一种基于多值域特征分类的钢板缺陷超声检测与识别方法

1.本发明涉及无损检测技术领域，具体涉及一种基于多值域特征分类的钢板缺陷超声检测与识别方法。


背景技术：

2.钢板作为工业不可或缺的原材料已被广泛应用到国民生产的各个领域。然而在实际生产中，钢板会受到来自巨大冲击力、压力、温度等诸多因素影响，导致钢板内部出现裂纹、夹杂、气孔等缺陷，对钢板可靠性构成威胁。由于钢板体积较大，传统的人工检测方式检测效率低且易出现漏检，更重要的是在实际工程应用中对钢板的检测要求不仅仅是检出缺陷的位置，而是需要准确观察缺陷形貌并且通过自动判别缺陷的类型来分析工程质量问题。无损检测技术是现在工业检测必不可少的检测方法，在各种无损检测技术中，超声检测以其成本低、适用范围广以及对缺陷的定位准确等优点，成为无损检测领域最常用方法。
3.超声与缺陷的散射信号的时域以及频谱分布携带了缺陷的重要信息，但它们长期处在非均匀状态，以及缺陷反射界面的复杂与不确定性，在检测中发现缺陷回波信息的重要特性参量往往是非常困难的，容易导致漏查，从而导致钢板安全性与可靠性下降。因此，如何从复杂的检测信号中深度挖掘缺陷信息特征，分析特征参数与缺陷类型之间的关系，建立有效的分类模型，实现对不同钢板缺陷类别的有效识别是有必要解决的问题。


技术实现要素：

4.本发明的目的在于提供一种基于多值域特征分类的钢板缺陷超声检测与识别方法，以解决上述背景技术中提出的现有技术中存在的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于多值域特征分类的钢板缺陷超声检测与识别方法，其特征在于，包括以下步骤：
7.s1：建立超声自动扫查检测系统，对钢板进行大面积快速扫查；
8.s2：基于瞬时频域均值曲线优化变分模态分解vmd算法对缺陷回波信号进行分解，以提高缺陷信号信噪比，为后续缺陷信号特征提取与分类识别提供有效数据源；
9.s3：对缺陷信号添加不同程度的高斯白噪声的方式模拟实际生产环境中信号与不同程度结构噪声下信号；
10.s4：基于时域和时频域信息进行多值域特征提取和筛选，通过pca聚类分析和对比，得到最佳的多值域特征向量组合方式；
11.s5：将特征提取后的各样本按4：1的比例分为训练集和测试集，将训练集作为分类器的输入svm分类器，并基于粒子群优化和五折交叉验证对分类模型进行参数寻优，获得最优分类模型；
12.s6：将测试集输入进行分类预测，实现不同信噪比下不同类型钢板缺陷的准确分类。
13.所述步骤s1具体包括：在检测系统中，选择频率为5mhz直径为10mm的窄脉冲单晶直探头作为检测探头，使用3个纵波直探头间距为4cm均匀排列，扫描方式选择沿板长方向的纵向列线扫描，往复运动，每只纵波直探头负责扫查4cm宽度的区域。
14.所述步骤s2具体包括：通过计算信噪比与自相关系数，来评价所述vmd分解的效果，筛选出最优imf分量，信噪比的公式如下：
[0015][0016]
式中，a为纵波信号的最大幅值，b为局部噪声幅值的平均值；
[0017]
自相关系数的公式如下：
[0018][0019]
式中，x是imf分量信号，y是原始信号。
[0020]
所述步骤s3具体包括：通过分析分量信号的瞬时频率均值曲线进而优化分解层数k，将信号分别以不同k值进行分解，k值范围选择由1取到9，分别绘制不同k值下的瞬时频率均值曲线，通过观察瞬时频率均值曲线变化规律来找到最佳的分解层数k。
[0021]
所述步骤s3还包括：对钢板的检测信号进行不同白噪声的叠加，加入噪声后使其信噪比分别为3db、5db、10db。
[0022]
所述步骤s4中具体包括：结合频域分析提取特征值，选择中心频率、频率均方根、频率标准差、小波包分解后各频率自带小波能量比、小波包分解后各子带熵，小波奇异熵为频域特征值，每个样本的能量特征向量为：
[0023][0024]
其中，ei为第j层第n个结点的能量，m代表子频带的总个数，e
sum
为信号总能量，再利用各子频带能量值选择有效频带，提取有效频带对应的小波包能量熵fi作为特征参数，即：
