System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及微波检测,尤其涉及一种基于微波近场时域反射的非金属内部缺陷检测方法。
技术介绍
1、非金属材料广泛应用于多个领域,但在生产、加工和使用过程中容易受到各种因素影响而产生损伤和缺陷,未能及时检测和修复这些问题将威胁材料性能和安全性,甚至危及工程结构的安全;因此,需要有效的方法来检测这些缺陷。基于微波的无损检测技术是一个理想的选择,因为微波信号能够穿透非金属材料并与其内部结构相互作用,因此在各种非金属材料的检测中非常实用,这种技术不产生电离辐射,也不乤耦合剂,属于一种非接触的检测方法,特别是微波近场检测技术以其高灵敏度和卓越分辨率在各种非金属材料的检测中广泛应用。
2、现有申请号为201910519821.9的中国专利公开了“基于微波无损检测的管道表面腐蚀缺陷检测方法及装置”,该方法包括采集被测管道表面反射的微波信号,采用微波成像技术对反射系数相位值进行成像处理,对成像结果进行边缘检测处理,得到缺陷位置和宽度信息,构建缺陷检测模型,计算缺陷深度信息。本专利技术利用不同检测位置处的微波反射系数相位值作为成像像素点,同时对边界进行识别,可以获取缺陷位置和宽度信息,同时根据反射系数相位差与缺陷尺寸的关系模型,反解出缺陷深度的定量信息,实现管道上缺陷的位置、宽度和深度的定量检测。
3、申请号为202111629267.3公开了“一种微波无损检测的方法、装置、系统、设备及介质”,该方法包括:控制无损检测设备向待检测材料的检测区域发射微波信号,并且采集所述检测区域的反射微波信号,其中,所述检测区域为所述待检测
4、但是以上方法均是针对待测物表面的缺陷检测,无法对待测物内部缺陷的检测,难以应对待测物自身厚度、缺陷大小和位置等多参数同时变化的复杂场景。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点,提供了一种基于微波近场时域反射的非金属内部缺陷检测方法,解决了现有技术存在的不足。
2、本专利技术的目的通过以下技术方案来实现:一种基于微波近场时域反射的非金属内部缺陷检测方法,所述检测方法包括:
3、s1、通过开口矩形波导与待测物进行扫描,获取待测物上逐个位置的散射参数s11的频域信号,并通过基于窗函数的频域到时域的转换算法将其转换为s11时域信号;
4、s2、通过小波变换将s11时域信号分解为小波基的线性组合,并将信号映射为多级近似分量a和细节分量d的组合,得到不同尺度小的特征信号,以增强缺陷的特征信息;
5、s3、建立人工神经网络模型,将经过小波分解处理后的特征信号与缺陷信息建立联系,进而对不同厚度的待测物中存在于不同位置和不同尺寸的缺陷进行检测。
6、所述通过小波变换将s11时域信号分解为小波基的线性组合,并将信号映射为多级近似分量a和细节分量d的组合包括:
7、s201、将s11时域信号分解为第一级近似分量a1和细节分量d1;
8、s202、在第一级近似分量a1通过相同的小波变换得到第二级近似分量a2和细节分量d2;
9、s203、后续各级重复s202的分解过程,得到l级分解过程后的信号为al+dl+···a1+d1。
10、所述s3的步骤具体包括以下内容:
11、对每个样本分配相应的有缺陷/无缺陷标签,以此构建数据集,使用数据集的一部分数据对选择的人工神经网络模型进行训练,使用剩余部分数据进行验证和测试,以评估人工神经网络模型的性能并进行优化;
12、将经过l级分解得到的近似分量a1,a2…al和待测物厚度h的前1/8段信号输入到人工神经网络模型中,输出介于0到1之间的正值,进而开口矩形波导所在位置存在缺陷的概率。
13、所述将经过l级分解得到的近似分量a1,a2···al和待测物厚度h的前1/8段信号输入到人工神经网络模型中,输出介于0到1之间的正值,进而判断开口矩形波导所在位置存在缺陷的概率包括:
14、设不同厚度待测物中具有不同位置、不同尺寸缺陷的待测物总数为n个,对于每一个待测物所对应的原始s11频域响应经小波变换分解都可得到1-l级近似分量a1,a2···al,则可获得n组1-l级近似分量,即a1n,a2n···aln,这些近似分量包含了不同厚度的非金属材料中存在于不同位置、具有不同尺寸缺陷时的多尺度缺陷特征信号;
15、将近似分量的前1/8段信号送入网络训练,输出介于0和1之间的正值,代表了开口矩形波导所在位置存在缺陷的概率,选择sigmoid函数作为神经元传递函数,由此便建立了开口矩形波导位于不同厚度的非金属材料中包含不同位置、具有不同尺寸缺陷的某个位置所获取的s11时域信号与该位置存在缺陷概率之间的联系。
16、所述通过基于窗函数的频域到时域的转换算法将其转换为s11时域信号包括:
17、a1、将原始s11频域信号进行傅里叶逆变换可得到对应的s11时域信号s(t),s(t)为傅里叶反变换后的时域信号;
18、a2、将时域信号s(t)移至中心频点ω0,得到移动后的时域信号为,其中,j为虚数符号、t为时间、ω为频域变量、s11为原始频域信号;
19、a3、将移至中心频点的时域信号sb(t)与窗函数η(t)进行卷积可得经过窗函数卷积之后的信号为sw,其中,窗函数表达式为,bw为信号带宽,sw为经过窗函数卷积之后的时域信号;
20、a4、进行频移补偿,得到s11时域信号为。
21、本专利技术具有以下优点:一种基于微波近场时域反射的非金属内部缺陷检测方法,采用小波分解算法将s11时域信号分解为不同尺度上的信号,强化缺陷的特征信息,从而提高检测效果;建立多尺度信号与缺陷信息之间的关系,实现仅基于一个模型对不同厚度的非金属材料中存在于不同位置、具有不同尺寸缺陷的检测,提高了该技术使用的简便性和对待测物的适应性。
本文档来自技高网...【技术保护点】
1.一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述检测方法包括:
2.根据权利要求1所述的一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述通过小波变换将S11时域信号分解为小波基的线性组合,并将信号映射为多级近似分量A和细节分量D的组合包括:
3.根据权利要求2所述的一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述S3的步骤具体包括以下内容:
4.根据权利要求3所述的一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述将经过L级分解得到的近似分量A1,A2…AL和待测物厚度H的前1/8段信号输入到人工神经网络模型中,输出介于0到1之间的正值,进而判断开口矩形波导所在位置存在缺陷的概率包括:
5.根据权利要求1所述的一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述通过基于窗函数的频域到时域的转换算法将其转换为S11时域信号包括:
【技术特征摘要】
1.一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述检测方法包括:
2.根据权利要求1所述的一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述通过小波变换将s11时域信号分解为小波基的线性组合,并将信号映射为多级近似分量a和细节分量d的组合包括:
3.根据权利要求2所述的一种基于微波近场时域反射的非金属内部缺陷检测方法,其特征在于:所述s3的步骤具体包括以下内容:
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。