详情

原文传递一种基于小波卷积神经网络的超声波焊缝检测方法

专利名称：	一种基于小波卷积神经网络的超声波焊缝检测方法
摘要：	本发明公开了一种基于小波卷积神经网络的超声波焊缝检测方法，包括以下步骤：步骤一：获取焊缝数据；步骤二：焊缝数据预处理；步骤三：训练小波卷积神经网络；步骤四：获取待检测焊缝数据；步骤五：待检测焊缝数据预处理；步骤六：计算检测结果；步骤七；判断待检测焊件是否合格。本发明针对现有技术中不同缺陷类型的焊缝检测时不能精确的进行分类，检测时没有考虑到信号的不同尺度对检测结果的影响，检测的准确率低等技术问题进行改进，本发明具有针对不同缺陷类型的焊缝进行检测时可以精确的分类、针对不同的信号尺度进行检测、检测的准确率高等优点。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	中国计量大学上虞高等研究院有限公司
发明人：	朱俊江;濮玉;严天宏;陈源;何雨辰
专利状态：	有效
申请日期：	2019-05-30T00:00:00+0800
发布日期：	2019-09-17T00:00:00+0800
申请号：	CN201910461584.5
公开号：	CN110243934A
代理机构：	杭州凯知专利代理事务所(普通合伙)
代理人：	金国栋
分类号：	G01N29/04(2006.01);G;G01;G01N;G01N29
申请人地址：	312399 浙江省绍兴市上虞区曹娥街道江西路2288号浙大网新科技园A1楼401.402
主权项：	1.一种基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，包括以下步骤：步骤一：获取焊缝数据，利用超声波传感器对缺陷焊件和无缺陷焊件进行扫描，获得焊缝数据，所述焊缝数据包括缺陷数据和正常数据；步骤二：焊缝数据预处理，根据预处理算法对所述焊缝数据进行预处理，得到预处理焊缝数据，所述预处理焊缝数据包括预处理缺陷数据和预处理正常数据；步骤三：训练小波卷积神经网络，利用所述焊缝数据和所述预处理焊缝数据根据训练算法训练小波卷积神经网络；步骤四：获取待检测焊缝数据，利用所述超声波传感器对待检测焊件进行扫描，获得待检测焊缝数据；步骤五：待检测焊缝数据预处理，根据所述预处理算法对所述待检测焊缝数据进行预处理，得到预处理待检测焊缝数据；步骤六：计算检测结果，将所述预处理待检测焊缝数据输入到训练好的所述小波卷积神经网络中进行计算，得到检测结果；步骤七；判断所述待检测焊件是否合格，将所述检测结果与0.5对比，若所述检测结果大于0.5，则所述待检测焊件的焊缝有缺陷，若所述检测结果小于0.5，则所述待检测焊件的焊缝无缺陷。 2.如权利要求1所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，步骤一中，所述超声波传感器的探头中心的频率为5MHz。 3.如权利要求1所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，步骤一中，所述缺陷焊件包括焊缝中具有夹杂的焊件、焊缝中具有气孔的焊件、焊缝未焊透的焊件、焊缝未融合的焊件和焊缝中具有裂纹的焊件。 4.如权利要求1所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，步骤二和步骤五中，所述预处理算法具体包括：首先对数据进行巴特沃兹滤波；然后利用均值滤波器对经过巴特沃兹滤波后的数据进行均值滤波；最后对经过均值滤波后的数据进行归一化处理。 5.如权利要求4所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，所述均值滤波器的窗大小设置为0.0002s。 6.如权利要求1所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，步骤三中，所述训练算法包括随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法或者Adamax算法。 7.如权利要求1所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，步骤三中，所述小波卷积神经网络依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第一全连接层和第二全连接层。 8.如权利要求7所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和所述第五卷积层内的滤波器的个数依次为十一个、七个、五个、三个、三个，所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和所述第五卷积层的卷积核大小依次为(39,1)、(27,11)、(23,7)、(17,5)、(13,3)，所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和所述第五卷积层的步长均为1，所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和所述第五卷积层的激励函数均为LeakyReLUctant函数，所述第一池化层、第二池化层、第三池化层、第四池化层和所述第五池化层均采用最大化池化方法，所述第一池化层、第二池化层、第三池化层、第四池化层和所述第五池化层的池化窗的大小均设置为2，所述第一全连接层输出的神经元的个数为十个，所述第一全连接层的激励函数为小波函数，所述第二全连接层输出的神经元的个数为一个，所述第二全连接层的激励函数为sigmoid函数。 9.如权利要求8所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，所述小波函数为：所述y1为输出，所述x为输入，所述为α为0.7，所述β为0.5。 10.如权利要求8所述的基于小波卷积神经网络的超声波焊缝检测方法，其特征在于，所述小波函数为：所述y2为输出，所述x为输入，所述α为0.9，所述β为0.4。
所属类别：	发明专利