针对目前超声3D识别普遍存在的识别率低、鲁棒性差等问题，以物体内部人工标准缺陷为超声靶标，通过对超声靶标脉冲超声回波信号进行处理，提取了相对能量、相对幅值、相对频域带宽、相对峰度系数、相对离散系数、相对包络面积、相对偏度系数和相对频谱半高宽等多个特征参数，利用Fisher线性判别分析(Fisher Linear Discriminative Analysis, FLDA)对这些特征参数进行融合，形成融合特征，并采用反向传播(Back Propagation, BP)神经网络对融合特征进行训练与识别，对物体内部矩形槽、横通孔及平底孔三类超声靶标进行识别。试验结果表明：三种靶标的识别率分别高达了93.3%，93.3%，100%；对噪声有抑制能力，对测试工况不敏感，识别稳健性得到了提高，可为超声3D目标识别提供理论和技术参考。

所属栏目

科研成果与学术交流江苏大学现代农业装备与技术重点实验室开放基金资助项目(No.NZ200807);江苏省高校自然基金资助项目(No.08KJD460016)

收稿日期

2012/6/26

作者单位

卢翠娥:江苏大学 测控技术及仪器系，镇江212013
宋寿鹏:江苏大学 测控技术及仪器系，镇江212013
张恒:江苏大学 测控技术及仪器系，镇江212013
姜琴:江苏大学 测控技术及仪器系，镇江212013
耿伟:江苏大学 测控技术及仪器系，镇江212013

备注

卢翠娥(1988-)，女，硕士研究生，主要从事超声无损检测与信号处理。

引用该论文:

LU Cui-E,SONG Shou-Peng,ZHANG Heng,JIANG Qin,GENG Wei.Ultrasonic 3D Target Recognition Based on FLDA and BP Network[J].Nondestructive Testing,2013,35(6):5～10
卢翠娥,宋寿鹏,张恒,姜琴,耿伟.基于FLDA与BP神经网络的超声3D目标识别[J].无损检测,2013,35(6):5～10

参考文献

【1】

廖璘志，陈琪，严寒冰.基于Morlet小波的超声缺陷分类识别方法研究［J］.机床与液压,2010, 38(17):55-57.

【2】

阮晴，罗飞路，王鹏.基于BP网络和D-S证据理论的超声检测缺陷识别［J］.兵工自动化，2011,30(9):72-76.

【3】

杜秀丽，沈毅，王艳. 基于时频判别特征的焊缝超声检测缺陷分类［J］.焊接学报，2008,29(2):89-92.

【4】

KOLEY C, MIDYA B L. 3-D Object Recognition System using Ultrasound ［J］.IEE, 2005:99-104.

【5】

SUN H C, SANIIE J. Nonlinear signal processing for ultrasonic target detection ［J］.IEE, 1998(1):855-858.

【6】

SONG Sung-Jin, KIM Hak-Joon, CHO Hyeon. Development of an intelligent system for ultrasonic flaw classification in weldments ［J］.Nuclear Engineering and Design, 2002, 212(1):307-320.

【7】

曹玲玲，潘建寿.基于Fisher判别分析的贝叶斯分类器［J］.计算机工程，2011,37(10):162-164.

【8】

郭丹，闫德勤，郑宏亮.最大边际近邻线性判别分析［J］.小型微型计算机系统，2011,32(12):2466-2470.

【9】

张晓华，赵立强. 基于Fisher face和KNN组合分类器的人脸识别算法［J］.河北科技师范学院学报, 2008, 22(2): 36-39.

【10】

葛哲学，孙志强. 神经网络理论与MATLAB R2007实现［M］.北京：电子工业出版社，2007.