超声检测中裂纹型缺陷深度的智能识别

为了实现对裂纹型缺陷深度的定量识别,提高超声检测精度,引入小波分析和人工神经网络技术进行缺陷深度的智能识别,从超声检测的基本原理、缺陷深度表征量的确定、超声回波信号缺陷特征量的小波提取、神经网络的结构参数及训练和测试网络等方面,详细探讨了对裂纹型缺陷进行智能识别的方法,论证了运用神经网络进行缺陷智能定量识别的可行性,构造了智能识别实验系统,并利用该系统对所加工的含缺陷试样进行了定量识别试验与分析,结果表明,小波分析和人工神经网络技术的引入能够为超声检测缺陷的定量识别提供行之有效的途径。     

限幅采样技术在激光超声无损检测中的应用

基于超声信号在金属介质缺陷处发生回波现象,提出一种单位限幅数字还原采集的方法,用于回波弱信号还原。将激光超声技术、声电耦合技术和电学检测技术相结合,利用脉冲调制的单频激光源,作用于金属激发超声波,使用单位限幅数字还原的方法,抓取超声信号传输特征。超声波信号数据采集抓取完成后发送到上位机软件,对信号进行分析和处理。通过实验测试验证,使用上述信号还原方法,依托高速FPGA开发平台,提高了系统对回波弱信号的采集能力和金属缺陷判断的能力。     

基于超声相控阵平面波检测的金属指纹标签识别系统

重要物品被伪造替换将造成重大损失. 文章提出了超声指纹标签的概念,利用超声相控阵平面波检测采集每个金属材料独有的超声回波,将其保存为指纹标签,与形状材料完全一致的仿制件混淆后,利用指纹标签识别算法准确识别出目标物体. 结果表明,超声相控阵识别系统可以稳定提取金属样品的超声信号,快速计算其超声指纹标签,并准确完成目标样品的识别,为贵重物品的保护和识别提供了新的方法.     

基于TSVM的多特征融合超声金属防伪识别

利用超声技术对金属材料进行防伪识别最大的优点就是非破坏性.针对单一特征值表达能力差的情况,从时域和频域对超声脉冲作用于金属材料上产生的回波进行了分析和处理,将2种信号的特征进行融合作为防伪识别信息.为实现对金属自动识别分类,以3种不同金属试样为例,利用对支持向量机构造的二叉树分类器进行识别,其正确识别率达到了93.3%.结果表明,该方法具有一定的实用价值,为金属的防伪识别提供了一种可行方法.     

基于小波和神经网络的焊接缺陷识别方法

超声检测是钢结构焊缝质量检验的常用方法,本文针对超声检验中缺陷类型识别困难的问题,提出一种定性方法.首先利用小波包变换提取超声回波信号的能量作为特征向量,然后将得到的特征向量输入到BP神经网络中,应用于裂纹、气孔、未焊透三类缺陷,识别率达到了86.7％.结果表明：基于小波包变换和BP神经网络的钢结构焊缝缺陷定性方法是十分有效的.     

钢箱梁疲劳裂纹特征超声波检测方法试验研究

采用疲劳裂纹标准试件对钢箱梁疲劳裂纹长度、宽度、深度、倾斜角度及开裂位置等特征进行超声波检测试验,研究钢箱梁疲劳裂纹特征超声波检测方法。依据理论计算和试验结果,对比分析每种裂纹检测波形及回波参数,提出1/3测长法,给出测长法判断依据的理论解,与实际检测结果相符合;针对裂纹深度,提出裂纹深度检测的精度提高的方法;建立裂纹倾斜角度、开裂位置判定计算公式。分析面板与U肋焊缝处不同类型裂纹检测结果,给出裂纹距焊趾距离K计算公式,并由K建立焊趾、焊根、未溶透部位疲劳裂纹判别方法。研究结果表明:疲劳裂纹特征与回波参数存在一定的相关性,疲劳裂纹特征检测方法具有较好的准确性。     

基于小波和神经网络的焊接缺陷识别方法

超声检测是钢结构焊缝质量检验的常用方法,本文针对超声检验中缺陷类型识别困难的问题,提出一种定性方法.首先利用小波包变换提取超声回波信号的能量作为特征向量,然后将得到的特征向量输入到BP神经网络中,应用于裂纹、气孔、未焊透三类缺陷,识别率达到了86.7%.结果表明:基于小波包变换和BP神经网络的钢结构焊缝缺陷定性方法是十分有效的.     

基于特征融合的金属铸造工件表面裂纹检测算法研究

针对复杂结构的金属铸造工件表面因成像复杂引发干扰,裂纹提取判别困难的检测问题,本文提出一种结合了颜色形态特征融合图像分割和纹理特征裂纹判定的金属铸造工件表面裂纹检测算法。算法通过GAMMA变换增强裂纹并弱化背景,根据裂纹目标的颜色特征与几何形状特征相融合,量化特征并滤波特征值分割提取裂纹目标,基于灰度共生矩阵对候选裂纹区域提取纹理特征,使用支持向量机分类器进行训练并识别裂纹。金属工件表面裂纹检测实验表明,该算法在图像分割方面能更加完整准确的提取裂纹,在真伪裂纹的识别中准确率、精确率、召回率和F1得分分别为94.47%、92.51%、96.67%和93.74%。相较于传统检测算法,该算法克服了上述干扰影响,在准确率等方面具有优势,且具有较快的识别速度。     

基于分形理论的水合物回波特征提取及分类识别

针对海底裸露块状天然气水合物的探测问题,为了能从超声回波中准确提取天然气水合物的特征信息并与其他海底沉积物的特征进行分类识别,提出基于分形理论的水合物分类识别方法。通过实验室超声探测装置获取各类海底沉积物样品和天然气水合物样品的回波信号,并利用分形理论对回波信号进行分析,提取不同海底底质的声学回波特征,然后利用分类算法对底质进行分类识别。利用概率神经网络对沉积物试样回波样本的原始广义维数谱及经过核Fisher判别分析法优化后的特征进行分类识别。研究结果表明：采用多重分形方法提取的不同海底底质的广义维数谱特征差异明显,可以达到区分天然气水合物和其他沉积物的目的;未经优化的原始广义维数谱的识别准确率约为68.8%,而采用降维优化处理后的识别准确率提高到82.3%,表明经降维优化后的核Fisher判别分析法对天然气水合物回波信号的识别具有较好的适应性和较高的准确率。     

基于特征的超声信号分类检测方法

超声检测技术在工业和科研领域得到广泛的应用。在恶劣的条件下,超声信号受到混响的干扰。传统的匹配滤波方法在这种情况下检测性能不理想。该文提出一种基于特征的检测方法,对接收信号进行分类再进行检测。该方法基于模式识别来区分是否存在回波。先利用Wigner-Ville分布和双谱提取信号的特征,然后进行主成分分析降低特征的维数,降维的特征向量送入有监督学习的分类器。实验表明,与传统的匹配滤波方法相比,该方法在-5dB的信混比时具有较好的检测性能。