CN115356400A - 一种基于BiLSTM的超声波木材无损检测方法及*** - Google Patents
一种基于BiLSTM的超声波木材无损检测方法及*** Download PDFInfo
- Publication number
- CN115356400A CN115356400A CN202210966877.0A CN202210966877A CN115356400A CN 115356400 A CN115356400 A CN 115356400A CN 202210966877 A CN202210966877 A CN 202210966877A CN 115356400 A CN115356400 A CN 115356400A
- Authority
- CN
- China
- Prior art keywords
- wood
- time data
- ultrasonic
- bilstm
- network model
- 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.)
- Granted
Links
- 239000002023 wood Substances 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- 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
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- 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
- 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
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- 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
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0238—Wood
-
- 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
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于BiLSTM的超声波木材无损检测方法及***，该方法为：采集超声波在木材内部传播的原始时间数据样本；对所述原始时间数据样本进行预处理；对所述木材内部图像进行网格化处理，计算网格点的坐标信息；基于BiLSTM，构建木材缺陷检测网络模型；根据所述原始时间数据样本训练所述木材缺陷检测网络模型；将训练好的木材缺陷检测网络模型上传到云端；采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测；根据预测结果对目标木材内部状态进行分类。本发明通过对图像网格化处理、将原始数据与网格坐标信息相结合，提高了网络模型的泛化能力和木材无损检测精度。
Description
技术领域
本发明涉及木材质量检测技术领域，尤其涉及一种基于BiLSTM的超声波木材无损检测方法及***。
背景技术
BiLSTM是Bi-directional Long Short-Term Memory的缩写(双向长短词记忆模型)，是由前向LSTM(LSTM的全称是Long Short-Term Memory，它是RNN(Recurrent NeuralNetwork)的一种，LSTM由于其设计的特点，非常适合用于对时序数据的建模，如文本数据。)与后向LSTM组合而成。在自然语言处理任务中常被用来建模上下文信息。
木材一直是人类重要的自然资源，然而树木在生长过程中受虫蛀、真菌、物理破坏等影响，木材内部会产生缺陷。这些缺陷不仅会在木材加工时造成资源浪费，还会危害树木本身的健康。许多专家学者提出了各种无损检测方案来检测木材缺陷，包括基于电磁波的木材薄漆层次表层结构缺陷检测方案、基于中子扫描的木材密度检测方案、基于钻孔阻力的木材健康状态判断方案和基于木材内应力波速度的缺陷检测方案。这些解决方案有着精度高、检测速度快和结果准确率高的优势，也有设备昂贵、不易携带、损害木材等局限性。
超声波作为应力波的一种，具有精度高、方向性好、设备成本低的优点。超声波在生物医学工程、无损检测方面表现瞩目，无损检测通过反演超声波数据可以得到被测物体的高精度内部状况图。但是由于木材的各向异性、设备的特性误差，在反演出木材内部状况图方面仍面临着巨大挑战。目前许多专家学者基于应力波提出了层析成像算法用于反演木材内部状况图，但是因木材的各项异性和应力波的传播规律复杂，设计出高精度的反演算法依旧是一项巨大挑战。
现有基于深度学习的木材缺陷检测方法，大部分都是基于生成的图像数据来判断，从而分析缺陷的大小、形状和位置。这些方法将原始数据转为图像数据的过程中，会造成一定信息损失；而利用原始数据进行缺陷检测，会因为输入数据少，导致构建的网络模型缺少泛化能力；在模型分类过程中，由于缺陷大小、形状和位置的不同，导致木材的缺陷分类数量不可计算，因此，难以通过超声波数据和木材信息来整体预测木材内部超声波速度分布图，导致木材整体的健康状态难以预测。
