编码器中对其进行训练,使其学得相应的降噪规则;最后,利用训练好的自编码器对信号自动降噪,实现对缺陷信号的智能提取。与现有缺陷信号提取技术相比,本发明对实际噪声的抑制具有更强的自适应性,这种强适应性源于它通过分析原始信号样本所提供的丰富信息能够分别学习到缺陷信号和噪声信号特征的能力。
Description
技术领域
本发明涉及超声无损检测技术领域,具体涉及一种淹没于超声草状信号中的缺陷回波盲提取自适应方法。
背景技术
原始数据中的目标信号盲提取是现代信号处理领域的研究热点。所谓盲提取,即,不借助于任何参考数据,也不借助于任何关于目标信号特征、频谱分布等先验信息,仅通过传感器采集的数据作为分析依据,进行目标信号的准确提取。正因为如此,信号的盲提取业已成为语音增强、图像处理、医疗诊断、军事侦察等众多高科技领域的重要技术。
在超声无损检测领域,随着自动/智能化检测发展的需求,解决淹没在超声草状信号中的缺陷回波盲提取,具有非常重要的应用价值。缺陷回波是超声无损检测中的目标信号,是分析缺陷大小、位置、分布及其性质的重要信息,也是判断工件质量与安全性的重要依据。然而,因检测的材料材质粗大,组织和晶粒分布不均匀,工件表面粗糙度差别大等等,致使超声波在传播过程中被散射,产生了大量高于检测缺陷灵敏度(发现最小缺陷尺寸)幅值的草状噪声;若利用时域振幅提取缺陷信号,无疑是盲人摸象,造成误判或漏检。更为棘手的问题是,草状回波形貌众多、纷繁复杂;不同晶粒大小产生不同幅值等级的草状噪声,不同的晶粒类型(等轴晶、柱状晶)、不同的晶粒分布也会产生不同形貌的草状噪声。最为典型的例子就是粗晶奥氏体不锈钢焊缝的检测,它集上述所有的特点于一体,在沿焊缝长度方向上,晶粒的分布、大小和类型不断发生变化,导致了检测过程中各种形式的草状噪声(图1)。
激光超声是一种非接触式的高灵敏度无损检测方法,已成为发现工件内部近表面微米级缺陷(未熔合粉末、气孔等)的重要手段,有望在增材制造领域,成为最环保、性价比最高的实时监测无损检测技术。然而,激光产生的超声表面波极易受材料表面粗糙度的干扰。不幸的是,增材制造由于独特的分层叠加制造方式,不可避免地产生随机的表面粗糙度,这些粗糙度通常和制造中产生的微米级缺陷(未熔合粉末、气孔等)尺寸相当。因此,激光超声检测对其实时监测时,缺陷回波会被粗糙度引起的各式各样的草状噪声掩埋(图2)。另外,基于实时监测的需求,对表面进行打磨处理是不可行的。综上所述,亟需发展超声草状信号中的缺陷回波有效提取算法。
现有技术中,已有一些缺陷信号提取算法,如傅立叶变换(FT)、短时傅立叶变换(STFT)、小波变换、裂谱分析(SSP)、稀疏分解、全经验模态分解(EEMD)、变分模态分解等,这些算法的降噪过程依赖于先验模型(噪声是某种数学分布的或高频成分)。因此,它们在抑制高频或接近于高斯分布的草状噪声方面得到广泛应用(例如文献Manjula K,Vijayarekha K,Venkatraman B.Quality Enhancement of Ultrasonic TOFD Signalsfrom Carbon Steel Weld Pad with Notches[J].Ultrasonics,2017,84:264-271.)。
本申请发明人在实施本发明的过程中,发现现有技术的方法,至少存在如下技术问题:
上述算法部分地解决了一些具有特定分布噪声背景下的缺陷信号提取。然而,这些方法不能适应多种噪声环境以至无法获取缺陷信号。
发明内容
本发明提出一种淹没于超声草状信号中的缺陷回波盲提取自适应方法,用于解决或者至少部分解决现有技术的方法存在适应性不强的技术问题。
为了解决上述技术问题,本发明提供了一种淹没于超声草状信号中的缺陷回波盲提取自适应方法,包括:
S1:利用无监督机器学习算法对采集的原始信号样本进行相似性分析,将相似的信号分为一类,所述无监督机器学习算法为k-means或DBSCAN,所述原始信号样本为在同等实验条件下,针对同一试块采集的超声A扫信号,B扫信号,和C扫信号;
S2:将S1中得到的相似的信号输入到预先设计好的降噪自编码器中对其进行训练,使其学得相应的降噪规则,其中,预先设计好的降噪自编码器为一个输入等于输出的三层神经网络,形式为:n-h-n,其中n代表输入和输出的神经元数,h代表隐含层神经元数;
S3:利用训练好的降噪自编码器其对待处理的信号进行降噪。
在一种实施方式中,S1具体包括:
S1.1:确定信号聚类的簇数;
S1.2:选择信号相似评价准则;
S1.2:根据信号聚类的簇数和信号相似评价准则对采集的原始信号样本进行相似性分析。
在一种实施方式中,S1.1具体包括:
根据信号数量或者目标微区数量确定聚类簇数,其中,当以信号数量为依据时,设定采集信号数量的十分之一作为簇数;当以目标微区作为数量时,将目标微区数量作为簇数。
在一种实施方式中,S1.2具体包括:
将欧氏距离作为信号相似评价准则,其表达式为:
其中,S1,S2分别表示两个不同的信号,s1i,s2i分别是它们对应的采样点,信号间的欧式距离越小,表明它们之间的相似度越高。
在一种实施方式中,S2具体包括:
S2.1:对原始数据进行预处理,其中,预处理的标准化公式为:
其中,X表示原始数据,minX表示对X取最小值,maxX表示对X取最大值,x表示原始数据集里的一个数据点,x′表示标准化后的数据点;
S2.2:对降噪自编码器进行配置,