[0025]
求取每一个小波包分解后，各子频带能量值与总能量值的比值pi，挑选总能量比值98％以上的子频带；
[0026][0027]
求有效k个子频带的小波包能量熵特征；
[0028]fi
＝-sum(pi·
log(pi))
[0029]
获得每个样本的小波包能量熵特征向量f；
[0030]
f＝[f1,f2,
……
,f
m-1
,fm]
[0031]
通过对时频域特征的组合，进一步分别通过pca进行特征向量的降维处理，提取贡献率大于90％的投影值并且取前三个主元，分别为pca1、pca2、pca3，这三个投影值重组就作为样本特征参数，并通过聚类效果对比哪一种组合特征情况下，聚类效果最好，则作为最终分类的样本特征参数。
[0032]
所述步骤s5中具体包括：样本按4：1的比例分为训练集和测试集，将训练集通过
pso结合五折交叉验证来确定最优的svm分类模型的参数，即把不同信噪比下，pca降维前的特征向量样本与pca降维后信号分别用于pso参数寻优将pso每个粒子搜集到的参数组合输入交叉验证，迭代过程中取交叉验证准确率作为适应度值，最终得到准确率最高的适应度值对应的svm参数；
[0033]
为对比分类效果，将降维前和降维后的样本分别输入到未优化的svm分类器与pso-svm分类器中进行分类预测，重复上述参数寻优与分类预测20次，得到20次平均识别率，验证pso-svm的有效性，实现不同信噪比下不同类型钢板裂纹的准确分类。
[0034]
与现有技术相比，本发明的有益效果是：
[0035]
1、本发明提出的信号处理方法可以提高缺陷信号信噪比，为后续缺陷信号特征提取与分类识别提供了有效数据源，且提出的多值域特征可有效建立与不同类型钢板缺陷的关系，最终结合pso-svm实现不同信噪比下不同类型钢板缺陷的准确分类，该方法对于大型钢板的在线自动超声检测与评估具有重要的意义。
[0036]
2、本发明通过建立了超声自动扫查系统，并设计了扫描方式和探头的位置分布，可实现钢板的大面积快速扫查，提高了对钢板缺陷检测的效率。
附图说明
[0037]
图1为本发明中实验系统的结构示意图。
[0038]
图2为本发明中试件的外形和缺陷尺寸示意图。
[0039]
图3为本发明中系统中探头布置与扫描方式图。
[0040]
图4为本发明中平底孔缺陷原始a扫信号。
[0041]
图5为本发明中不同k值下vmd分解后瞬时频率均值。
[0042]
图6为本发明中平底孔缺陷信号分解后的结果图。
[0043]
图7为本发明中加入噪声后不同信噪比的平底孔缺陷信号图。
[0044]
图8为本发明中时频域特征的频带分布图。
[0045]
图9为本发明中四种不同特征特征参数组合对应的pca聚类三维可视化图。
[0046]
图10为本发明中pso-svm模型构建流程示意图。
[0047]
图11为本发明中各信号的pso寻优适应度曲线图。
[0048]
图12为本发明中各信号的分类结果图。
[0049]
图13为本发明中检测识别流程示意图。
具体实施方式
[0050]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0051]
请参阅图1-13，本发明提供一种技术方案：
[0052]
一种基于多值域特征分类的钢板缺陷超声检测与识别方法，结合图1所示的激光超声实验系统对图2所示的试件进行实验。
[0053]
s1：采集不同类型钢板缺陷的超声信号；
[0054]
自动扫查实验系统包括：被测工件、多通道自动超声探伤仪、三维扫查架、步进电机及驱动器、探头等，软件系统负责控制步进电机驱动扫查架对钢板进行检测、步进电机与
上位机的通信，上位机处理分析并显示采集卡采集到的a扫描数据，主要包含多通道超声数字探伤仪终端软件、上位机与单片机的通信软件。
[0055]