发明内容
本发明实施例提供一种基于BiLSTM的超声波木材无损检测方法及***，用于解决现有技术中由于缺少数据信息，而导致构建的网络模型缺少泛化能力，并在模型分类时，难以基于超声波数据和木材信息来整体预测木材内部超声波速度分布图的问题。
本发明实施例提供一种基于BiLSTM的超声波木材无损检测方法，该方法包括：
S1：采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存；
S2：对所述原始时间数据样本进行预处理；
S3：对所述木材内部图像进行网格化处理，计算网格点的坐标信息；
S4：根据网格点的坐标信息，基于BiLSTM，构建木材缺陷检测网络模型；
S5：根据所述原始时间数据样本训练所述木材缺陷检测网络模型；
S6：将训练好的木材缺陷检测网络模型上传到云端；
S7：采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测；
S8：根据预测结果对目标木材内部状态进行分类。
优选地，所述步骤S2中对所述原始时间数据样本进行预处理的方法包括：
基于旋转的数据增强：通过交换传感器布置顺序实现传感器旋转，并将时间矩阵T对应传感器编号交换，然后时间数据重新排序。
优选地，所述步骤S2中对所述原始时间数据样本进行预处理的方法包括：
对原始时间数据样本集进行归一化处理，归一化处理表示如下：
其中，tmin为单次采样中的最小传播时间，tmax为单次采样中的最大传播时间，ti为单次采样第i条超声波传播时间，将超声波传播时间限制在(0,1)范围内。
优选地，所述步骤S3中对所述木材内部图像进行网格化处理的方法为：
设定木材横截面为标准圆形，以木材髓心作为原点，半径作为单位距离，建立二维坐标系；以网格与传感器之间直线段的绝对距离作为网格点的坐标信息，而非以网格的二维坐标作为网格点的坐标信息。
优选地，所述网格点的坐标信息计算方法为：
将网格中心作为网格的精准坐标，计算网格点距离超声波传播路径的绝对距离Δi，j，得到网格点的坐标信息矩阵Δ；
其中，距离矩阵Δ的大小为
m为缺陷图像精度，Δi，j表示第j个网格点到第i条传播路的垂线长度。
优选地，在采集完整的超声波在木材内部传播的原始时间数据样本时，需采集
个样本，其中n为传感器数量。
优选地，所述步骤S7中采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测包括以下步骤：
S71：采集目标木材的时间数据，并将所述时间数据上传到云端；
S72：将所述时间数据和网格点的坐标信息作为训练好的木材缺陷检测网络模型的输入，输出单个网格点的状态判断；
S73：通过多次预测来生成木材内部的超声波速度分布图。
优选地，所述步骤S8中根据预测结果对目标木材内部状态进行分类，其中分类类别为：非木材区、健康区域和缺陷区域。
本发明实施例提供一种基于BiLSTM的超声波木材无损检测***，所述***包括训练模块、测试模块和传输模块；
所述训练模块，包括数据采集单元、数据处理单元、图像处理单元和构建并训练网络模型单元；
所述测试模块，包括预测单元和分类单元；
所述传输模块，用于将训练好的木材缺陷检测网络模型和采集的目标木材的时间数据上传到云端；
所述数据采集单元，用于采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存；
所述数据处理单元，用于对所述原始时间数据样本进行数据增强和预处理；
所述图像处理单元，用于对所述木材内部图像进行网格化处理，计算网格点的坐标信息；
所述构建并训练网络模型单元，用于根据网格点的坐标信息，基于BiLSTM，构建木材缺陷检测网络模型；根据所述原始时间数据样本训练所述木材缺陷检测网络模型；
所述预测单元，用于对目标木材内部超声波速度分布图进行预测；
所述分类单元，用于根据预测结果对目标木材内部状态进行分类。
优选地，所述训练模块在主机上进行，所述测试模块在云端上进行，所述训练模块与所述测试模块通过传输模块相连。
从以上技术方案可以看出，本发明申请具有以下优点：
本发明实施例提供一种基于BiLSTM的超声波木材无损检测方法及***，本发明通过对木材图像进行网格化处理，对木材内部超声波速度分布图进行分区预测，从而提高无损检测成功率；通过将原始数据与网格坐标信息相结合，提高了模型的泛化能力；采用旋转的数据增强方法，并对时间数据进行归一化处理，以便检测不同直径的木材；设计了基于BiLSTM的缺陷检测方法，利用BiLSTM对上下文信息的联系能力，加强了无损检测精度。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的会理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。其中：
图1为根据实施例中提供的一种基于BiLSTM的超声波木材无损检测方法的流程图；
图2为采集数据使用的传感器示意图；
图3为采集的时间数据调整前后对比图；
图4为传感器旋转示意图；
图5为时间数据旋转示意图；
图6为坐标信息计算方法示意图；