网络结构为编码-解码的三层网络结构n-h-n,依据信号的采样点数确定输入层神经元数n和输出层神经元数n,依据最终训练的结果确定隐含层神经元数h,其中,自动编码器的激活函数设置为Relu(x)=max(0,x)的修正线性单元,神经网络中所有训练变量采用滑动平均;
S2.3:对降噪自编码器进行训练,在训练网络过程中采用使网络泛化能力更强的正则化损失函数,MSEreg,定义为:
其中,wj为权重,γ为人工设置的一个超参数,n为权重的个数,MSE为均方误差,定义为:
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明不再利用传统的先验的噪声模型,而是利用信号数据本身的结构特点,总结出噪声和缺陷信号的规律特征,进而习得相应的降噪规则。也就是说,针对一组含未知噪声的信号,本发明的方法先是对其数据特征进行分析总结,而后根据分析的结果形成相应的降噪规则。因此,本发明对实际的未知噪声的抑制具有更强的自适应性,这种强适应性源于它通过分析原始信号样本所提供的丰富信息能够分别学习到缺陷信号和噪声信号特征的能力。本发明可用于但不仅限于由粗晶、粗糙表面等引起的噪声抑制,如奥氏体不锈钢焊缝的检测、增材制造零件的激光超声实时监测等,实现对被噪声淹没的缺陷信号的智能提取。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,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。
图1为具体实施例中不同的晶粒大小引起的不同的草状噪声。
图2为具体实施例中不同的粗糙度引起的不同的草状噪声。
图3为具体实施例中内嵌横孔缺陷的奥氏体不锈钢平板焊缝。
图4为具体实施例中横孔处信号降噪后的结果。
图5为具体实施例中通过选择性激光熔融工艺(SLM)制造所得的不锈钢薄板及其内部缺陷分布。
图6为具体实施例中激光超声扫描形式。
图7为具体实施例中激光超声A扫信号降噪结果。
图8为具体实施例中激光超声B扫降噪结果。
图9为本发明提供的盲提取自适应方法的工作流程图。
具体实施方式
本申请发明人通过大量的研究与实践发现:现有技术中的方法部分地解决了一些具有特定分布噪声背景下的缺陷信号提取。然而,如背景技术所述实际的噪声是纷繁复杂、各式各样的,我们更需要的信号提取算法是盲提取的、自适应的,即不利用任何的先验知识,仅通过对采集的超声信号的数据规律或特征分析,同时能够适应任何不同类型、强度的草状噪声环境,实现对缺陷信号的智能提取。因此,基于这种需求,本发明提出一种淹没于超声草状信号中的缺陷回波盲提取自适应方法。该算法能够实现在不同晶粒大小、不同晶粒类型、不同晶粒分布、以及不同粗糙度引起的草状噪声背景下缺陷信号的智能提取。
具体地,为解决超声无损检测中现有提取算法不能适应多种噪声环境以至无法获取缺陷信号的难题,本发明提出一种基于统计推理和机器学习的信号重构方法。该方法通过分析采集的原始信号样本所提供的丰富信息能够自动学习到缺陷信号和噪声信号特征,进而实现对噪声的有效抑制和缺陷信号的智能提取
为了达到上述技术效果,本发明的主要构思如下:
首先,利用无监督机器学习算法对采集的原始信号样本进行相似性分析;然后,将相似的信号样本输入到设计好的降噪自编码器中对其进行训练,使其学得相应的降噪规则;最后,利用训练好的自编码器对信号自动降噪,实现对缺陷信号的智能提取。与现有缺陷信号提取技术相比,本发明对实际噪声的抑制具有更强的自适应性,这种强适应性源于它通过分析原始信号样本所提供的丰富信息能够分别学习到缺陷信号和噪声信号特征的能力。
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用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种淹没于超声草状信号中的缺陷回波盲提取自适应方法,包括:
S1:利用无监督机器学习算法对采集的原始信号样本进行相似性分析,将相似的信号分为一类,所述无监督机器学习算法为k-means或DBSCAN,所述原始信号样本为在同等实验条件下,针对同一试块采集的超声A扫信号,B扫信号,和C扫信号;
S2:将S1中得到的相似的信号输入到预先设计好的降噪自编码器中对其进行训练,使其学得相应的降噪规则,其中,预先设计好的降噪自编码器为一个输入等于输出的三层神经网络,形式为:n-h-n,其中n代表输入和输出的神经元数,h代表隐含层神经元数;
S3:利用训练好的降噪自编码器其对待处理的信号进行降噪。
具体来说,通过步骤S1可以将相似的信号归为一类,可以用作训练数据。步骤S2是利用得到的相似信号进行学习,学习相应的降噪规则。通过训练可以得到训练好的降噪自编码器,从而可以实现对信号的降噪处理。
在一种实施方式中,S1具体包括:
S1.1:确定信号聚类的簇数;
S1.2:选择信号相似评价准则;
S1.2:根据信号聚类的簇数和信号相似评价准则对采集的原始信号样本进行相似性分析。
在一种实施方式中,S1.1具体包括:
根据信号数量或者目标微区数量确定聚类簇数,其中,当以信号数量为依据时,设定采集信号数量的十分之一作为簇数;当以目标微区作为数量时,将目标微区数量作为簇数。
在一种实施方式中,S1.2具体包括:
将欧氏距离作为信号相似评价准则,其表达式为:
其中,S1,S2分别表示两个不同的信号,s1i,s2i分别是它们对应的采样点,信号间的欧式距离越小,表明它们之间的相似度越高。
