混凝土缺陷智能化快速检测与定量识别技术研究

针对目前混凝土缺陷无损检测技术的不足及相关模型实验研究十分缺乏的现状,结合实际工程中混凝土结构常见的质量缺陷,制作了一系列含有不同类型、性质缺陷及无缺陷的混凝土模型试件,开展了基于先进的信号处理技术和人工智能技术的混凝土缺陷无损检测的模型实验研究。针对冲击回波测试信号非稳态的复杂特性,应用小波变换技术有效地提取了缺陷信号的特征值;并应用极限学习机(ELM)作为分类模型,由此在理论分析和模型试验的基础上,建立了基于小波分析和极限学习机的混凝土缺陷智能化快速检测与定量分类识别系统。结果表明:该系统具有较好的分类识别性能,初步实现了对混凝土缺陷类型、性质和范围的智能化快速定量识别与评价,极大地提高了混凝土缺陷检测与评估的速度及精度。     

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.     

基于多分辨率分析的砼内缺陷超声检测

利用多尺度小波变换方法,对经过混凝土内部缺陷的超声接收信号进行多分辨率分析。根据对在不同混凝土试件中传播的超声接收波的分析和实验结果,提出了一种新的能够表征混凝土内部缺陷的特征参数。     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

用小波变换和神经网络检测心室晚电位

提出了一种基于小波变换和神经网络的晚电位时域检测改进方法 .对矢量幅值波进行连续小波变换 ,然后从矢量幅值波的时频能量分布中提取心室晚电位的 8个特征值 ,送入人工神经网络进行晚电位的自动检测 .实验结果表明 :这种检测方法可有效降低噪声影响 ,提高心室晚电位的检测准确率 .     

基于小波包变换的超声回波信号特征提取

超声检测技术中,缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法,并对实测的超声缺陷回波信号进行了特征提取;进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明:该方法提取的缺陷回波信号特征值,其可分性测度均值达91.7%,从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。     

用小变换和神经网络检测心室晚电位

提出了一种基于小波变换和神经网络的晚电位时域检测改进方法。对矢量幅值波进行连续小波变换,然后从矢量幅值波的时频能量分布中提取心室晚电位的８个特征值,送入人工神经网络进行晚电位的自动检测。实验结果表明：这种检测方法可有效降低噪声影响,提高心室晚电位的检测准确率。     

基于小波神经网络的抽油杆缺陷识别

为了正确识别深井泵抽油系统中抽油杆杆体的缺陷以减少油杆井下断裂等事故的发生,讨论了应用小波变换和神经网络技术进行缺陷识别的方法.使用小波与神经网络松散型结合的方法,基于小波包原理,将抽油杆的时域检测信号分解到独立的频带内,应用自适应学习速率梯度下降动量法的BP网络,将提取的频带能量作为神经网络输入,抽油杆的裂纹、腐蚀坑、偏磨、损伤及无缺陷作为神经网络待识别输出.经过实验室大量的实验数据训练和验证,结果表明,此种方法既可以正确识别抽油杆的单一缺陷,也可以识别混合缺陷.     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。