如图2所示，被检测钢板的厚度为20mm的5号钢，长度为85cm宽度32cm，在表面加工了平底孔、裂纹和无损状态作为缺陷类型进行研究，其中不同直径的平底孔缺陷和裂纹缺陷各4个，平底孔分直径分别为2mm、3mm、5mm、6mm，深度10mm，裂纹长度4mm、6mm、8mm、10mm，宽度1mm。
[0056]
检测系统中，选择频率为5mhz直径为10mm的窄脉冲单晶直探头作为检测探头，使用3个纵波直探头间距为4cm均匀排列，系统利用单片机定时器t0、t1中断生成的pwm脉冲信号，通过改变脉冲频率与步距角控制扫查速度，扫描方式选择沿板长方向的纵向列线扫描，往复运动，每只纵波直探头负责扫查4cm宽度的区域，每种缺陷和无缺陷时各采集100组数据，其中每种尺寸缺陷各25组，共计300组；如图3所示，在实际生产环境中，当探头阵列较多时，纵向阵列扫描所需要的探头数量少于横向阵列扫描，并且覆盖率大于摆动扫描，对可靠性要求更高的钢板具有很强的适用性，也拥有较好的检测效率。
[0057]
s2：对信号进行基于瞬时频域均值曲线优化的vmd分解；
[0058]
将信号分别以不同k值进行分解，k值范围选择由1取到9，分别绘制不同k值下的瞬时频率均值曲线，通过观察瞬时频率均值曲线变化规律来找到最佳的分解层数k，本发明选择以瞬时频率均值曲线下降规律变化不明显时的k值为最优分解层数k，以深度为10mm、直径为6mm的平底孔为例，其a扫时域图如图4所示，对其k值分别为1-9进行vmd分解，观察不同分解个数下的瞬时频率均值曲线变化规律，图5为分解个数不同的情况下(个数分别为1-9时的)瞬时频率均值，横轴为分解各个分量(分解个数)，纵轴为各状态下分量瞬时频率均值。
[0059]
观察图5曲线特征，通过观察瞬时频率均值下降趋势，来分析k值的选择，随着分解分量个数提升，瞬时频率均值整体呈下降趋势，表示原始信号因分解数量过大，高频部分开始陆续出现断断续续现象，导致瞬时频率均值下降；可以看到分解个数为1-4时，瞬时频率均值下降较快，从0.4降至0.1，说明此时分解个数不够导致中间部分的分量信息未能体现，只有低频和高频分量特征，在分解个数为5时，曲线首次下降至0.3后以不同斜率下降至0.1，此时说明不同频率分量在分解中都能体现；从图中可以看出，首次出现非同一较大斜率下降的分解层数k为5，表示此时为临界分解层数，在实际实验中，可以通过在最佳临界k值和k-1的分解层数分别进行信号比较，通过分析实验所需信号所处的频带和分解结果，筛选出最佳k值，选择k值为5进行vmd分解。
[0060]
在找到最佳分解层数k后，对缺陷信号进行vmd分解，图6为分解后的结果，可以从图中看出分解过后将得到5个不同频率范围的分量imf，对比imf分量与原始信号snr和c，进而筛选出有效分量进行重构，从vmd分解的结果中分析得出，其中imf1与原始信号最相似，且imf1分量的能量集中在0-5mhz，与研究所需要的超声波纵波信号的频率一致。
[0061]
接着通过计算信噪比与自相关系数，来评价vmd分解的效果，筛选出最优imf分量，信噪比与自相关系数的公式如下：
[0062][0063]
式中，a为纵波信号的最大幅值，b为局部噪声幅值的平均值；
[0064][0065]
式中，x是imf分量信号，y是原始信号，经过计算，两种信号信噪比如表1所示，相关系数如表2所示，可以看出，经vmd分解后，imf1分量信噪比达到最大，且imf1分量的c值最大，因此，本文选择了所有信号的imf1分量用于后续分析。
[0066]
表1原始信号与各个分量的信噪比
[0067][0068]
表2各个分量与原始信号的相关系数
[0069][0070]
s3：对缺陷信号添加不同程度的高斯白噪声；
[0071]
考虑到实际生产环境中，钢板的检测信号会受到诸多因素影响，所得到的信号中有不同程度的噪声，并且材料的结构噪声模型近似为高斯白噪声，对上述处理后的信号进行不同白噪声的叠加，加入噪声后使其信噪比分别为3db、5db、10db，如图7所示，从上至下图7(a)为原信号，图7(b)为添加的白噪声信号，图7(c)为叠加过后的信号。
[0072]
s4：基于时域和时频域信息进行多值域特征提取；