在一种实施方式中,S2具体包括:
S2.1:对原始数据进行预处理,其中,预处理的标准化公式为:
其中,X表示原始数据,minX表示对X取最小值,maxX表示对X取最大值,x表示原始数据集里的一个数据点,x′表示标准化后的数据点;
S2.2:对降噪自编码器进行配置,
网络结构为编码-解码的三层网络结构n-h-n,依据信号的采样点数确定输入层神经元数n和输出层神经元数n,依据最终训练的结果确定隐含层神经元数h,其中,自动编码器的激活函数设置为Relu(x)=max(0,x)的修正线性单元,神经网络中所有训练变量采用滑动平均;
S2.3:对降噪自编码器进行训练,在训练网络过程中采用使网络泛化能力更强的正则化损失函数,MSEreg,定义为:
其中,wj为权重,γ为人工设置的一个超参数,n为权重的个数,MSE为均方误差,定义为:
具体来说,通过标准化处理,可以防止网络网络训练过程中梯度***或梯度消失,滑动平均,即对变量变化过程中的所有值进行平均,从而截图使编码器具有良好的鲁棒性。
请参见图7~图9,其中,图7为具体实施例中激光超声A扫信号降噪结果,其中,波动较大的为原始信号,较小的为降噪后的信号,图8为具体实施例中激光超声B扫降噪结果,图9为本发明提供的盲提取自适应方法的工作流程图,其中,信号数据库的建立即将采集的原始信号构建为数据库。
通过原始信号样本训练后,自编码器学习到相应的降噪规则,原始信号经过训练好的自编码器即可实现噪声的自动滤除。值得注意的是,所述的降噪规则很显然不是先验确定的,而是由实验数据本身确定的,整个降噪过程完全由数据驱动。因此,与现有降噪技术相比,本发明对实际噪声的抑制具有更强的自适应性,这种强适应性源于它通过分析原始信号样本所提供的丰富信息能够分别学习到缺陷信号和噪声信号特征的能力。
本发明提供的方法不再利用传统的先验的噪声模型,而是利用信号数据本身的结构特点,总结出噪声和缺陷信号的规律特征,进而习得相应的降噪规则。也就是说,针对一组含未知噪声的信号,本发明先是对其数据特征进行分析总结,而后根据分析的结果形成相应的降噪规则。因此,本发明对实际的未知噪声的抑制具有更强的自适应性,这种强适应性源于它通过分析原始信号样本所提供的丰富信息能够分别学习到缺陷信号和噪声信号特征的能力。本发明可用于但不仅限于由粗晶、粗糙表面等引起的噪声抑制,如奥氏体不锈钢焊缝的检测、增材制造零件的激光超声实时监测等,实现对被噪声淹没的缺陷信号的智能提取。
下面结合具体示例对本发明的实施方式以实例的方式进行详细的描述。
具体实施方式一:本实施方式以奥氏体不锈钢焊缝为检测对象。
步骤一:建立信号数据库。被测试块是奥氏体不锈钢平板对接焊缝,沿焊缝方向晶粒分布极度不均匀,晶粒尺寸在60-300μm内波动。采用5MHz直探头在焊缝正上方沿焊缝长度方向扫描(图1),步长为1mm,扫描距离为130mm,***增益设置为60dB,采样频率为100MHz,采样深度为1000。最后得到130×1000的信号矩阵。
步骤二:信号相似性分析。采用k-means聚类算法对A扫信号的1-610采样点相似性分析,聚类簇数设置为13,相似准则设置为欧式距离。
步骤三:网络训练。将13簇信号分别输入到设计好的自编码器中进行训练。
步骤四:将原始信号输入到训练好的自编码器中进行自动的噪声滤除。图2展示了横孔处的降噪信号。从原始信号中可以看出孔信号已经被噪声完全淹没,降噪后,孔信号很好地被揭示了出来。
具体实施方式二:本实施方式以不锈钢增材制造试块为检测对象。
步骤一:建立信号数据库。被测试块是通过选择性激光熔融工艺(SLM)制造所得的矩形不锈钢薄板,厚5mm,表面平均粗糙度75μm。在试块内部加工了6个不同埋藏深度的槽缺陷,具体布局和相关参数如图3所示。采用2MHz的激光超声对其进行网格扫描(图4),扫描范围为20mm×25mm,覆盖6个缺陷,步长为0.1mm,每个网格点记录一个A扫信号,采样深度为2000,最后得到200×250×2000的三维信号矩阵。
步骤二:信号相似性分析。采用k-means聚类算法对A扫信号的1-500采样点相似性分析,聚类簇数设置为3000,相似准则设置为欧式距离。
步骤三:网络训练。将3000簇信号分别输入到设计好的自编码器中进行训练。
步骤四:将原始信号输入到训练好的自编码器中进行自动的噪声滤除。图5为A扫降噪结果,可以看到,降噪后表面波被很好地显示了出来。图6为一定序列的A扫组合形成的B扫降噪结果,可以看到图像的清晰度得到很大的改善。
本发明中所描述的具体实施的例子仅仅是对本发明的方法和步骤的举例说明。本发明所述技术领域的技术人员可以对所描述的具体实施步骤做相应的修改或补充或变形(即采用类似的替代方式),但是不会背离本发明的原理和实质或者超越所附权利要求书所定义的范围。本发明的范围仅由所附权利要求书限定。
Claims (4)
1.一种淹没于超声草状信号中的缺陷回波盲提取自适应方法,其特征在于,包括:
S1:利用无监督机器学习算法对采集的原始信号样本进行相似性分析,将相似的信号分为一类,所述无监督机器学习算法为k-means或DBSCAN,所述原始信号样本为在同等实验条件下,针对同一试块采集的超声A扫信号,B扫信号,和C扫信号;
S2:将S1中得到的相似的信号输入到预先设计好的降噪自编码器中对其进行训练,使其学得相应的降噪规则,其中,预先设计好的降噪自编码器为一个输入等于输出的三层神经网络,形式为:n-h-n,其中n代表输入和输出的神经元数,h代表隐含层神经元数;
