一种基于缺陷脉冲信号与图像相融合的智能化识别方法技术

本发明专利技术提供一种基于缺陷脉冲信号与图像相融合的智能化识别方法，包括：步骤1.采集数据，在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据；其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据；步骤2.对超声A扫数据与超声S扫进行预处理；步骤3.对超声A扫数据与超声S扫进行预处理之后，提取超声A扫数据与超声S扫的特征信息作为判别缺陷的指标，通过分别提取超声A扫数据与超声S扫数据的特征信息作为分类的输入变量；步骤4.进行特征值评价与筛选；步骤5.执行分类任务。本发明专利技术为一种将两类缺陷数据特征融合识别的方法，能够提高识别精度。能够提高识别精度。能够提高识别精度。

【技术实现步骤摘要】
一种基于缺陷脉冲信号与图像相融合的智能化识别方法


[0001]本专利技术属于智能化识别领域，具体涉及一种基于缺陷脉冲信号与图像相融合的智能化识别方法。

技术介绍

[0002]当前焊接技术几乎在各个主要的工业部门都会应用到，尤其在航天、核电、兵器等对技术要求较重要的领域，对焊接有着更严苛的技术要求，但是，因为材料缺陷及焊接技术导致的焊接处存在缺陷的安全问题一直是备受人们关注的热点问题，材料缺陷的准确快速识别与定位是当前无损检测研究的重点。先前通过人为定性判断焊接材料缺陷有着速度慢精度低等缺点，随着计算机技术的不断发展，模式识别结合无损检测数据极大的提高了检测速度与精度。
[0003]针对粗晶奥氏体钢材缺陷的无损检测中可以通过超声相控阵技术的扇扫、B扫等获取缺陷位置的图像信息，通过超声A扫可以获得缺陷的信号数据。但当前模式识别结合无损检测数据实现缺陷的定性定位识别几乎都是基于结合单一的信号数据或图像数据实现分析结果。