[0073]
为了尽可能少的遗漏不同缺陷的信号特征，先选取了时域相关的特征值，裂纹一般都是窄长型且反射面非常复杂，而平底孔近似为平面，在缺陷面积不超过探头有效声束范围时，平底孔反射面积相对更大，反射回来探头接收到的能量普遍较大，理想情况下缺陷类型不同时，时域信号的幅值会有一定影响，因此，选取了均值、标准差、均方根、峭度、偏度、波形因子、脉冲因子等11个时域信号特征值来表征时域信号特征，如表3所示。
[0074]
表3部分特征值表达式
[0075][0076]
但由于本发明中同类型缺陷也设置了不同的尺寸，不同缺陷在时域信号上可能差异不明显，但频域特征的特性不会改变，因此进一步结合频域分析提取特征值，选择了中心频率、频率均方根、频率标准差、小波包分解后各频率自带小波能量比、小波包分解后各子带熵，小波奇异熵为频域特征值，每个样本的能量特征向量为：
[0077][0078]
其中，ei为第j层第n个结点的能量，m代表子频带的总个数，e
sum
为信号总能量，再利用各子频带能量值选择有效频带，提取有效频带对应的小波包能量熵fi作为特征参数，即：
[0079]
求取每一个小波包分解后，各子频带能量值与总能量值的比值pi，挑选总能量比值98％以上的子频带；
[0080][0081]
求有效k个子频带的小波包能量熵特征；
[0082]fi
＝-sum(pi·
log(pi))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0083]
获得每个样本的小波包能量熵特征向量f；
[0084]
f＝[f1,f2,......,f
m-1
,fm]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0085]
以6mm平底孔缺陷信号为例，以demy小波基函数为基础对信号进行小波包进行分解，将两种不同缺陷的信号经过4层小波包分解，可得到2^4＝16个频带信息，每个频率段所占的频率宽度为2mhz，分解后各频率对应的能量分布如图8(a)所示，前4个节点的频带包含
了缺陷特征的主要信息，而且，前4个频率段能量较高，说明超声回波信号的频率主要集中在0-8mhz之间，后8个频带的能量占比非常微小，但是为了不遗漏有效信号，本方案初步尽可能多的提取特征值，针对16个节点全部进行熵特征的提取和小波包分解后各子带能量占比计算；信息熵代表了信号的整体统计特征，对于特定的信号是唯一的，该特征能用于反映缺陷回波信号的局部特征；如图8(b)为16个子带熵特征信息，图8(c)为各个子带所占能量比；接着可以计算出小波奇异熵等作为特征值，根据以上特征图可以初步分析出平底孔、裂纹相较于无缺陷信号的能量分布、熵值和能量占比差异较大，有缺陷信号的能量分布主要在2-4频带，即2-8mhz之间，而无缺陷信号则在0-2mhz处能量更大；因此，在对时频域特征分析后可以初步得出结论，在时域特征不明显时，小波包分解后频域特征量能量的幅值占比在不同频带的特征也不同，可以通过频域特性看出不同缺陷类型在不同频带表现的特征不同，不同子带的熵值分布也有较大差异，可以作为有效特征来进行缺陷分类。
[0086]
s5：最优特征向量的选择；
[0087]
通过对时频域特征的组合，研究不同特征值组合方式，包括全部时频域特征、仅有时域特征的情况下、去掉部分时域特征情况下以及选择小波包分解后能量占比高的前四个子带的相关特征值 平均幅值特征值的四种情况，如表4所示，进一步分别通过pca进行特征向量的降维处理，提取贡献率大于百分之90％的投影值并且取前三个主元，分别为pca1、pca2、pca3，这三个投影值重组就作为样本特征参数，并通过聚类效果对比哪一种组合特征情况下，聚类效果最好，则作为最终分类的样本特征参数。
[0088]
表4
[0089][0090]
