针对超声TOFD存在近表面盲区及近表面缺陷自动识别分类的问题，提出了基于超声TOFD直通波及神经网络对近表面孔状缺陷识别分类的方法。在近表面缺陷检测信号的直通波部分选取多个关键点，揭示了各关键点幅度分布与近表面缺陷深度的关系，获得了用于近表面缺陷检测的幅度分布特征值，并将该特征值用于BP神经网络对缺陷识别分类。试验结果表明，该方法能够对铝合金板近表面孔状缺陷进行准确、有效的自动识别分类。

所属栏目

科研成果与学术交流国家自然科学基金资助项目(11104129)；无损检测技术教育重点试验室开放基金资助项目(ZD201029001)

收稿日期

2013/7/18

作者单位

陈振华:南昌航空大学 无损检测教育部重点试验室，南昌330063
胡怀辉:南昌航空大学 无损检测教育部重点试验室，南昌330063
卢超:南昌航空大学 无损检测教育部重点试验室，南昌330063

备注

陈振华(1982-)，男，讲师，博士，主要从事超声无损检测技术及其系统等方面的研究。

引用该论文:

CHEN Zhen-hua,HU Huai-hui,LU Chao.Automatic Identification Technology of Near Surface Defects Based on Neural Network and Through Wave of Ultrasonic TOFD[J].Nondestructive Testing,2014,36(3):14～17
陈振华,胡怀辉,卢超.基于超声TOFD直通波及神经网络的近表面缺陷自动识别[J].无损检测,2014,36(3):14～17

被引情况:

【1】

孟贵云,张世宏,陈振华,李新蕾,王宏, "超声TOFD检测声波在不锈钢焊缝中的传播特性及其应用",无损检测 37, 51-56(2015)
参考文献

【1】

伊新.TOFD检测技术基本原理及其应用探讨［J］.石油化工应用,2008,27(3):29-31.

【2】

GANG Tie, CHI Dazhao. Novel approach to the enhancement of ultrasonic TOFD B-scan image for the measurement of weld crack ［J］. Science and Technology of Welding and Joining,2007,12(1):87-93.

【3】

迟大钊.基于超声TOFD法的焊缝缺陷表征研究［D］.哈尔滨：哈尔滨工业大学,2007:52-71.

【4】

陈伟，詹红庆，杨贵德，等.基于直通波抑制的超声TOFD图像缺陷检测新方法［J］.无损检测,2010,32(6):402-405.

【5】

张锐，万明习，CAO W W.超声衍射—回波渡越时间方法焊缝裂纹原位定量无损估计［J］ .机械工程学报,2000,36(5):54-57.

【6】

陈天璐，阙沛文.基于超声衍射反射回波渡越时间的缺陷识别技术［J］.化工自动化及仪表,2006, 33(4):50-52.

【7】

陈涛，刘献礼，吉举正，等.基于BP神经网络的钢球表面缺陷识别［J］.机械工程师,2010(7):81-82.

【8】

杨建刚.人工神经网络实用教程［M］.杭州：浙江大学出版社,2001.

【9】

SCHOLKOPF B, SMOLA A. Nonlinear component analysis as kernel eigen value problem［J］. Neural Computation,1998,10(5):1299-1319.

【10】

王立威.人工神经网络隐层神经元数的确定［D］.重庆：重庆大学,2012.

【11】

韩英莉，颜云辉.基于BP神经网络的带钢表面缺陷的识别与分类［J］.仪器仪表学报,2006(12):138-140.