一种基于自编码器的超声信号处理方法技术

本发明专利技术公开了一种基于自编码器的超声信号处理方法，对超声信号进行预处理，然后叠加超声信号的样本，建立并分类超声信号的样本库，通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压，基于深度学习获取特征函数的相关权重和偏置变量，并以此作为降噪参数对后续超声信号进行降噪处理。本发明专利技术对信号的降噪筛选兼容性较好，运算量小，计算成本低，提高降噪自编码器特征提取的准确率。

A Method of Ultrasound Signal Processing Based on Self-Encoder

The invention discloses an ultrasonic signal processing method based on self-encoder, which preprocesses the ultrasonic signal, superimposes the samples of the ultrasonic signal, establishes and classifies the sample library of the ultrasonic signal, compresses and decompresses the ultrasonic A-scan signal through the automatic encoder built by the neural network, and obtains the relevant weight and bias variables of the characteristic function based on deep learning, and accordingly As a noise reduction parameter, the subsequent ultrasonic signal is denoised. The present invention has good compatibility for signal de-noising and screening, small calculation amount, low calculation cost, and improves the accuracy of feature extraction of de-noising self-encoder.

【技术实现步骤摘要】
一种基于自编码器的超声信号处理方法
本专利技术属于工业超声无损检测
，具体涉及一种基于自编码器的超声信号处理方法。
技术介绍
作为一种非接触测量方法，无损检测已广泛应用于加工制造业中。根据检测需求，针对被测物体内部缺陷的无损检测方法包括了：数字射线检测、超声检测和工业CT检测等。由于数字射线检测需要放射物作为能量源，故其操作专业性强，且对人体具有一定损伤；工业CT检测虽然检测精度较高，但成本高，检测效率较低，且由于上述两类检测设备体积较大，无法实现在线检测和在位检测。而超声检测设备体积相对较小，能够实现在线或在位测量，且检测过程安全、效率高。故超声检测不仅能够对小尺寸被测物体进行在线在位快速检测，还能够对大尺寸被测物体进行在位检测。超声相控阵检测技术是超声检测技术目前的一个发展方向，其依托压电复合技术、微型机电制造技术、微电子技术及计算机技术等学科的交叉。相比于传统的超声检测技术，超声相控阵检测技术采用压电复合的多阵元探头，并由计算机控制各阵元传感器的激发时序，通过控制激发时序能够实现超声波束的聚焦和角度偏转等功能。相比于传统超声检测技术，具有更高的检测灵活性和精度。在超声相控阵检测中，通过计算各阵元的激发/接收时序法则对各阵元传感器的状态进行控制。为了得到最终的可视化检测结果，在各阵元传感器接收到原始信号后需要利用算法对多路信号进行数据融合，并进行图像重构。由此可知，原始接收信号的质量直接影响着最终的检测结果。一般来说，上述算法在数据融合前后还需要对信号进行诸如降噪、调制等处理。目前对于该类信号处理的方法主要是利用快速傅里叶变换(FFT)和小波滤波等方法来实现。但是，上述两种方法均需要根据噪声分布进行人工阈值设置，对信号的降噪筛选兼容性较差，存在一定的主观性；且在每一次信号处理过程中运算量较大，需要耗费较大的计算成本。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于自编码器的超声信号处理方法，提高了降噪的准确率，有效去除探头固有响应特性对于回波信号处理时的干扰。本专利技术采用以下技术方案：一种基于自编码器的超声信号处理方法，对超声信号进行预处理，然后叠加超声信号的样本，建立并分类超声信号的样本库，通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压，基于深度学习获取特征函数的相关权重和偏置变量，并以此作为降噪参数对后续超声信号进行降噪处理。具体的，预处理的具体过程如下：S101、将单幅A扫描信号输出的一维数组进行升维，将一维数组各元素进行取整；S102、以声程的有效采样点做为二维数组的列数，设置二维零数组；S103、以最大回波波幅与各采样点波幅之差作为各列索引，将A扫描信号各列的波幅依次赋值于各列的索引处，将输出格式由一维数组升为二维数组。进一步的，步骤S101中，二维数组的行数row计算如下：其中，Valuemax是回波波幅的最大值，Valuemin是回波波幅的最小值。更进一步的，当回波波幅的最小值Valuemin＜0时，计算行数时加1。更进一步的，预处理过程中，设初始一维信号如下：245310-1-200其中，回波波幅的最大值Valuemax＝5，回波波幅的最小值Valuemin＝-2，二维数组行数row＝5+|-2|+1＝8。具体的，超声信号的样本叠加具体为：将多次获取到的超声A扫描信号通过预处理后获得多个二维数组，然后将二维数组中的非零元素设定为值1，再将各二维数组进行叠加，提取每列最大值并置1后将其余值置0。具体的，超声信号的样本库建立和分类具体如下：S301、采集超声A扫描信号，并通过超声信号预处理后，分组进行叠加处理；S302、将处理过的多组二维数据进行维度压缩，将每个二维数组按列依次放入样本集中的同一行，即每个二维数组对应样本集中一行数据；S303、将样本库分为训练样本集和测试样本集，且训练样本个数大于测试样本个数。具体的，基于深度学习的降噪自编码器核心包括编码器、解码器和损失函数，利用自编码器对超声信号进行处理的步骤如下：S401、对降噪自编码器进行训练，利用建立的训练样本集作为原始数据输入，选择优化器和学习率以指定的学习率降低损失函数loss，实现对样本信号的准确特征压缩和解压，并对数据元素进行随机删减；S402、根据损失函数loss的计算结果调整编码器和解码器的迭代，然后将修改后的原始数据输入编码器，采用TensorFlow框架下的next_betch()函数对样本集进行批量提取；S403、通过参数保存函数将自编码器获取到的特征参数进行保存，完成自编码器的特征提取和学习工作。进一步的，步骤S401中，基于Tensorflow框架，根据数据处理精度需求选择隐藏层的层数，并等比于编码器中的隐藏层层数，建立解码器对所提取的特征进行数据恢复，在编码器中，将每一层输入信号xi(t)与压缩后的表达式xi+1(t)建立映射为当前层数，以达到对样本数据的特征提取，即：xi+1(t)＝σ(wi×xi(t)+bi)其中，wi和bi分别表示第i层的权重和偏置，σ是激活函数。更进一步的，设输入信号为x(t)，通过自编码器压缩并解压后的输出信号为y(t)，通过对比两者的差异计算损失函数loss如下：其中，N为一组数据中元素的个数。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种基于自编码器的超声信号处理方法，利用神经网络的降噪自编码器实现了对超声信号的降噪处理，避免了人为设置不同噪声阈值所造成的主观性和片面性，并相应提高了降噪的准确率，在实际应用中具有较强的鲁棒性，能够有效滤除随机噪声对信号的影响。进一步的，针对于降噪自编码器提出了一种对超声A扫描信号的预处理方法，相比于传统利用时频谱图表述，该方法不仅压缩了样本数据的空间，还增强了有效数据在样本中的特征体现，有助于降噪自编码器特征提取的准确率。进一步的，采用比对原始信号与恢复信号作为降噪评价，能够有效的去除探头固有响应特性对于回波信号处理时的干扰。进一步的，建立样本库和分类是进行机器学习的前提，通过建立样本库和分类能够利用自编码器实现降噪。进一步的，由于小波降噪、傅里叶变换滤波等信号处理方法均针对单一信号样本进行计算，而基于自编码器的超声信号处理方法能够从大量信号样本中辨别噪声并提取信号特征，其降噪效果更加稳定。综上所述，本专利技术对信号降噪的鲁棒性较好，运算量较小，通过本方法的信号预处理后，利用降噪自编码器能够较好的对信号实施降噪。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为一维数组转二维数组示意图；图2为对超声信号样本的叠加和提值处理，其中，(a)为叠加后的二维数组，(b)为提取最大值等处理后的二维数组；图3为超声信号的二维数据库；图4为基于深度学习的降噪自编码器示意图；图5为采用本专利技术对信号进行特征提取和处理对比图。具体实施方式本专利技术提供了一种基于自编码器的超声信号处理方法，通过神经网络所搭建的自动编码器(Autoencoder)对超声A扫描信号进行压缩和解压，在此过程中基于深度学习的相关理论获取特征函数的相关权重和偏置变量，并以此作为降噪S1、超声信号的预处理；超声A扫描信号是指由超声探头接收，以回波声程和波幅分别为横纵坐标轴的原始信号表述。单幅A扫描信号输出格式一本文档来自技高网...

