[发明专利]一种基于深度学习的提高涡流检测金属缺陷准确率的方法

权利要求书

1.一种基于深度学习的提高涡流检测金属缺陷准确率的系统，其特征在于，采用多参数深度学习的信号处理与检测框架，多参数深度学习的信号处理与检测框架包括：电磁涡流信号系统、运动状态与提离高度传感系统、缺陷特征信号补偿模块和候选特征验证处理模块；

电磁涡流信号系统包括电磁信号的激励与接收系统、信号调理与调制解调电路，电磁涡流信号系统用于进行缺陷检测；运动状态与提离高度传感系统用于检测探头运动状态，并实时上传探头运动状态数据；缺陷特征信号补偿模块用于提取电磁信号特征、计算初步阻抗特性，将探头运动状态数据与提离高度传感数据输入到卷积神经网络，卷积神经网络对输入的数据进行数据特征提取；候选特征验证处理模块用于确保卷积神经网络输出的检测特征符合实际情况，并消除电磁信号数据干扰噪声信号带来的识别误差。

2.根据权利要求1所述基于深度学习的提高涡流检测金属缺陷准确率的系统，其特征在于：探头运动状态包括扫查速度、扫查倾角和实时提离距离。

3.一种如权利要求1所述基于深度学习的提高涡流检测金属缺陷准确率的系统的工作方法，其特征在于，包括以下步骤：

步骤1、对初始电磁涡流检测信号进行采集与预处理；对电磁涡流检测信号的预处理为：进行IQ解调产生幅频特性与相频特性数据，绘制经过IQ解调处理的波形特征图像；

步骤2、对系统运动状态信息进行采集与预处理，得到运动状态数据；

步骤3、通过基于LeNet-5的卷积神经网络对电磁涡流检测信号进行补偿处理，采用基于LeNet-5的卷积神经网络提取信号波形的特征，采用反向传播算法进行特征匹配，采用小波阈值滤波方法对匹配到的信号波形的特征进行验证，得到补偿结果；

步骤3.1、采用基于LeNet-5的卷积神经网络的编码体系得到编码后的特征图像；

步骤3.2、基于LeNet-5的卷积神经网络的解码体系对编码后的特征图像进行标记与解码，将分类后的特征图像迭代返回，得到分类后的输出特征图像；对图像进行升采样操作；

上式中，为升采样恢复后的图像元素，为编码后的特征图像元素，为升采样插值算法，为补偿权重系数；表示取复合运算；

步骤4、采用小波阈值滤波方法对步骤3.2升采样后的图像滤出误差点：

上式中，T为阈值大小，σ为小波系数，N为电磁涡流检测信号长度；确定阈值T后，将超过阈值的部分去除，得到特征验证区域模块的图像，并将系统的运动状态信息反馈到电磁涡流检测信号特征值中；小波阈值由电磁涡流检测信号决定；

步骤5、对LeNet-5的卷积神经网络进行参数训练，用HCM算法训练得到不同运动状态情况下的信号特征卷积核；假设电磁涡流检测信号样本有X＝{X_i|X_i∈R，i＝1，2，...，N}，将数据进行分类，利用矩阵u表示分类结果，U中的元素为u_il，具体为：

上式中，A_i表示不同情况下的标准识别信号，A₀-A₉为相同扫查速率和提离距离下，不同的扫查角度形成的缺陷信号；A₁₀-A₁₉为相同扫查速率和角度下，不同的提离距离形成的缺陷信号；A₂₀-A₃₁为相同提离距离和扫查角度下，不同的扫查速率形成的缺陷信号。

4.根据权利要求3所述基于深度学习的提高涡流检测金属缺陷准确率的系统的工作方法，其特征在于：步骤1中初始电磁涡流检测信号包括电磁涡流激励信号、被测物的感应信号；步骤2中对系统运动状态信息的采集与预处理操作包括：对六轴姿态传感器的读数、基于四元数的三轴速度运算、三轴欧拉角运算、红外距离检测读数与基本测距数据运算。