S3:利用训练好的降噪自编码器其对待处理的信号进行降噪;
其中,S2具体包括:
S2.1:对原始数据进行预处理,其中,预处理的标准化公式为:
S2.2:对降噪自编码器进行配置,
网络结构为编码-解码的三层网络结构n-h-n,依据信号的采样点数确定输入层神经元数n和输出层神经元数n,依据最终训练的结果确定隐含层神经元数h,其中,降噪自编码器的激活函数设置为Relu(x) = max(0, x)的修正线性单元,神经网络中所有训练变量采用滑动平均;
S2.3:对降噪自编码器进行训练,在训练网络过程中采用使网络泛化能力更强的正则化损失函数,MSEreg,定义为:
2.如权利要求1所述的缺陷回波盲提取自适应方法,其特征在于,S1具体包括:
S1.1:确定信号聚类的簇数;
S1.2:选择信号相似评价准则;
S1.3:根据信号聚类的簇数和信号相似评价准则对采集的原始信号样本进行相似性分析。
3.如权利要求2所述的缺陷回波盲提取自适应方法,其特征在于,S1.1具体包括:
根据信号数量或者目标微区数量确定聚类簇数,其中,当以信号数量为依据时,设定采集信号数量的十分之一作为簇数;当以目标微区数量为依据时,将目标微区数量作为簇数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885182.0A CN112014478B (zh) | 2020-08-28 | 2020-08-28 | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885182.0A CN112014478B (zh) | 2020-08-28 | 2020-08-28 | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112014478A CN112014478A (zh) | 2020-12-01 |
CN112014478B true CN112014478B (zh) | 2021-08-03 |
Family
ID=73503735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885182.0A Active CN112014478B (zh) | 2020-08-28 | 2020-08-28 | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112014478B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946081B (zh) * | 2021-02-09 | 2023-08-18 | 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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879254B (zh) * | 2018-09-05 | 2021-09-17 | 哈尔滨工业大学 | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 |
CN109283248B (zh) * | 2018-09-27 | 2021-11-12 | 华东理工大学 | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 |
CN109858408B (zh) * | 2019-01-17 | 2021-01-19 | 西安交通大学 | 一种基于自编码器的超声信号处理方法 |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110243937B (zh) * | 2019-06-17 | 2020-11-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
CN110550518B (zh) * | 2019-08-29 | 2020-07-28 | 电子科技大学 | 一种基于稀疏去噪自编码的电梯运行异常检测方法 |
-
2020
- 2020-08-28 CN CN202010885182.0A patent/CN112014478B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112014478A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | A deep learning-based ultrasonic pattern recognition method for inspecting girth weld cracking of gas pipeline | |
D’orazio et al. | Automatic ultrasonic inspection for internal defect detection in composite materials | |
Legendre et al. | Neural classification of Lamb wave ultrasonic weld testing signals using wavelet coefficients | |
