Page 49 - 无损检测2023年第六期

刘 昱, 等:

基于多晶材料超声背向散射信号时频域特征的识别方法

信号, 点击识别按钮, 仅需3步操作便可完成识别。
若识别的是目标样品的待识别信号, 则结果一栏呈
绿色底框并显示“ 目标样品”; 若识别的是干扰样品
的待识别信号则结果一栏呈红色底框并显示“ 干扰
样品”。因此可以得到打乱顺序后的待识别信号与
1 样品标准信号的识别结果, 取下编号遮盖以验证
#
识别结果是否准确, 接着对2 样品和 3 样品按同
#
#
样方法进行识别。
程序后台可以导出识别数据, 用1 样品阈值识
#
#
#
#
别1 , 2 , 3 样品时的时域识别数据如表 1 所示,
# #
频域数据如表2所示。从表1 , 2中可看出2 和3
样品的特征量明显超出阈值; 由于 1 和 2 样品材
#
#
# # # #
料相同, 而3 样品材料与1 , 2 材料不同, 因此3
样品的特征量超出阈值的程度更大; 1 样品待识别
#
信号的第3组数据, 即第3次采集待识别信号时可
能出现了误差, 因此特征量在时域和频域均略微超
出了阈值, 但其他4组均小于阈值, 故最终识别结果
为“ 目标样品”, 识别正确。用相同方法分别进行了
以2 , 3 样品作为目标样品的试验, 结果均识别
#
#
图5 部分陶瓷样品实物
正确。
由此可见阈值的设定一定程度上提高了识别系统的
表1 金属样品待识别信号时域特征量
容错率。采用图5中的每个样品依次作为“ 目标样
#
1 样品阈值
品” 进行完整的识别试验, 识别结果均正确。
样品 信号编号
阈值 表3 陶瓷样品待识别信号时域特征量
编号 1 2 3 4 5 #
4 为目标样品
#
1 1.0049 1.0577 1.8567 0.7852 0.9643
样品 信号编号
#
2 6.3216 6.3574 6.4344 6.3907 6.3892 1.6828 阈值
编号
1 2 3 4 5
#
3 17.6279 17.7315 17.6691 17.8088 17.7380

#
4 0.7851 0.7645 2.6845 1.0745 0.9246
表2 金属样品待识别信号频域特征量 5 # 18.4780 17.7527 17.8456 17.6806 18.0606 5.0316

# #
1 样品阈值 6 27.0159 26.5058 26.6276 27.1216 26.7463
样品 信号编号
阈值 表4 陶瓷样品待识别信号频域特征量
编号 1 2 3 4 5 #
4 为目标样品
#
1 8.7653 9.3838 15.1149 7.3890 8.4418
样品 信号编号
#
2 58.811 2 59.1944 58.848858.8513 58.8364 13.3523 阈值
编号
1 2 3 4 5
#
3 86.4459 86.7750 85.950385.7115 86.1145

#
4 5.7376 6.7234 22.8868 7.8817 6.9605
5.2 对陶瓷材料的识别 5 # 89.8716 86.4506 85.161885.9940 85.2437 41.8731

笔者也对多种陶瓷样品进行了识别试验, 部分 6 # 93.9849 94.1028 94.071296.7820 94.0893
陶瓷样品实物如图5所示。
以图5 ( b ) 中的3个陶瓷盘为例, 将其分别编号 6 结语
为4 , 5 , 6 , 以 4 样品为目标样品时, 待识别信 提出了一种基于信号特征量的算法, 在拉依达
#
#
#
#
号的时域、 频域特征量如表3 , 4所示。由表3 , 4可 准则的基础上设定了识别阈值, 并将识别算法编译
以看出, 5 , 6 样品的特征量远超出阈值; 4 样品 为 MATLAB识别程序, 随后对金属材料和陶瓷材
#
#
#
的第3组特征量高于其他4组, 应是采集过程中的 料进行了识别试验。试验结果表明, 不同样品间特
误差所致, 但未超出阈值, 所以识别结果仍然正确, 征量差异明显, 而且阈值的设定有效提高了识别的
5
1
2023年 第45卷 第6期
无损检测