基于模糊平面特征的超声无损检测回波信号分类方法

文档序号:6127578

专利名称::基于模糊平面特征的超声无损检测回波信号分类方法
技术领域
:本发明属于信号处理
技术领域
,具体涉及一种超声无损检测信号分类方法。(二)
背景技术
:超声波在物体中传播时,总是携带着表征物体物理性能的各种信息。超声无损检测是利用超声波在被检工件中的传播、反射、折射、衰减、波形转换等各种传播特性来分析和评价材料内部的结构状态,因此对超声回波信号的识别和评价是超声检测的关键。由普通超声波探伤仪检测的回波信号可以判断出被检工件是否存在缺陷,但较难准确估计缺陷的形状和大小等,从而难以对缺陷进行定性和定量分析。从工业应用角度出发,这些问题亟待解决。超声检测中的缺陷回波信号可以认为是由宽带脉冲在换能器的中心频率处调制而成的,是时变的非平稳信号。传统的时域或频域信号处理方法没有充分利用超声信号所携带的信息,对检测精度和可靠性的提高能力有限。而时频分析技术能在时频平面内同时显示信号的时间和频率特征,使超声信号中所包含的有价值的信息更充分地显示出来,从而更有利于对检测结果的解释。时频分析的基本思想是设计时间和频率的联合函数,用它同时描述信号在不同时间和频率的能量密度或强度,它将一维的时间信号映射到一个二维的时频平面,反映了信号的时域、频域特征,给出了信号的频率和时间的对应关系,既能够知道信号含有的频率分量,也能够知道各频率分量出现的时间。目前,在使用时频分析技术进行超声信号的缺陷检测和识别时,小波变换是最常使用的时频方法,可以把小波变换系数直接用来分类,此时特征维数很大,分类器的泛化能力不好;也可以对小波系数进行阈值处理,然后提取出不同层数的统计信息作为信号特征,此时得到的特征维数较少,但是要解决合适的阈值选取问题。除了小波变换外,其它利用时频信息的缺陷识别方法大多只是利用时频平面的原始信息,对时频平面的特征提取研究较少。此外,超声检测时,探头频率的选择与检测材料、工件厚度、分辨率、缺陷深度和缺陷方向等因素有关,为了获得被测对象更多的信息,通常要使用不同频率的探头进行检测;不同深度、方向和形状的缺陷,其反射回波的到达时间通常是不同的,因此,在对超声回波信号进行缺陷识别和分类时,为避免回波信号的中心频率和回波到达时间对回波特征的影响,在特征提取之前,大都需要对回波信号进行频率转换和时间对准预处理。时间对准通常是通过波形移位使缺陷回波的第一个最小值的位置相同,频率转换通常是通过插值和抽取将不同中心频率的信号转移到一个参考频率上,这种预处理的方法很容易受噪声的影响,并且实际应用中探头的实际工作频率和标称频率存在一定误差,更换探头,这种误差会更加明显,很难通过插值和抽取实现精确的变换。总之,目前已有的超声无损检测回波信号分类方法受到不同缺陷回波信号的到达时间和检测时探头中心频率的影响,无法准确进行特征提取。
发明内容本发明的目的在于提供一种可以提供充分的时频信息,又能利用其时移不变性、频移不变性、对称性等性质来简化信号的预处理并减少计算量的超声回波信号分类的方法。本发明是通过以下技术方案实现的首先利用希尔伯特变换将超声无损检测的射频回波信号转换为解析信号;然后求出解析信号的模糊函数,得到超声信号的模糊域表示;用K-L变换将超声信号的模糊函数映射到新的低维特征空间,对训练集样本的模糊函数进行特征提取,得到新的低维特征空间的正交基向量;最后用矩阵变换求出待识别样本在新的低维特征空间的投影作为特征,用统计识别或神经网络识别方法实现超声信号分类。以下对本发明作进一步的说明,包括如下步骤第一步,求超声信号的希尔伯特变换,得到解析信号。由于解析信号的频谱只存在正频率,可以抑制时频分布中由负频率引起的交叉项。第二步,求解析超声信号的模糊函数。用模糊函数表示超声信号时,模糊函数的时移不变性使得到达时间不同的回波信号具有相同的模糊函数的模,因此,提取模糊域特征时不需要再对回波信号做时间对准处理;模糊函数的频移不变性表明,中心频率不同的回波信号具有相同的模糊函数的模,因此,在对不同中心频率探头得到的回波信号进行模糊域表示时,可以直接去除信号中心频率的影响,提取模糊域特征时不需要再进行频率转换;模糊函数的对称性允许在提取回波信号的模糊域特征时,可以只考虑半个模糊平面,这样既不会丢失信息,又能够降低计算量。第三步,针对训练集样本,用K-L变换将超声信号的模糊函数映射到低维特征空间。设x"表示第/类的第7个样本,如果信号x"的长度为W,则其模糊函数是一个7VxiV维矩阵,将x"的模糊函数矩阵排成一个A^xl的列向量,并用i,表示,这样i「就构成了iVH隹空间的原始特征向量;确定K-L变换产生矩阵后,对iV2维空间的原始特征进行K-L变换,就可得到维数较低的新的低维特征空间。