图7为木材内部的超声波速度分布图；
图8为木材内部热力图；
图9为根据实施例中提供的一种基于BiLSTM的超声波木材无损检测***的框图。
具体实施方式
为使本发明实施例的目的、技术方案与优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一
本发明实施例提出一种基于BiLSTM的超声波木材无损检测方法及***，如图1所示，该方法包括：
S101：采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存；
S102：对所述原始时间数据样本进行预处理；
S103：对所述木材内部图像进行网格化处理，计算网格点的坐标信息；
S104：根据网格点的坐标信息，基于BiLSTM，构建木材缺陷检测网络模型；
S105：根据所述原始时间数据样本训练所述木材缺陷检测网络模型；
S106：将训练好的木材缺陷检测网络模型上传到云端；
S107：采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测；
S108：根据预测结果对目标木材内部状态进行分类。
本发明实施例提供一种基于BiLSTM的超声波木材无损检测方法，本发明通过对木材图像进行网格化处理，对木材内部超声波速度分布图进行分区预测，从而提高无损检测成功率；通过将原始数据与网格坐标信息相结合，提高了模型的泛化能力；采用旋转的数据增强方法，并对时间数据进行归一化处理，以便检测不同直径的木材；设计了基于BiLSTM的缺陷检测方法，利用BiLSTM对上下文信息的联系能力，加强了无损检测精度。
进一步地，在步骤S101中使用传感器采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存。如图2所示，本发明实施例中使用12个传感器采集数据；在采集完整的超声波在木材内部传播的原始时间数据样本时，由于超声波从第i个传感器到第j个传感器的所需时间与从第j个传感器到第i个传感器的所需时间一致，因此最终只需采集
个样本，其中n为传感器数量，大小等于12。采集的时间数据调整前后对比图如图3所示。
进一步地，在步骤S102中对所述原始时间数据样本进行预处理；
由于超声波在木材内部的传播时间受木材直径、树皮厚度影响，传播时间的范围不固定，并且缺少训练样本，因此需要对数据进行数据增强和预处理，来扩充训练样本和提高模型泛化能力。
其中，对所述原始时间数据样本进行预处理的方法包括：
基于旋转的数据增强：通过交换传感器布置顺序实现传感器旋转并将时间矩阵T对应传感器编号交换，然后时间数据重新排序，如图4，5所示。经过旋转增强后，时间数据样本集大小变为：图像精度×样本数量×传感器数量×采样次数，此时数据量可达千万级别，训练困难，并且存在数据重复，如单次采样的数据在和网格信息连接后，生成的输入数据，数据中超声波数据部分完全一致。为了降低数据量，减小数据重复避免训练浪费，通过将单个样本的多次采样数据打乱并与距离矩阵结合，以减小数据集，最终数据集大小为：图像精度×样本种类×传感器数量，此时数据集中相同缺陷类型的超声波时间数据部分相异。
不同大小的木材，木材在内部的传播时间并不一致。为提高木材缺陷检测模型可以检测出不同直径的木材缺陷，需要对时间数据样本进行归一化处理对所述原始时间数据样本进行预处理的方法包括：
对原始时间数据样本集进行归一化处理，归一化处理表示如下：
其中，tmin为单次采样中的最小传播时间，tmax为单次采样中的最大传播时间，ti为单次采样第i条超声波传播时间，将超声波传播时间限制在(0,1)范围内。
进一步地，在所述步骤S103中对所述木材内部图像进行网格化处理的方法为：
设定木材横截面为标准圆形，以木材髓心作为原点，半径作为单位距离，建立二维坐标系；以网格与传感器之间直线段的绝对距离作为网格点的坐标信息，而非以网格的二维坐标作为网格点的坐标信息。所述网格点的坐标信息计算方法为：
将网格中心作为网格的精准坐标，计算网格点距离超声波传播路径的绝对距离Δi，j，得到网格点的坐标信息矩阵Δ，计算方法如图6所示；
其中，距离矩阵Δ的大小为
m为缺陷图像精度，Δi，j表示第j个网格点到第i条传播路的垂线长度。
进一步地，在所述步骤S105中根据所述原始时间数据样本训练所述木材缺陷检测网络模型，通过设置好网络模型学习率、学习目标、数据标签等，进行自动训练，经过训练后，得到的的木材缺陷检测网络模型，可以根据输入数据识别木材的不同区域。
进一步地，所述步骤S107中采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测包括以下步骤：
S1071：采集目标木材的时间数据，并将所述时间数据上传到云端；
S1072：将所述时间数据和网格点的坐标信息作为训练好的木材缺陷检测网络模型的输入，输出单个网格点的状态判断；
S1073：通过多次预测来生成木材内部的超声波速度分布图，如图7所示。
再进一步地，所述步骤S108中根据预测结果对目标木材内部状态进行分类，通过可视化工具，得到木材内部热力图，如图8所述，其中分类类别为：非木材区、健康区域和缺陷区域。
