一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

利用冲击声辨识声源材料的特征提取

声源辨识属于环境声识别的范畴,是模式识别的一个重要研究方向。冲击声携带了大量的声源物理信息,因此利用冲击声提取特征进行声源材料辨识是提高声目标识别分类性能的重要途径。对球-板撞击物理模型合成的冲击声连续统,提出使用基函数学习法提取目标特征,同时利用短时傅里叶变换和小波包变换进行特征提取,以此为基础完成被击平板的材料识别。研究结果表明,利用基函数学习法获得的特征,对于冲击声分类的效果明显优于短时傅里叶变换和小波包变换方法,说明利用该方法进行冲击声声源材料辨识的可行性和优势。      

卷积神经网络的缺陷类型识别分析

该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法,该方法无需对超声回波原始信号进行特征提取.文章研究对比了不同卷积神经网络及其优化的识别性能.首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测,然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二...     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

基于小波包变换的复合材料超声波检测信号特征提取

本文以碳纤维复合材料常见缺陷分层、孔隙、疏松的超声波检测缺陷信号为研究对象，对超声波检测信号进行小波包变换，提取包含信号绝大部分能量的近似系数波形特征及细节系数的统计量作为样本的特征值。应用BP神经网络分类器进行分类识别验证，取得较好的识别效果。该方法能以较小的特征维数表征原始信号特点。     

污染气体红外光谱特征的快速提取与识别

利用小波变换的多尺度分析对污染气体红外光谱数据进行处理,并使用神经网络对红外光谱数据进行分类识别。实验结果表明：小波变换与神经网络的有机结合,有利于污染气体红外光谱的快速特征提取和识别, 并具有较高的识别率,是一个有效的识别系统。     

基于小波包变换的叶片高光谱数据的树种分类

非成像高光谱数据的特点为树种的精细识别提供了可能.非成像高光谱数据的多波段特性,使得利用数据间的微小差异来进行树种的识别分类研究成为可能.该文利用光谱相关匹配(Spectral correlation matching,SCM)方法来对树种进行识别分类,分别采用均值平滑法、中值平滑法、小波包变换对高光谱数据进行预处理及识别分类研究.结果表明,经过数据平滑预处理,可以有效地去除噪声,提高叶片高光谱数据的树种分类的精度.小波分析能有效的去除光谱中的噪声信息,保留光谱中的有效信息.在小波包变换的基础上,经过中值滤波数据预处理之后的分类精度高于均值滤波数据预处理后的分类精度.     

磁瓦表面缺陷的机器视觉检测方法

为了提高磁瓦表面缺陷在线检测准确率并降低检测时间,提出一种基于机器视觉的检测方法。离线训练时,对经过Gabor小波处理后的子图进行融合并提取纹理特征,使用改进的Relief算法提取与类别相关性强的特征子集,并去除冗余特征。为降低缺陷磁瓦的漏检率,先进行偏向性分类处理,再采用最小二乘支持向量机进行分类预测。实验表明,整体预测准确率96.89%,缺陷磁瓦分类准确率达到99.09%,且在线预测时间减少了近1/4,只需67.4ms。     

卷积神经网络在气体泄漏超声识别中的应用

为了克服现有气体泄漏检测方法的不足,提出一种基于卷积神经网络的气体泄漏超声信号识别方法。在设计卷积神经网络网络结构时,通过多次预训练确定网络层数、卷积核数目和尺寸、全连接层神经元数目。同时,选择Inception模块平衡网络宽度和深度,防止过拟合的同时提高网络对尺度的适应性。通过输气管道泄漏实验平台模拟工况中常见的阀门泄漏和垫片泄漏,利用短时傅里叶变换进行时频图表征,在此基础上,建立二分类模型和不同泄漏类型的三分类模型。结果表明,相比二分类模型,不同泄漏类型的三分类模型识别准确率有所降低,添加Inception模块可以有效提高三分类模型的性能。     

基于深度体素卷积神经网络的三维模型识别分类

提出一种基于深度体素卷积神经网络的三维(3D)模型识别分类算法,该算法使用体素化技术将3D多边形网格模型转化为体素矩阵,并通过深度体素卷积神经网络提取该矩阵的深层特征,以增强特征的表达能力和差异性。在ModelNet40数据集上的实验结果表明:所提算法对3D网格模型识别分类的准确率能够达到87%左右。所构建的深度体素卷积神经网络能够有效地增强3D模型的特征提取和表达能力,提高对大规模复杂3D网格模型分类识别的准确率,所提方法优于当前的主流方法。     