K-L变换是一种基于目标统计特性的最佳正交变换。利用K-L变换方法提取信号的模糊平面的特征,能够将模糊平面特征映射到有利于信号分类的一组正交基上,这种方法对模糊平面内各点的概率密度函数的特性没有特殊要求,又能实现有效的特征降维。第四步,用矩阵变换实现待识别样本的特征提取。首先计算待识别样本的模糊函数,并把模糊函数转换成A^xl维向量,然后进行矩阵变换,其中每个基向量为iV、l维,提取出待识别样本的特征。第五步,用统计识别或神经网络识别方法实现超声信号分类。本发明的有益效果有1、利用模糊函数的模具有对时移和频移不敏感的特性,用其表示超声信号,既可以提供回波信号的时频信息,又可以避免在特征提取前要对回波信号进行频率转换和时间对准预处理的问题;2、通过K-L变换方法提取模糊平面特征,能大大降低特征维数,并具有很强的抗噪性能,为超声信号识别提供有效的特征。本发明针对现有超声信号分类方法存在的不足,采用模糊函数表示超声信号,并利用K-L变换实现模糊平面特征提取,能将模糊函数映射到有利于信号分类的低维空间中,并且具有很好的抗噪性。(四)图1-图4为缺陷回波信号和噪声的模糊域表示示意图;其中,图1为平底孔回波信号的模糊域表示示意图,图2为旁通孔回波信号的模糊域表示示意图,图3为晶粒噪声的模糊域表示示意图,图4为高斯白噪声的模糊域表示示意图5为基于K-L变换方法的模糊平面特征提取框图。具体实施方式下面结合附图和具体实施例对本发明作进一步描述第一步,求超声信号的希尔伯特变换,得到解析信号。将超声射频信号作为实部,将射频信号的希尔伯特变换作为虚部,得到复的解析信号。希尔伯特变换定义为<formula>formulaseeoriginaldocumentpage5</formula>第二步,求解析超声信号的模糊函数。模糊函数也是一种时频分布函数,定义为瞬时自相关函数关于时间^的傅立叶逆变换W(r,v)=「、(0—&(2)其中,i,(/,r)=z(>+i)z'0-i),为瞬时自相关函数。模糊函数将信号变换到时延-频偏平面,可以解释为时频联合域的自相关函数。图l给出了两种人工缺陷(旁通孔和平底孔)回波信号及超声检测中的两种常见噪声(晶粒噪声和高斯白噪声)的模糊域表示(模糊函数的模)。结合图l,缺陷回波信号的模糊函数的能量主要聚集在原点附近,并且两种缺陷回波的模糊函数也表现出不同的特征;高斯白噪声对应的模糊函数的能量散布在整个模糊平面内,与缺陷回波模糊函数的能量分布差别非常明显;晶粒噪声的模糊函数的能量在模糊平面内也比较分散,并且模糊函数在时延轴上表现出很强的相关性,与缺陷回波的模糊函数相比,也存在明显差别。第三步,用K-L变换将超声信号的模糊函数映射到低维特征空间。设xf表示第/类的第y个样本,如果信号x"的长度为见则其模糊函数是一个iVxiV维矩阵。将x^的模糊函数矩阵排成一个A^xl的列向量,并用i^表示,这样《"就构成了iV2维空间的原始特征向量。确定K-L变换产生矩阵后,对iV2维空间的原始特征进行K-L变换,就可得到维数较低的特征空间。离散度矩阵的维数为iV、A^维,一般来说,直接求A^xA^矩阵的特征值和特征向量比较困难,此时,可以利用奇异值分解来得到离散度矩阵的特征值和特征向量。第四步,用矩阵变换实现待识别样本的特征提取。根据训练集得到变换矩阵的正交基后,可直接用其提取待识别样本的特征。图2给出了待识别样本的特征提取框图。在提取待识别样本时,要先计算待识别样本的模糊函数,并把模糊函数转换成7V2xl维向量,然后才能进行矩阵变换(每个基向量为7V2xl维)提取出样本的特征。如果考虑到缺陷信息主要聚集在模糊平面的原点附近以及模糊函数的对称性问题,可对模糊平面特征提取的区域进一步縮小,以减少计算量和存储空间。第五步,超声信号的分类——实验与分析。为验证信号模糊平面特征对超声信号识别的优势,将其与小波变换方法提取的特征的分类结果进行了比较。由于小波变换方法会受到信号中心频率差异的影响,因此,在小波变换特征提取之前要对回波信号做频率转换预处理,而模糊平面特征提取时没有对回波信号做频率转换预处理。表1列出了训练集和测试集的组成情况。训练集和测试集各包含3类信号(旁通孔回波信号、平底孔回波信号、晶粒噪声),每类有80个己知类别的样本。被测对象为一个含有电子束焊缝的铜块,在铜块的焊缝区域内外,人工制造了两种缺陷平底孔和旁通孔。检测时,探头中心频率分别为4.83MHz和2.26MHz。对采集到的超声信号分别提取出人工缺陷附近的一段,并在提取时故意使同一缺陷不同次采集得到的回波信号的到达时间不同。