基于神经网络的超声检测缺陷表征

华南理工大学学报（自然科学版） ›› 2005, Vol. 33 ›› Issue (4): 5-9.

基于神经网络的超声检测缺陷表征

罗雄彪陈铁群

华南理工大学机械工程学院，广东广州 510640

收稿日期:2004-01-09 出版日期:2005-04-25 发布日期:2005-04-25
通信作者: 罗雄彪(1979-)男，硕士生，主要从事超声缺陷检测及信号处理的研究 E-mail:lxbxl_0207@ sohu.com
作者简介:罗雄彪(1979-)男，硕士生，主要从事超声缺陷检测及信号处理的研究
基金资助:
广东省科技计划资助项目(2004A1 1303001)

Neural Network-Based Characterization of Flaws Tested by Ultrasoni

Luo Xiong-biao Chen Tie-qun

College of Mechanical Engineering,South China Univ.of Tech.,Guangzhou 510640,Guangdong,China

Received:2004-01-09 Online:2005-04-25 Published:2005-04-25
Contact: Luo Xiong—biao(born in 1979)，male，graduate student，mainly researches on the inspection of flaws tested by ultrasonic an d signal processing． E-mail:lxbxl_0207@ sohu.com
About author:Luo Xiong—biao(born in 1979)，male，graduate student，mainly researches on the inspection of flaws tested by ultrasonic an d signal processing．
Supported by:
Suppofled by the Project of Science and Technology of Guangdong Province(2004A1 1 303001)

摘要/Abstract

摘要： 提出了一种基于神经网络的缺陷表征方法．该方法采用Fischer线性判别分析对表征缺陷的时域信号的波形参数进行选择，并将这些参数作为神经网络的输入对智能缺陷表征系统进行训练，用概率神经网络和BP神经网络分别对缺陷的类型和大小进行识别．对135种人造焊接缺陷(裂纹、夹杂和气孔)的试验结果
表明，文中方法对辨识缺陷表征信息和提高缺陷识别率非常有效．

关键词: 超声检测, 缺陷表征, 无损评价, 神经网络

Abstract:

This paper proposes a method for flaw characterization on the basis of neural networks.In this me-thod ,a selection of the shape parameters defining the pulse-echo envelope reflected from a flaw is carried out by Fischer linear discriminant analysis.The selected parameters are then used as the inputs of neural networks to train the propo sed intelligent flaw characterization system. Moreover,probabilistic neural networks and back pmpagation neural networks are respe ctively adopted to determine the sizes and numbers of flaws.Experimental results for 1 35 systematic weld flaws(crack,slag and porosity)indicate that the proposed method is effective in the flaw characterization with great classification rate.

Key words: ultrasonic testing, flaw characterization, nondestructive evaluation, neural network

罗雄彪陈铁群. 基于神经网络的超声检测缺陷表征[J]. 华南理工大学学报（自然科学版）, 2005, 33(4): 5-9.

Luo Xiong-biao Chen Tie-qun. Neural Network-Based Characterization of Flaws Tested by Ultrasoni[J]. Journal of South China University of Technology (Natural Science Edition), 2005, 33(4): 5-9.

[1]	方港, 袁珑华, 王晓明, 等. 基于集合卡尔曼-Elman网络的软测量建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 126-136.
[2]	马晓亮, 安玲玲, 邓从健, 等. 基于行业词表的自动语音转写后优化技术[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 118-125.
[3]	朱铮宇, 罗超, 贺前华, 等. 基于唇重构与三维耦合CNN的多视角音唇一致性判别[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 70-77.
[4]	叶峰, 陈彪, 赖乙宗. 基于特征空间嵌入的对比知识蒸馏算法[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 13-23.
[5]	刘怡俊, 曹宇, 叶武剑, 等. 基于FPGA并行加速的脉冲神经网络在线学习硬件结构的设计与实现[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 104-113.
[6]	冷晟, 付有为, 马万太, 等. 基于GA-BP神经网络的喷射成形锭坯形貌调控技术[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 27-34.
[7]	杨旭锋, 刘泽清, 张懿. 基于贝叶斯神经网络的金属材料P-S-N曲线估计[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 82-92.
[8]	许伦辉, 余佳芯, 裴明阳, 等. 基于几何路网结构和强化学习的车辆重定位策略[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 99-109.
[9]	李潇, 汪涛, 张毅, 等. 网联车混行条件下交通流量融合方法[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 49-55.
[10]	兰凤崇, 张越, 陈吉清, 等. 人车碰撞事故中行人伤亡风险的关联性分析与预测 [J]. 华南理工大学学报(自然科学版), 2022, 50(5): 1-10.
[11]	杨春玲杨雅静. 基于多尺度特征逐层融合深度神经网络的无参考图像质量评价方法研究[J]. 华南理工大学学报(自然科学版), 2022, 50(4): 81-89,141.
[12]	邱志斌, 卢祖文, 王海祥, 等. 基于Mel频谱图和CNN的电网涉鸟故障鸟声识别[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 129-136.
[13]	邢晓芬, 李敏盛, 徐向民. 基于自适应亮度调节的图像情感转换[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 1-12.
[14]	蔡晓东, 曾志杨. AFGSRec：一种自适应融合全局协同特征的社交推荐模型[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 71-79.
[15]	陆以勤, 潘周双, 张洋, 等. 基于交互式连接图注意力网络的知识图谱补全方法[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 13-19.