【技术保护点】
1.一种基于自编码器的超声信号处理方法，其特征在于，对超声信号进行预处理，然后叠加超声信号的样本，建立并分类超声信号的样本库，通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压，基于深度学习获取特征函数的相关权重和偏置变量，并以此作为降噪参数对后续超声信号进行降噪处理。

【技术特征摘要】
1.一种基于自编码器的超声信号处理方法，其特征在于，对超声信号进行预处理，然后叠加超声信号的样本，建立并分类超声信号的样本库，通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压，基于深度学习获取特征函数的相关权重和偏置变量，并以此作为降噪参数对后续超声信号进行降噪处理。2.根据权利要求1所述的基于自编码器的超声信号处理方法，其特征在于，预处理的具体过程如下：S101、将单幅A扫描信号输出的一维数组进行升维，将一维数组各元素进行取整；S102、以声程的有效采样点做为二维数组的列数，设置二维零数组；S103、以最大回波波幅与各采样点波幅之差作为各列索引，将A扫描信号各列的波幅依次赋值于各列的索引处，将输出格式由一维数组升为二维数组。3.根据权利要求2所述的基于自编码器的超声信号处理方法，其特征在于，步骤S101中，二维数组的行数row计算如下：其中，Valuemax是回波波幅的最大值，Valuemin是回波波幅的最小值。4.根据权利要求3所述的基于自编码器的超声信号处理方法，其特征在于，当回波波幅的最小值Valuemin＜0时，计算行数时加1。5.根据权利要求3或4所述的基于自编码器的超声信号处理方法，其特征在于，预处理过程中，设初始一维信号如下：245310-1-200其中，回波波幅的最大值Valuemax＝5，回波波幅的最小值Valuemin＝-2，二维数组行数row＝5+|-2|+1＝8。6.根据权利要求1所述的基于自编码器的超声信号处理方法，其特征在于，超声信号的样本叠加具体为：将多次获取到的超声A扫描信号通过预处理后获得多个二维数组，然后将二维数组中的非零元素设定为值1，再将各二维数组进行叠加，提取每列最大值并置1后将其余值置0。7.根据权利要求1所述的基于自编码器的超声信号处理方法，其特征在于，超声信号的样本库建立和分类具体如下...

【专利技术属性】
技术研发人员：李兵，高飞，陈磊，魏翔，贺琛，李应飞，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61