【技术实现步骤摘要】
一种基于卷积神经网络的超声无损检测信号分类方法
本专利技术属于工业超声无损检测
，具体涉及一种基于卷积神经网络的超声无损检测信号分类方法。
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。超声无损检测由于设备体积较小，检测过程安全，检测效率较高等优势，目前已经成为工业生产中在位无损检测的主要方法之一。随着超声相控阵技术的发展，超声无损检测的定性、定位和定量检测精度均得到大幅提高。此外，超声相控阵多通道并行的扫查方式也使得扫查结果能够以更加多样的方式进行显示。A扫描信号是一个一维数组，其中数组长度表示了超声回波的声程，每一个数据点表示了超声回波的强度。无论是传统的超声无损探伤还是先进的超声相控阵无损检测，A扫描信号均是上述仪器所收集到的最原始和最直接的信号。无损探伤通过判读A扫描信号来判断被测物体内部是否存有缺陷；而无损检测则需要基于A扫描信号来生成B、C和S扫描等二维可视化扫查图像，从而对缺陷位置、缺陷尺寸以及缺陷类型等进行评价。在实际应用过程中由于检测环境和仪器自身因素，A扫描信号不可避免的存在较大噪声干扰。故对于通过直接判读曲线分布的...
【技术保护点】
1.一种基于卷积神经网络的超声无损检测信号分类方法，其特征在于，采集超声A扫描信号并进行预处理，然后将预处理后带有对应标签的A扫描信号图像输入搭建的CNN神经网络，对神经网络的各层权重及偏置参数进行训练，通过对学习率和学习迭代次数的调整以提高CNN神经网络对于信号特征的识别准确率，随后将未带有标签的A扫描信号输入至训练好的CNN神经网络，通过超声A扫描信号实现对检测缺陷有无、缺陷深度精确多分类的功能。
【技术特征摘要】
1.一种基于卷积神经网络的超声无损检测信号分类方法，其特征在于，采集超声A扫描信号并进行预处理，然后将预处理后带有对应标签的A扫描信号图像输入搭建的CNN神经网络，对神经网络的各层权重及偏置参数进行训练，通过对学习率和学习迭代次数的调整以提高CNN神经网络对于信号特征的识别准确率，随后将未带有标签的A扫描信号输入至训练好的CNN神经网络，通过超声A扫描信号实现对检测缺陷有无、缺陷深度精确多分类的功能。2.根据权利要求1所述的基于卷积神经网络的超声无损检测信号分类方法，其特征在于，超声A扫描信号预处理具体为：采集超声A扫描信号并进行可视化，以信号回波振幅为纵轴，以回波声程为横轴，将图像设为单通道，将同一位置上采集到的多组信号标记为同一标签，将不同位置上采集到的不同组信号标记为不同的标签。3.根据权利要求1所述的基于卷积神经网络的超声无损检测信号分类方法，其特征在于，CNN神经网络结构的结构依次为：卷积层、最大池化层、非线性全连接层、Dropout层和Softmax分类层。4.根据权利要求3所述的基于卷积神经网络的超声无损检测信号分类方法，其特征在于，卷积层利用卷积核与图像中的部分区域进行卷积运算，通过反向传播提取图像对应子区域的有效特征向量；最大池化层利用提取对应核空间内特征向量的最大值的方法实现图像对应子区域特征表达的简化；非线性全连接层用于将各个子区域简化的特征向量进行整理合并；卷积层和非线性全连接层均包含激活函数为Relu的非线性激活单元，其表达式如下：且卷积核的空间尺寸为5*5像素，步长为1像素，最大池化层核的空间尺寸为3*3像素，步长为2像素。5.根据权利要求3所述的基于卷积神经网络的超声无损检测信号...
【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
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。