在图像网格化的过程中，将图像分为木材内部和木材外部，木材内部分为健康与缺陷部分。非木材区是指在树皮及树皮以外的区域；健康区域是指在物理上结构未受缺陷影响，与周围木材材质在密度、硬度、抗压性、抗弯性等性能上相近的区域；缺陷区域是指由于如腐烂、虫蛀、空洞和裂缝等原因导致木材缺陷的区域，这些缺陷都是由于改变了超声波在木材内部的传播路径，导致会引起传播时间急剧增加，将由不同原因产生的缺陷归为一类。
本发明实施例本发明实施例提供一种基于BiLSTM的超声波木材无损检测方法及***，如图9所示，所述***包括训练模块910、测试模块930和传输模块920；
所述训练模块910，包括数据采集单元911、数据处理单元912、图像处理单元913和构建并训练网络模型单元914；
所述测试模块930，包括预测单元931和分类单元932；
所述传输模块920，用于将训练好的木材缺陷检测网络模型和采集的目标木材的时间数据上传到云端；
所述数据采集单元911，用于采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存；
所述数据处理单元912，用于对所述原始时间数据样本进行预处理；
所述图像处理单元913，用于对所述木材内部图像进行网格化处理，计算网格点的坐标信息；
所述构建并训练网络模型单元914，用于根据网格点的坐标信息，基于BiLSTM，构建木材缺陷检测网络模型；根据所述原始时间数据样本训练所述木材缺陷检测网络模型；
所述预测单元931，用于对目标木材内部超声波速度分布图进行预测；
所述分类单元932，用于根据预测结果对目标木材内部状态进行分类。
进一步地，所述训练模块在本地主机进行，需要花费大量时间；所述测试测试模块在云端上进行，减少本地主机计算量，实现木材现场测试或远程监测，让用户操作更加快捷、方便；所述训练模块910与所述测试模块930通过传输模块920相连。
所述***，用以实现上述实施例一所述的一种基于BiLSTM的超声波木材无损检测方法，为了避免冗余，在此不再赘述。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于BiLSTM的超声波木材无损检测方法，其特征在于，包括：
S1：采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存；
S2：对所述原始时间数据样本进行预处理；
S3：对所述木材内部图像进行网格化处理，计算网格点的坐标信息；
S4：根据网格点的坐标信息，基于BiLSTM，构建木材缺陷检测网络模型；
S5：根据所述原始时间数据样本训练所述木材缺陷检测网络模型；
S6：将训练好的木材缺陷检测网络模型上传到云端；
S7：采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测；
S8：根据预测结果对目标木材内部状态进行分类。
2.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，所述步骤S2中对所述原始时间数据样本进行预处理的方法包括：
基于旋转的数据增强：通过交换传感器布置顺序实现传感器旋转，并将时间矩阵T对应传感器编号交换，然后时间数据重新排序。
3.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，所述步骤S2中对所述原始时间数据样本进行预处理的方法包括：
对原始时间数据样本集进行归一化处理，归一化处理表示如下：
其中，tmin为单次采样中的最小传播时间，tmax为单次采样中的最大传播时间，ti为单次采样第i条超声波传播时间，将超声波传播时间限制在(0,1)范围内。
4.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，所述步骤S3中对所述木材内部图像进行网格化处理的方法为：
设定木材横截面为标准圆形，以木材髓心作为原点，半径作为单位距离，建立二维坐标系；以网格与传感器之间直线段的绝对距离作为网格点的坐标信息。
5.根据权利要求4所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，所述网格点的坐标信息计算方法为：
将网格中心作为网格的精准坐标，计算网格点距离超声波传播路径的绝对距离Δi，j，得到网格点的坐标信息矩阵Δ；
其中，距离矩阵Δ的大小为
m为缺陷图像精度，Δi，j表示第j个网格点到第i条传播路的垂线长度。
6.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，在采集完整的超声波在木材内部传播的原始时间数据样本时，需采集
个样本，其中n为传感器数量。
7.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，所述步骤S7中采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测包括以下步骤：
S71：采集目标木材的时间数据，并将所述时间数据上传到云端；
S72：将所述时间数据和网格点的坐标信息作为训练好的木材缺陷检测网络模型的输入，输出单个网格点的状态判断；
S73：通过多次预测来生成木材内部的超声波速度分布图。
