The invention discloses a method for estimating the number of narrow-band ultrasonic echoes based on convolution neural network, which includes the following steps: setting parameters of narrow-band ultrasonic echo signal model, generating multiple echo signal set models under different noise conditions; random extracting part of the echo signal set model from the generated multiple echo signal set models and generating time-frequency spectrum. The graph is used as training sample set, the remaining echo signal set model is transformed into short-time Fourier transform and time-frequency spectrum is generated as test sample set; the training sample set is input into convolution neural network for training, and the trained convolution neural network is output; the corresponding echo signal can be estimated by inputting the obtained test sample set into the trained convolution neural network. Number. The application method can effectively estimate the number of echoes of narrow-band ultrasonic echo signal, which has the characteristics of good robustness, high accuracy and learning ability.
【技术实现步骤摘要】
一种基于卷积神经网络的窄带超声回波个数的估计方法
本专利技术涉及超声探测领域的信号参数估计技术,更具体地说,尤其涉及一种基于卷积神经网络的窄带超声回波个数的估计方法。
技术介绍
超声探测成像技术是当今社会无损检测
中一种非常重要的手段和方法。它是在不损坏材料工件或成品的条件下,利用材料内部结构异常或缺陷存在所引起的对声、磁、光、电、热场等反应的变化,来探测各种工程材料、零部件、结构件等内部和表面缺陷,并对缺陷的类型、性质、数量、形状、位置、尺寸、分布及其变化做出判断和评价。无损检测诊断的目的在于定量掌握缺陷与强度的关系,评价构件的允许载荷、寿命或剩余寿命,检测设备(构件)在制造或使用过程中产生的结构不完整性,以及缺陷的情况,从而方便改进制造工艺,提高产品质量,及时发现故障,保证设备安全、高效、可靠地运行。它在机械制造、石油化工、舰艇船舶、汽车、铁道、建筑、冶金、航空航天和医学等众多领域均有广泛的应用。在实际中,由于材料结构的复杂性和噪声对目标回波信号的影响,实测中所接收的回波信号总会发生一定的变化,这些变化主要表现为频率消散、相位漂移或者是相对参考回波发生偏移等。而且,随着超声射入目标的深度增加,回波衰减将进一步加重。另外,对于超声回波的多层材料检测技术,主要是应用层与层之间的时延来估计层的厚度,但随着层厚度减小,不同层之间的反射回波会发生重叠,造成时间测量困难和误差,这种情况还会表现在材料内部两个距离很近或小尺寸缺陷上,由于缺陷回波的严重重叠,无法有效成像,进而影响判断缺陷的个数、大小及准确位置。目前,回波参数的估计基本都是通过信号分离技术、参数化 ...
【技术保护点】
1.一种基于卷积神经网络的窄带超声回波个数的估计方法,其特征在于,包括以下步骤:(1)设定窄带超声回波信号模型参数,在不同噪声条件下生成多个回波信号集模型;(2)在步骤(1)所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集,将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集;(3)将步骤(2)中获得的训练样本集输入卷积神经网络进行训练,并输出训练好的卷积神经网络;(4)将步骤(2)中获得的测试样本集输入步骤(3)中训练好的卷积神经网络,即可估计出对应回波信号的回波个数。
【技术特征摘要】
1.一种基于卷积神经网络的窄带超声回波个数的估计方法,其特征在于,包括以下步骤:(1)设定窄带超声回波信号模型参数,在不同噪声条件下生成多个回波信号集模型;(2)在步骤(1)所生成的多个回波信号集模型随机提取一部分回波信号集模型进行短时傅里叶变换并生成时频谱图作为训练样本集,将剩下的回波信号集模型进行短时傅里叶变换并生成时频谱图作为测试样本集;(3)将步骤(2)中获得的训练样本集输入卷积神经网络进行训练,并输出训练好的卷积神经网络;(4)将步骤(2)中获得的测试样本集输入步骤(3)中训练好的卷积神经网络,即可估计出对应回波信号的回波个数。2.根据权利要求1所述的基于卷积神经网络的窄带超声回波个数的估计方法,其特征在于,在所述的步骤(1)中,具体包括以下步骤:(1a)根据窄带超声回波的物理特性设定窄带超声回波信号集初始模型参数,窄带超声回波信号集初始模型参数的计算公式为:其中,θ=[α,τ,fc,φ,β],α为窄带超声回波的带宽,τ为窄带超声回波的到达时间,fc为窄带超声回波的中心频率,φ为窄带超声回波的相位,β为窄带超声回波的幅度系数,t为窄带超声回波的传递时间;再将窄带超声回波信号集初始模型参数中的窄带超声回波信号逐个做加性白噪声处理后得回波信号集模型参数,窄带超声回波信号做加性白噪声处理的计算公式为:其中,w(t)为加性高斯白噪声,M是窄带超声回波信号集初始模型参数中的窄带超声回波个数。(1b)设定噪声信噪比取值范围、步长值以及仿真次数,根据蒙特卡洛法,生成多个回波信号集模型。3.根据权利要求2所述的基于卷积神经网络的窄带超声回波个数的估计方法,其特征在于,在所述的步骤(1a)中,α的取值范围为2-6MHz2,τ的取值范围为0.5-10s,fc的取值范围为2-10MHz,φ的取值范围为0-2rad,β的取值范围为0-2,M的取值范围为1-10个。4.根据权利要求2所述的基于卷积神经网络的窄带超声回波个数的估计方法,其特征在于,在所述的步骤(1b)中,噪声信噪比的取值范围为-10dB-30dB,步长为1dB,仿真次数为100次。5.根据权利要求1所述的基于卷积神经网络的窄带超声回波个数的估计方法,其特征在于,在所述的步骤(2)中,具体包括以下步骤:(2a)在步骤(1)所生成的多个回波信号模型中提取一部分回波信号集模型作短时傅里叶变换获取回波信号x(t)的时频谱图,作为训练样本集,所述的短时傅里叶变换公式为:其中,t为窄带超声回波的传递时间,γ(t)为的分析窗函数,γ*(t)为γ(t)的复共轭函数,取STFT(τ,f)的模|STFT(τ,f)|为x(t)的时频谱图;(2b)将步骤(1)所生产的多个...
【专利技术属性】
技术研发人员:卢振坤,邵在禹,马伏花,
申请(专利权)人:广西民族大学,
类型:发明
国别省市:广西,45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。