Gao et al. | A softmax classifier for high-precision classification of ultrasonic similar signals | |
Guan et al. | Quantitative ultrasonic testing for near-surface defects of large ring forgings using feature extraction and GA-SVM | |
Siljama et al. | Automated flaw detection in multi-channel phased array ultrasonic data using machine learning | |
CN112858183B (zh) | 一种基于波形分离的增材制造激光超声信号缺陷成像方法 | |
Leo et al. | Identification of defective areas in composite materials by bivariate EMD analysis of ultrasound | |
Ha et al. | Autoencoder-based detection of near-surface defects in ultrasonic testing | |
Xu et al. | Ultrasonic signal enhancement for coarse grain materials by machine learning analysis | |
CN112014478B (zh) | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 | |
You et al. | Feature-selective clustering for ultrasonic-based automatic defect detection in FRP structures | |
Naqiuddin et al. | Ultrasonic signal processing techniques for Pipeline: A review | |
Sudheera et al. | Deep learning techniques for flaw characterization in weld pieces from ultrasonic signals | |
Mohamed et al. | Self-organizing map-based feature visualization and selection for defect depth estimation in oil and gas pipelines | |
Simone et al. | NDT image fusion using eddy current and ultrasonic data | |
CN113640806B (zh) | 一种基于多声纳设备的沉积层声特性获取方法及*** | |
Ramuhalli et al. | Multichannel signal processing methods for ultrasonic nondestructive evaluation | |
CN110082436B (zh) | 一种基于变分模态的高提离电磁超声信号消噪方法 | |
Li et al. | A rapid approach to speckle noise reduction in ultrasonic non-destructive evaluation using matched filters | |
Merazi Meksen et al. | A method to improve and automate flat defect detection during ultrasonic inspection | |
Yu et al. | A convolutional neural network method for damage location based on raw guided Lamb wave technique | |
Palanisamy et al. | A hybrid signal pre-processing approach in processing ultrasonic signals with noise | |
Bazulin | Segmentation of an Ultrasonic Reflector Image Based on Analyzing the Proximity of Its Histogram to the Rayleigh Distribution | |
Kesharaju et al. | Feature extraction for ultrasonic sensor based defect detection in ceramic components |
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 |