8.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测方法，其特征在于，所述步骤S8中根据预测结果对目标木材内部状态进行分类，其中分类类别为：非木材区、健康区域和缺陷区域。
9.根据权利要求1所述的一种基于BiLSTM的超声波木材无损检测***，其特征在于，所述***包括训练模块、测试模块和传输模块；
所述训练模块，包括数据采集单元、数据处理单元、图像处理单元和构建并训练网络模型单元；
所述测试模块，包括预测单元和分类单元；
所述传输模块，用于将训练好的木材缺陷检测网络模型和采集的目标木材的时间数据上传到云端；
所述数据采集单元，用于采集超声波在木材内部传播的原始时间数据样本，得到木材内部图像，所述原始时间数据样本以矩阵形式保存；
所述数据处理单元，用于对所述原始时间数据样本进行预处理；
所述图像处理单元，用于对所述木材内部图像进行网格化处理，计算网格点的坐标信息；
所述构建并训练网络模型单元，用于根据网格点的坐标信息，基于BiLSTM，构建木材缺陷检测网络模型；根据所述原始时间数据样本训练所述木材缺陷检测网络模型；
所述预测单元，用于对目标木材内部超声波速度分布图进行预测；
所述分类单元，用于根据预测结果对目标木材内部状态进行分类。
10.根据权利要求9所述的一种基于BiLSTM的超声波木材无损检测***，其特征在于，所述训练模块在主机上进行，所述测试模块在云端上进行，所述训练模块与所述测试模块通过传输模块相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210966877.0A CN115356400B (zh) | 2022-08-11 | 一种基于BiLSTM的超声波木材无损检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210966877.0A CN115356400B (zh) | 2022-08-11 | 一种基于BiLSTM的超声波木材无损检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115356400A true CN115356400A (zh) | 2022-11-18 |
| CN115356400B CN115356400B (zh) | 2024-07-26 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849350A (zh) * | 2015-05-13 | 2015-08-19 | 浙江农林大学 | 基于多特征的木材缺陷识别分类方法 |
| CN109870698A (zh) * | 2019-01-15 | 2019-06-11 | 北京百度网讯科技有限公司 | 一种超声波阵列障碍物检测结果处理方法及*** |
| CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
| CN110726505A (zh) * | 2019-10-23 | 2020-01-24 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
| CN111351860A (zh) * | 2019-11-29 | 2020-06-30 | 浙江农林大学 | 基于Faster R-CNN的木材内部缺陷检测方法 |
| CN113624804A (zh) * | 2021-07-20 | 2021-11-09 | 武汉大学 | 一种增材制造构件的无损检测方法及*** |
| JP2022027304A (ja) * | 2020-07-31 | 2022-02-10 | 国立大学法人岩手大学 | 時系列データ予測を用いた嚥下機能評価・訓練方法及びそのシステム |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849350A (zh) * | 2015-05-13 | 2015-08-19 | 浙江农林大学 | 基于多特征的木材缺陷识别分类方法 |
| CN109870698A (zh) * | 2019-01-15 | 2019-06-11 | 北京百度网讯科技有限公司 | 一种超声波阵列障碍物检测结果处理方法及*** |
| CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
| CN110726505A (zh) * | 2019-10-23 | 2020-01-24 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
| CN111351860A (zh) * | 2019-11-29 | 2020-06-30 | 浙江农林大学 | 基于Faster R-CNN的木材内部缺陷检测方法 |
| JP2022027304A (ja) * | 2020-07-31 | 2022-02-10 | 国立大学法人岩手大学 | 時系列データ予測を用いた嚥下機能評価・訓練方法及びそのシステム |