技术实现思路

[0004]针对粗晶奥氏体钢材缺陷识别的技术问题，本专利技术提供一种基于缺陷脉冲信号与图像相融合的智能化识别方法，结合人工智能的方法，能够有效的解决人为识别慢，识别精度低等问题。该方法是基于超声相控阵技术中的超声A扫数据与超声S扫数据作为研究对象提出智能化的识别方法。本专利技术为一种将两类缺陷数据特征融合识别的方法，能够提高识别精度。
[0005]为达到上述目的，本专利技术采用如下技术方案：一种基于缺陷脉冲信号与图像相融合的智能化识别方法，包括以下步骤：步骤1.采集数据，在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据；其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据；步骤2.对超声A扫数据与超声S扫数据进行预处理；步骤3.对预处理之后的超声A扫数据与超声S扫数据提取特征信息，并将特征信息作为判别缺陷的指标，通过分别提取的超声A扫数据与超声S扫数据的特征信息作为分类的输入变量；步骤4.进行特征的评价与筛选；步骤5.执行分类任务。
[0006]进一步地，所述步骤2中的预处理包括降噪，所述降噪的方法包括如下步骤：步骤2.1.对超声A扫数据降噪：基于sym7小波基函数先对超声A扫数据进行降噪，在降噪的基础上，对数据进行归一化处理，使其在（0，1）区间内；
步骤2.2.对超声S扫数据降噪：首先对缺陷图像中值滤波，在中值滤波的基础上，将滤波后的图像灰度化，将图像灰度化之后用特征提取方法提取图像特征。
[0007]进一步地，所述步骤3包括：步骤3.1.提取超声A扫数据特征，包括提取特征波形的时域特征与几何特征；提取时域特征时，首先通过小波包分解将A扫脉冲分解到第四层，以第四层中的16个节点中的前三个节点各节点的能量与A扫脉冲的总能量的比值作为一项时域特征；计算公式为：；其中表示分解后第四层第i个节点计算的时域特征值，E表示A扫脉冲的总能量，表示第四层第i个节点上的能量值，共选择前3个节点，则得到三个时域特征。
[0008]进一步地，所述步骤3.1中，特征波形的几何特征包括：包络线长度、包络线与横轴围成的面积、包络线梯度特征、2组1
‑
D LBP特征值、波根宽、峰度；具体的提取方法包括：（1）包络线长度及包络线与横轴围成的面积的计算方法为：通过离散数据微分的方法计算包络线长度以及包络线与横轴围成的面积，其中，利用微分、积分计算包络线的长度，根据脉冲信号采样步长h=1以及每个采样点对应脉冲幅值，则相邻采样点之间的纵轴距离计算公式为：，其中为相邻两采样点之间纵轴的距离，f( )表示在某一点处脉冲的幅值，即纵轴的数值；则包络线长度的计算公式为：，其中b表示特征区间的采样长度、L表示长度特征，为求和公式；计算包络线与横轴围成的面积的方法为：首先计算，在此基础上，包络线与横轴围成的面积计算公式为：,其中S表示面积特征值；（2）包络线梯度特征的计算方法为：设特征区间起始采样点的幅值为，相邻的下一个采样点的幅值为，则两者的差值，判断：若小于0，记录该，若大于0，则不记录；然后往后移动一个采样点，计算第二个与第三个采样点之间的，依次计算特征区间的采样点，并将记录的所有值求和得到包络线梯度特征值；（3）所述包络线1
‑
D LBP特征提取方法为：以特征区间内任意一点为中间点，分别选择前后各三个点或者前后各四个点；当前后各选择三个点时，分别计算选择的前后三个点的每个点与中间点的差值，若差值大于或等于0则将该采样点赋值为1，小于0赋值为0，然后将除中间点外的六个采样点组合成为一组二进制数并将二进制数转化为十进制数；循环对每一个采样点都当作中心点依次计算采样点作为中心点时所对应的十进制数值；由于前后各取三个点，所以转化后的十进制点
均在（0，63）范围内，将这个区间均为7份，每份区间的大小为9；计算这些十进制点在（0，7）区间与（54，63）区间内出现的次数作为1
‑
D LBP特征值；当前后各取四个点时，将（0，255）区间均分为10份，计算（0，25.5）以及（229.5，255）区间内出现的次数作为特征值；（4）波根宽是特征波起峰位置到下降结束位置间的宽度，以区间内采样点数的多少来衡量波根宽；（5）峰度的计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
ꢀꢀ
(2)
ꢀꢀ
(3)式中，A(k)表示各采样点的幅值信息；表示均值，Kurt表示峰度，n表示采样点的个数；，为过渡参数。
[0009]进一步地，所述步骤3包括：步骤3.2.提取超声S扫数据的特征，包括提取梯度灰度共生矩阵和灰度共生矩阵，提取图像特征共19项；其中，梯度灰度共生共矩阵提取图像特征15项，分别为：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵惯性、逆差矩；灰度共生矩阵提取4项特征，分别为：能量、对比度、熵、逆差距。
[0010]进一步地，所述步骤4包括：基于欧式距离的方法来计算特征之间的类内距离与类间距离，并计算类内距离与类间距离之间的比值作为特征值可分性的衡量标准，其计算公式分别如下：
ꢀꢀꢀꢀ
(4)
ꢀꢀꢀꢀꢀ
(5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式（4）为计算类内距离的计算公式，式（5）为计算类间距离的计算公式，式（6）为欧
氏距离计算方法，式（7）计算评价可区分性准则的一项指标；上述公式均为标准计算公式，其中为某缺陷样本个数，Nj为另一类缺陷样本参数，k表示第k个样本，表示第个样本，表示欧式距离计算公式；分别表示第i类第k个样本的特征值与表示第i类第个样本的特征值；i,j分别表示两类缺陷；分别表示j类缺陷的第k个样本与第个样本，则为最终计算的可分性判据值；以式（7）的计算结果为衡量标准,结果大于1，则认为其具有可分性，小于1，则该项特征不作为后续分类的输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，包括以下步骤：步骤1.采集数据，在机器扫描缺陷获得数据的基础上，选择能够表征缺陷信息的超声A扫数据与超声S扫数据；其中超声A扫数据为超声序列数据，超声S扫数据为扇形图像数据；步骤2.对超声A扫数据与超声S扫数据进行预处理；步骤3.对预处理之后的超声A扫数据与超声S扫数据提取特征信息，并将特征信息作为判别缺陷的指标，通过分别提取的超声A扫数据与超声S扫数据的特征信息作为分类的输入变量；步骤4.进行特征的评价与筛选；步骤5.执行分类任务。2.根据权利要求1所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤2中的预处理包括降噪，所述降噪的方法包括如下步骤：步骤2.1.对超声A扫数据降噪：基于sym7小波基函数先对超声A扫数据进行降噪，在降噪的基础上，对数据进行归一化处理，使其在（0，1）区间内；步骤2.2.对超声S扫数据降噪：首先对缺陷图像中值滤波，在中值滤波的基础上，将滤波后的图像灰度化，将图像灰度化之后用特征提取方法提取图像特征。3.根据权利要求2所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤3包括：步骤3.1.提取超声A扫数据特征，包括提取特征波形的时域特征与几何特征；提取时域特征时，首先通过小波包分解将A扫脉冲分解到第四层，以第四层中的16个节点中的前三个节点各节点的能量与A扫脉冲的总能量的比值作为一项时域特征；计算公式为：；其中表示分解后第四层第i个节点计算的时域特征值，E表示A扫脉冲的总能量，表示第四层第i个节点上的能量值，共选择前3个节点，则得到三个时域特征。4.根据权利要求3所述的一种基于缺陷脉冲信号与图像相融合的智能化识别方法，其特征在于，所述步骤3.1中，特征波形的几何特征包括：包络线长度、包络线与横轴围成的面积、包络线梯度特征、2组1
‑
D LBP特征值、波根宽、峰度；具体的提取方法包括：（1）包络线长度及包络线与横轴围成的面积的计算方法为：通过离散数据微分的方法计算包络线长度以及包络线与横轴围成的面积，其中，利用微分、积分计算包络线的长度，根据脉冲信号采样步长h=1以及每个采样点对应脉冲幅值，则相邻采样点之间的纵轴距离计算公式为：，其中为相邻两采样点之间纵轴的距离，f( )表示在某一点处脉冲的幅值，即纵轴的数值，x表示横轴的数值；则包络线长度的计算公式为：，其中b表示特征区间的采样长度、L表示长度特征，为求和公式；计算包络线与横轴围成的面积的方法为：首先计算，
在此基础上，包络线与横轴围成的面积计算公式为：,其中S表示面积特征值；（2）包络线梯度特征的计算方法为：设特征区间起始采样点的幅值为，相邻的下一个采样点的幅值为，则两者的差值，判断：若小于0，记录该，若大于0，则不记录；然后往后移动一个采样点，计算第二个与第三个采样点之间的，依次计算特征区间的采样点，并将记录的所有值求和得到包络线梯度特征值；（3）所述包络线1
‑
D LBP特征提取方法为：以特征区间内任意一点为中间点，分别选择前后各三个点或者前后各四个点；当前后各选择三个点时，分别计算选择的前后三个点的每个点与中间点的差值，若差值大于...

【专利技术属性】
技术研发人员：秦经刚，刘小川，周超，刘华军，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：