Feature extraction for sound source material recognition with impact sounds

Sound source recognition is a part of environmental sound recognition,which is one of the most important research areas in pattern recognition.Impact sounds carry much physical information associated with the sound sources,which makes impact sound based sound source recognition an important approach to improve recognition performance.In this study,the impact sound continuum synthesized with a ball-plate collision model is used for material recognition of the impacted plates.The basis function learning method and time-frequency representation methods,including the short time Fourier transform and the wavelet packet transform,are applied into classification and the recognition results are compared.The result shows that the features obtained by using the basis function learning perform better for material classification of the impacted plates than that by using the short time Fourier transform and the wavelet packet transform.This demonstrates the high efficiency and superiority of this method in material recognition of sound sources.     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

基于连续小波变换的神经网络人脸识别研究

研究了基于连续小波变换的神经网络进行人脸识别的方法.介绍了小波分析的理论基础，详细讨论了根据小波变换系数的范数选取小波母函数的方法，根据小波脊线确定网络神经元个数的方法以及神经网络的初始化和参数训练方法.通过对人脸图像灰度的连续小波分析，神经网络的自组织自学习能力，调整连接权值和小波神经元的尺度、位移参数，完成人脸识别的任务.实验结果验证了该神经网络的识别性能明显优于用特征脸方法对相同人脸库进行的识别.     

结点阈值小波包变换图像去噪新算法

小波包变换是小波变换的推广,可视为普通小波函数的线性组合,具有灵活的时频分析能力,随着分解层数的增加,小波包分解能够在所有的频率范围聚焦。提出一种应用结点阈值小波包变换的新型图像去噪算法。利用小波包变换对含噪图像进行分解,在图像信号的子带层次上进行结点阈值操作,采用软阈值的方法进行阈值处理,结点噪声采用谱熵法估计,并使用峰值信噪比评估去噪后的图像质量。实验结果表明,相比于使用其它阈值方法的小波包图像去噪算法,该算法具有更好的图像去噪性能。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

Handwritten digit recognition based on ghost imaging with deep learning

We present a ghost handwritten digit recognition method for the unknown handwritten digits based on ghost imaging(GI) with deep neural network, where a few detection signals from the bucket detector, generated by the cosine transform speckle, are used as the characteristic information and the input of the designed deep neural network(DNN), and the output of the DNN is the classification. The results show that the proposed scheme has a higher recognition accuracy(as high as98% for the simulations, and 91% for the experiments) with a smaller sampling ratio(say 12.76%). With the increase of the sampling ratio, the recognition accuracy is enhanced. Compared with the traditional recognition scheme using the same DNN structure, the proposed scheme has slightly better performance with a lower complexity and non-locality property.The proposed scheme provides a promising way for remote sensing.     

基于Gabor小波纹理特征的目标识别新方法

给出了一种基于Gabor小波纹理特征的目标识别新方法．主要是利用Gabor小波设计了一种多通道小波滤波器。对图像目标直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像目标的特征，把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别．最后。进行了一系列的仿真实验，结果表明，这种特征提取方法能有效提取图像目标纹理特征，并且对噪音和形状的变化具有鲁棒性．在应用于目标识别时，神经网络的训练时间减少到lOmin，识别率达到94％．     

基于深度学习的材料超声回波衰减预测方法

材料超声回波衰减是评价材料均匀一致性的常用方法, 针对具有复杂结构的航空发动机盘件难以进行材料底面超声回波衰减评价的问题, 本文提出了利用超声背散射波信号直接预测底面回波衰减的方法。采用10MHz聚焦探头进行超声背散射波数据的采集, 利用深度学习技术构建和训练模型,建立了基于深度学习的材料底面回波衰减预测方法, 同时讨论了采用不同信号形式的超声波信号分类识别模型的准确率差异。研究发现：基于深度学习技术可实现通过超声背散射波预测材料的底面回波衰减, 预测结果和实际底面回波衰减试验结果具有良好的一致性。