| CN113624804A (zh) * | 2021-07-20 | 2021-11-09 | 武汉大学 | 一种增材制造构件的无损检测方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 何彦;凌俊杰;王禹林;李育锋;吴鹏程;肖圳;: "基于长短时记忆卷积神经网络的刀具磨损在线监测模型", 中国机械工程, no. 16, 25 August 2020 (2020-08-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
| Pyle et al. | Uncertainty quantification for deep learning in ultrasonic crack characterization | |
| Sun et al. | Machine learning for ultrasonic nondestructive examination of welding defects: A systematic review | |
| CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
| CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
| Hu et al. | Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network | |
| US20240119199A1 (en) | Method and system for generating time-efficient synthetic non-destructive testing data | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| Cao et al. | Seismic damage identification of high arch dams based on an unsupervised deep learning approach | |
| CN117233347B (zh) | 一种碳钢球化等级测量方法、***及设备 | |
| Zhao et al. | Automated quantification of small defects in ultrasonic phased array imaging using AWGA-gcForest algorithm | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN115356400B (zh) | 一种基于BiLSTM的超声波木材无损检测方法及*** | |
| CN115356400A (zh) | 一种基于BiLSTM的超声波木材无损检测方法及*** | |
| Kari et al. | Nondestructive characterization of materials by inversion of acoustic scattering data | |
| CN111859744B (zh) | 基于监测数据的节点刚域识别方法、装置及设备 | |
| CN115935241A (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
| CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
| CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模***及方法 | |
| CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
| Das et al. | Optimizing the performance of machine learning algorithms for the condition assessment of utility timber poles | |
| WO2021005624A1 (en) | Method for simulation assisted data generation and deep learning intelligence creation in non-destructive evaluation systems | |
| Miorelli et al. | Assessing performance of flaw characterization methods through uncertainty propagation | |
| CN116305665B (zh) | 一种工件横截面残余应力分布的分析方法及相关装置 | |
| Minghui et al. | A new method for wellhead device defect identification with ultrasonic signals |
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 |