从图9四幅图中可以分析出不同特征参数组合的特点，(a)中可以看出，当取所有特征值构成特征向量时，降维后的3个主成分分量具有较好的聚类效果，存在较小部分混叠，且不同缺陷聚类距离近，但不能清晰区分部分样本；(b)为只取时域特征时，可以看出聚类效果不好，不能清晰表征样本信息，说明频域特征信息的重要性；(c)为去掉部分时域因子(脉冲因子和波形因子)，可以看出去掉部分时域特征并不影响聚类的整体效果，但是和(a)比较，可以看出三种不同类型缺陷分离程度更大，效果比起取全部特征值时更好；(d)为选取了小波包分解后，根据能量分布，选择了能量较大的前四个子带的频域相关特征并加上时域特征中的平均幅值特征；可以看出各样本密集的投射在空间不同的区域，且分布紧密，分类性能是否优异很多时候取决于各样本间可否建立超平面，而该重组特征组合存在明显高维空间超平面，且各超平面的可分性优异。说明本方案提出的取频域有效频带和平均幅值的重组特征组合能够有效反映不同缺陷回波信号的差异，具有良好的聚类效果，因
此最终选定该组合作为后续不同分类器的输入。
[0091]
s6：基于pso-svm的不同信噪比的钢轨缺陷类型分类；
[0092]
每个信噪比下样本按4：1的比例分为训练集和测试集，将训练集(240组)通过pso结合五折交叉验证来确定最优的svm分类模型的参数，即把不同信噪比下，pca降维前的特征向量样本(240x31)与pca降维后(240x3)信号分别用于pso参数寻优将pso每个粒子搜集到的参数组合输入交叉验证，具体流程如图10所示，设置种群规模为30，最大迭代次数设为100，惯性权重w为0.9，加速因子c1＝2，c1＝2；惩罚参数c的搜索范围设为[0，100]，高斯核系数σ的范围设置为[0，100]，迭代过程中取交叉验证准确率作为适应度值，如图11所示，最终得到准确率最高的适应度值对应的svm参数。
[0093]
图11的适应度曲线可以得出，当特征样本维数太大时，经过pso优化后的平均适应度会偏低，会在70％-80％之间震荡，而最佳适应度值会收敛到95％-97％之间；平均适应度低会导致在迭代过程中不利于后代的进化，可能会造成模型识别率低，相较于原始高维特征，pca降维后的特征具有较高的平均适应度和最佳适应度，有利于模型准确率提高与稳定；表5为pso参数优化后的相关参数，从表5中可以分析出，降维特征优化的svm模型具有较大的值，这表征了模型具有较低的容错率，值越大，表征对低维样本进行高度映射的维度越高，训练结果会越好，而原始特征优化后的模型值较小，模型的容错率高，泛化能力强，但计算耗费时间长，交叉验证准确率低；经过研究表明，pca降维后的特征用于优化svm会使模型具有较好的效果，且计算耗费的时间也会大大减少，准确率也有一定改善，因此，pca降维后的特征向量组合更有助于对svm参数的优化。
[0094]
表5pso优化结果
[0095][0096][0097]
进一步的，为对比分类效果，将四种不同信噪比的信号共1200组样本，每组各取240个样本作为训练集用于优化svm参数，每组各取60组未参与训练的测试集，共240组测试数据，输入到未经过pso优化过的标准svm分类器与pso-svm结构中进行分类检测，重复上述参数寻优与分类预测20次(每次重新随机按4：1的方式将样本量分为训练集和测试集)，得到20次平均识别率，验证pso-svm的有效性，实现不同信噪比下不同类型钢板裂纹的准确分类，结果如图12和表6所示，其中，模型输出0代表无缺陷，1代表裂纹，2代表平底孔。
[0098]
从图12中可以看出绝大多数误分类是出现在裂纹与平底孔之间，可能是因为这个两种缺陷样本的特征向量存在相似部分，导致分类判断失误，对于无缺陷分类准确率最高；pso-svm模型平均识别率较高于未优化的svm，更能有效识别钢板不同类型的缺陷，最终实现准确分类。
[0099]
表6svm与pso-svm平均识别率
[0100][0101]
本发明的方法，结合了无损检测，机器学习与模式识别领域，本发明能较好的结合超声技术实现钢板缺陷类型的分类检测。
[0102]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。