噪声信号是在不含缺陷回波的实际检测信号中截取出的一段信号,主要是由晶粒噪声组成。每个信号长度为256点,采样间隔为0.02ns。训练集中大部分信号是由中心频率为2.26MHz的探头采集的,由于不同中心频率的探头包含的信息会稍有不同,因此,在训练集中还包含了几个中心频率为4.83MHz探头采集的信号。测试集中两种中心频率的回波信号各占一半。所有信号在特征提取前都进行了归一化处理,为避免超声检测时因增益或其它检测参数设置的不同所引起的回波幅值及均值的差异。表1训练集和测试集的组成<table>tableseeoriginaldocumentpage7</column></row><table>表2为用小波变换提取的特征和K-L变换方法提取的特征对表1所示的测试集中样本分类的结果。小波变换特征提取时,选用DB4小波,分解层数为4,选择2-4层的细节小波系数的均值、幅值均方、标准差作为特征。K-L变换的产生矩阵为类间离散度矩阵,提取的特征数为2。分类器采用概率神经网络分类器,网络参数由实验选取。由表2可以看出两种特征提取方法对旁通孔的分类结果都较好。与小波变换提取的特征的分类结果相比,K-L变换方法提取的特征的分类正确率更高,并且所需的特征维数也很少。表2中还列出了对测试集中中心频率分别为4.83MHz和2.26MHz的回波信号的分类正确率情况。由分类结果可以看出,尽管训练集中大都是由2.26MHz探头采集的回波信号,K-L变换方法提取的特征对4.83MHz探头采集的回波信号也能得到很好的识别。小波变换提取的特征对2.26MHz中心频率信号的分类结果要明显优于对4.83MHz中心频率的信号的分类结果,而基于K-L变换提取特征对两种缺陷分类的性能差距较小,这说明尽管采用了频率不变性预处理,小波变换提取特征的分类性能依然要比K-L变换提取的模糊平面的性能差。如果训练集中样本主要是4.83MHz探头采集的回波信号,而测试集不变,也可以得到相似的结果。综上所述,用模糊函数表示超声信号,可利用其时移不变性、频移不变性、对称性等性质来简化信号的预处理并减少计算量,通过K-L变换方法提取的模糊平面特征,能大大降低特征维数,为超声信号识别提供了有效的特征。表2用K-L变换和小波变换方法提取的特征的分类结果<table>tableseeoriginaldocumentpage8</column></row><table>权利要求1、一种基于模糊平面特征的超声无损检测回波信号分类方法,其特征在于,首先利用希尔伯特变换将超声无损检测的射频回波信号转换为解析信号;然后求出解析信号的模糊函数,得到超声信号的模糊域表示;用K-L变换将超声信号的模糊函数映射到新的低维特征空间,对训练集样本的模糊函数进行特征提取,得到新的低维特征空间的正交基向量;最后用矩阵变换求出待识别样本在新的低维特征空间的投影作为特征,用统计识别或神经网络识别方法实现超声信号分类。2、根据权利要求1所述的基于模糊平面特征的超声无损检测回波信号分类方法,其特征在于所述的用K-L变换将超声信号的模糊函数映射到低维特征空间的步骤为设《)表示第/类的第7个样本,如果信号JC,的长度为7V,则其模糊函数是一个A^AA维矩阵,将x"的模糊函数矩阵排成一个iV、l的列向量,并用i,表示,这样i广就构成了i^维空间的原始特征向量;确定K-L变换产生矩阵后,对A^维空间的原始特征进行K-L变换,就可得到维数较低的新的低维特征空间。3、根据权利要求1或2所述的基于模糊平面特征的超声无损检测回波信号分类方法,其特征在于所述的用矩阵变换实现待识别样本的特征提取的步骤为先计算待识别样本的模糊函数,并把模糊函数转换成iV、l维向量,然后进行矩阵变换,其中每个基向量为iV、l维,提取出待识别样本的特征。全文摘要本发明涉及一种基于模糊平面特征的超声无损检测回波信号分类方法,首先求超声信号的希尔伯特变换,得到解析信号;然后求解析超声信号的模糊函数;最后针对训练集样本,用K-L变换将超声信号的模糊函数映射到低维特征空间。本发明采用基于模糊函数的模的时移和频移不变性的回波信号分类方法,可以解决特征提取时的预处理方法存在的问题,克服不同缺陷回波信号的到达时间和检测时探头中心频率对特征提取的影响。本发明具有很好的抗噪性,分类效果好,有着广泛的应用前景。文档编号G01N29/36GK101109732SQ200710072628公开日2008年1月23日申请日期2007年8月8日优先权日2007年8月8日发明者杜秀丽,毅沈,艳王申请人:哈尔滨工业大学
再多了解一些
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1