[发明专利]一种针对相控阵超声未熔合缺陷的特征提取与识别方法

说明书

本发明公开了一种针对相控阵超声未熔合缺陷的特征提取与识别方法，以奥林巴斯检测设备为主要对象，用相控阵超声数据的解析与存储算法、数据重构算法以及三维成像算法，使焊缝区域以及相应缺陷以三维图像形式呈现，并提取距离坡口的长度和夹角的数据作为特征参数，用支持向量机算法进行学习；本发明的有益效果是：特征值更易获取，针对未熔合缺陷的形态特征定义特征值，无需小波分解、时频变换等变换方法，效率更高；所需样本更少，针对焊缝相控阵超声目前还没有统一的公开数据集，同时焊缝所需训练样本实际上较难获得，因此选取SVM算法进行缺陷识别；准确率更高，所选特征值更具针对性，对未熔合缺陷的识别结果相比于其他文献中的准确率更高。

技术领域

本发明涉及电子信息技术领域，具体为一种针对相控阵超声未熔合缺陷的特征提取与识别方法。

背景技术

随着人工智能以及大数据技术的发展，工业上利用超声技术检测的方法正朝着自动化、智能化的方向发展。其中，相控阵超声作为无损检测领域中的新技术，具有检测灵敏度高、操作安全等优点，同时利用多角度扫查的特点，可将检测结果以三维形式显示，相关人员可直接根据图像等结果进行评判，极大级高了检测效率与准确性。

根据未熔合缺陷的纹理特征进行缺陷识别。纹理特征的表示方法有多种，其中灰度共生矩阵是一种常用的方法，它表示了像素的亮度分布以及相同亮度像素之间的位置分布特征。根据灰度共生矩阵可以提取出局部平稳性、回波能量值、对比度、熵值、相关性等特征。未熔合缺陷的特征表现为能量值较小、四个方向的相关性变化不大、方向性不强，而与焊缝中的未焊透缺陷特征较为相近。实验过程是通过计算检测缺陷与参考缺陷图像之间的关联度，得出检测缺陷的类别。由于焊缝中的未熔合与未焊透缺陷都是面积型缺陷，且提取出的纹理特征比较相近，因此识别结果会产生误判现象，使得最终识别率仅仅在71％左右，远没有达到工业生产的要求。

由于未熔合缺陷的回波幅值是与回波能量密切相关的，某种频带内信号能量的变化表征了缺陷的类型，当超声信号在介质中遇到缺陷时，具有不同边界的缺陷对超声信号的各个频率段的幅频以及相频特征都有不同程度的增强和抑制作用，从而不同缺陷在相同频带内的能量差别会很大。采用小波包分解的方法可以完整的将缺陷信号分解到独立频带内，有利于反应缺陷信号的本质和特性。同时，采用分形技术来检测不规则信号也是一种有效地方法。基于小波的分形提取出分形特征，作为焊缝中缺陷分类的又一重要特征。但是采用多种特征进行缺陷分类，通常由于所选特征较多，往往需要遗传算法、降维算法等对特征参数进行简化处理，这增加了识别的复杂度，降低了识别的效率。采用三层神经网络进行训练，通过调整网络参数，最终识别率达到75％作用，距离工业焊缝中缺陷自动判别的识别率要求还不足。采用支持向量机进行缺陷自动判别，最终对未熔合缺陷的识别率为85.7％，仍未达到工业上缺陷自动判读的准确率要求。焊缝中的未熔合缺陷以及未焊透缺陷的回波能量的分布比较相近，采用小波分解的方法提取特征值进行分类会导致这两种缺陷的误判比例较高。

发明内容

本发明的目的在于提供一种针对相控阵超声未熔合缺陷的特征提取与识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案，其步骤如下：

步骤一：使用奥林巴斯监测设备对待测试样进行扫描，并采用相控超声数据的解析与储存算法、数据重构算法以及三维成像算法共同计算并模拟建模，将焊缝区域以及相应缺陷以三维方式呈现；

步骤二：根据步骤一中的得到的三维模型，选取未熔合缺陷距离坡口的长度和夹角作为识别缺陷的特征参数；

步骤三：人工选取步骤二中得到的未熔合的试样的特征参数以及不是未熔合试样的特征参数，按照7:2:1的比例分成训练集、验证集、测试集，并采用支持向量机(SVM)算法进行学习识别。

作为本发明的一种优选技术方案，所述步骤二中未熔合缺陷距离坡口的长度即未熔合缺陷靠近坡口的一侧距离坡口的距离信息。