一种基于分数阶小波变换的钢板内表面缺陷识别方法与流程

技术特征：
1.一种基于分数阶小波变换的钢板内表面缺陷识别方法，钢板内表面缺陷包括缺陷形状和深度，其特征在于，利用超声检测系统对钢板进行检测，得到超声检测信号，将所得超声检测信号输入缺陷识别模型得到识别结果，具体内容如下：步骤一：采集和存储多处不同形状、深度缺陷的超声检测信号；步骤二：对得到的超声检测信号进行分数阶傅里叶变换分解；步骤三：利用类间类内距离比作为鸡群算法的适应度函数，设定鸡群算法各种群的数量以及迭代次数，根据相应的位置更新公式对分数阶傅里叶变换的最优阶次进行确定；步骤四：将最优阶次下的分数阶傅里叶变换结果进行小波变换，并计算相应的能量占比作为特征值；步骤五：将得到的特征值输入随机森林分类模型进行训练与测试，验证本方法的可行性。2.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法，其特征在于，所述超声检测系统由超声激发接收电路、fpga控制芯片、a/d转换电路、数据采集存储电路组成。3.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法，其特征在于，利用分数阶傅里叶变换与小波变换相结合得到超声检测信号的表达式；步骤一：将传统傅里叶变换定义为在超声检测信号空间中存在的连续线性算子，该算子所对应的特征方程如下：（1）传统傅里叶变换所对应的特征值为，其特征函数为hermite
‑
gauss函数，其中为n阶hermite 多项式，表达式为：
ꢀꢀꢀꢀ
（2）步骤二：令作为傅里叶变换中特征值为的特征函数，表示为hermite
‑
gauss函数，同时作为构成有限信号空间的特征函数，则分数阶傅里叶变换定义为线性函数，且满足式（3）：（3）有限能量函数展开为傅里叶变换特征函数的线性叠加，其表达式为式（4）：
ꢀꢀꢀꢀ
（4）其中，将上式代入式（3）得到分数阶傅里叶变换核函数的频谱展开：
ꢀꢀ
（5）hermite
‑
gauss函数须得满足：
ꢀꢀꢀ
（6）
ꢀꢀꢀ
（7）其中，由上式可知当时，分数阶傅里叶变换变为传统傅里叶变换，同时用核函数的形式表示分数阶傅里叶变换，即：
ꢀꢀ
（8）步骤三：根据步骤二分数阶傅里叶变换的表达式对采集得到的钢板内表面超声检测信号进行特定阶次下处理，再利用小波变换对处理后的信号进行分解，完成对钢板内表面超声检测信号的分数阶小波分解，分解计算式如下：
ꢀꢀꢀ
（9）上式中，为变换阶次，限制变换阶次的范围为0到2；为小波基函数，代表分数阶小波变换核函数，表达形式为：
ꢀꢀ
（10）则为n阶hermite多项式，超声检测原始信号的重构表达式为：（11）。4.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法，其特征在于，利用类间类内距离比作为鸡群算法的适应度函数对分数阶小波变换的最佳阶次进行搜寻，具体步骤如下：步骤一：初始化鸡群算法中种群的总数量，公鸡的数量为，母鸡的总数量为，与小鸡有母子关系的母鸡数量为，小鸡的数量为，迭代次数g；步骤二：确定鸡群内所有个体的初始适应度值，寻找当前条件下的最优适应度值，适应度函数如下：
（12）
ꢀꢀ
（13）
ꢀꢀ
（14）
ꢀꢀꢀ
（15）
ꢀꢀꢀ
（16）其中上式中s表示所求的类间类内距离比；表示第i类样本集的均值向量；表示所有各类的样本集总平均向量；表示先验概率；步骤三：判断是否需要更新鸡群的社会等级关系，若需要则根据不同类型个体的要求进行更新，再执行步骤四；若不需要执行更新，则直接执行步骤四；步骤四：根据不同类型个体的位置更新方式计算下一时刻各个个体的位置，同时计算其适应度值，各个体位置更新方法如下：小鸡是整个鸡群中觅食能力最差的类型，其只能跟随与自己有母子关系的母鸡觅食，其位置更新方式如下：
ꢀꢀ
（17）其中，、分别第j个种群中代表小鸡与其具有母子关系的母鸡，是0到2之间的随机数，表示小鸡在母鸡周围觅食的范围距离；公鸡在整个种群中占据支配地位，对食物的搜寻能力更强、范围更广，具有更好的适应值，其位置更新方式如下：
ꢀꢀꢀ
（18）
ꢀꢀꢀ
（19）在上式中，表示为均值为0，标准差为的高斯分布函数，表示各个个体的适应度，代表着相应的觅食能力；是指鸡群中不为的随机个体，为迭代次数；母鸡在整个鸡群的觅食过程中受到该子群公鸡的约束，且与子群内其他个体之间存在竞争关系，相应的位置更新公式如下：
ꢀꢀ
（20）其中，表示0到1之间的随机数，是在该子群中对应的公鸡，是除该子群内
母鸡以外任意一母鸡个体；和表示母鸡位置的学习因子，表示与子群内公鸡和其他母鸡之间的关系，计算公式如下：
ꢀꢀꢀꢀꢀ
（21）步骤五：更新鸡群内最佳适应度值；步骤六：若达到最大迭代次数或者达到规定精度，则输出最优值，即得到最优阶次，否则执行步骤三。5.根据权利要求1所述的一种基于分数阶小波变换的钢板内表面缺陷识别方法，其特征在于，利用分数阶小波变换得到的信号分量能量占比作为特征值代入随机森林分类模型进行训练和测试，具体步骤如下：步骤一：利用bagging算法对能量占比集d进行有放回随机抽取，得到k组数据子集；步骤二：随机选择子数据集中的个特征作为决策树的输入进行训练；步骤三：多次重复步骤二，选择最优的随机特征子空间，作为最优属性节点进行培养决策树，同时不对决策树进行剪枝；步骤四：结合所有生成的决策树形成随机森林分类模型，利用多数服从少数的原则对分类结果进行判定输出。

技术总结
本发明公开了一种基于分数阶小波变换的钢板内表面缺陷识别方法，以利用信号处理方法提高对钢板内表面缺陷形状、深度的检测准确率，首先通过相关传感器对钢板内表面缺陷的超声检测信号进行采集和存储，对得到的相关信号进行分数阶傅里叶变换，利用类间类内距离比作为适应度函数，通过鸡群算法对最优适应度值进行搜寻从而实现对分数阶傅里叶变换的最优阶次选取，接下来将处理得到的信号进行小波变换，将分解得到的各分量能量占比作为特征向量矩阵，利用随机森林分类模型对进行测试样本集进行测试，结果表明该发明能够有效地对钢板内表面缺陷的形状和深度进行识别。表面缺陷的形状和深度进行识别。表面缺陷的形状和深度进行识别。


技术研发人员：韦明辉 江丽霞 涂凤秒 姜蓬勃
受保护的技术使用者：西南石油大学
技术研发日：2021.07.31
技术公布日：2021/10/23