發(fā)布時間：2018-01-14 06:01

  本文關鍵詞：大數據環(huán)境下超聲波焊縫缺陷識別方法的研究　出處：《計算機工程與應用》2016年23期 　論文類型：期刊論文

  更多相關文章： 缺陷識別 主成分分析 CURE聚類算法 比對算法

【摘要】：為了解決常規(guī)超聲波焊縫缺陷識別方法分類模型固定和訓練集規(guī)模有限而難以體現不同缺陷的差異性和同類缺陷的多態(tài)性的問題,結合當今大數據環(huán)境下的數據分析策略和基因缺陷識別中匹配的思想,通過主成分分析和CURE聚類算法將缺陷回波信號編碼轉換成可進行匹配的對象,進而將當前檢測缺陷特征與歷史檢測數據進行匹配,并利用最近鄰方法實現了對缺陷歷史檢測數據集的擴充。通過在R上應用基于基本空位罰分的Smith-Waterman比對算法進行仿真實驗驗證了該缺陷識別方法是可行的,有效地識別了氣孔、夾渣、裂紋、未焊透和未熔合五類常見缺陷,具有較好的識別準確率。
[Abstract]:In order to solve the problem that the classification model and training set size of conventional ultrasonic seam defect identification method are fixed and limited, it is difficult to reflect the difference of different defects and the polymorphism of the same kind of defects. Combined with the strategy of data analysis in large data environment and the idea of matching in gene defect recognition, the defect echo signal coding is transformed into a matching object by principal component analysis and CURE clustering algorithm. Furthermore, the current defect detection feature is matched with the historical detection data. The extension of defect history detection data set is realized by using nearest neighbor method, and the Smith-Waterman matching algorithm based on basic vacancy penalty points is applied to R to verify the deficiency. The method of trap recognition is feasible. Five kinds of common defects, such as porosity, slag inclusion, crack, incomplete penetration and incomplete fusion, are effectively identified, and the recognition accuracy is good.
【作者單位】： 東北林業(yè)大學信息與計算機工程學院;
【基金】：國家自然科學基金(No.31370565,No.61300098) 哈爾濱市人才項目專項(No.2015RAYXJ005)
【分類號】：TG441.7;TP391.41
【正文快照】： 1引言目前,常規(guī)的焊縫缺陷檢測主要利用小波包分解或分析超聲回波信號的能量變化來提取缺陷特征,用支持向量機或圖像分割方法來構建缺陷識別分類器,在理論和應用中都取得了一定的成果[1-5]。這些方法一般是構建固定的缺陷分類模型并且基于數據量有限的訓練集,但超聲波焊縫缺陷

【相似文獻】

相關期刊論文 前10條

1 高頂;張長明;李國慶;張曉光;;基于粗糙-模糊神經網絡的焊接圖像缺陷識別[J];華東理工大學學報(自然科學版);2006年09期

2 陳天璐;闕沛文;;基于超聲衍射反射回波渡越時間的缺陷識別技術[J];化工自動化及儀表;2006年04期

3 焦敬品;馬婷;劉德宇;吳斌;何存富;;基于脈沖壓縮技術的相鄰缺陷識別方法研究[J];儀器儀表學報;2014年07期

4 何輔云;石油管道的高速檢測與缺陷識別[J];無損檢測;2000年05期

5 陳琴;基于有限元及修正梯度法的材料二維缺陷彈性波識別[J];南通大學學報(自然科學版);2005年03期

6 劉元祥;張曉光;高頂;;基于支持向量機的射線檢測焊接圖像中缺陷識別[J];煤礦機械;2006年05期

7 劉清坤,闕沛文,宋壽鵬;基于支持向量機的石油管線缺陷識別方法研究[J];傳感器技術;2005年03期

8 段志娟;周新星;陳分雄;孫林;;基于獨立成分分析的冷軋帶鋼表面缺陷識別[J];鋼鐵研究學報;2011年10期

9 錢彥嶺,羅飛路,彭濤;渦流檢測缺陷模糊認識的新方法[J];焊管;1997年02期

10 易方;李著信;呂宏慶;馬維平;;基于模糊核支持向量機的管道磁記憶檢測缺陷識別[J];石油學報;2010年05期

相關會議論文 前7條

1 張毅剛;;結構缺陷識別的線性規(guī)劃法[A];中國土木工程學會計算機應用分會第七屆年會論文集[C];1999年

2 張毅剛;;結構缺陷識別的線性規(guī)劃法[A];中國土木工程學會計算機應用分會第七屆年會土木工程計算機應用文集[C];1999年

3 張毅剛;;結構缺陷識別的參數判定法[A];面向21世紀的科技進步與社會經濟發(fā)展（下冊）[C];1999年

4 尚鋼;陳立耀;李卓球;王建平;;神經網絡在梁體結構缺陷識別中的應用[A];第七屆全國結構工程學術會議論文集（第Ⅰ卷）[C];1998年

5 張潛;高立群;王貞祥;;基于小波分析的板型缺陷識別方法[A];管理科學與系統科學研究新進展——第6屆全國青年管理科學與系統科學學術會議暨中國科協第4屆青年學術年會衛(wèi)星會議論文集[C];2001年

6 戴飛虎;;特厚板AUT典型缺陷識別[A];2011年全國中厚板生產技術交流會論文集[C];2011年

7 原培新;孫麗娜;;基于圖像處理的X射線膠片缺陷識別[A];2007'中國儀器儀表與測控技術交流大會論文集（二）[C];2007年

相關博士學位論文 前1條

1 趙向陽;基于神經網絡的鋼板表面缺陷識別若干問題的研究[D];大連理工大學;2006年

相關碩士學位論文 前10條

1 田丹;基于電致發(fā)光與BP神經網絡的太陽電池缺陷識別[D];河北大學;2015年

2 李佳;基于壓縮感知的多模型木材圖像缺陷識別[D];東北林業(yè)大學;2015年

3 張潔;輸電線路缺陷在線監(jiān)控系統設計與實現[D];電子科技大學;2015年

4 李夢園;深度學習算法在表面缺陷識別中的應用研究[D];浙江工業(yè)大學;2015年

5 趙亞丁;基于LBP的DR圖像缺陷識別算法研究與軟件設計[D];重慶大學;2015年

6 劉丹;BGA焊點缺陷在線自動識別方法研究[D];沈陽大學;2016年

7 馬云修;黃青線管道內檢測缺陷識別及定位技術研究[D];中國石油大學(華東);2014年

8 李建文;磁粉探傷缺陷識別自動化系統設計與開發(fā)[D];南京理工大學;2012年

9 侯曉琴;基于射線成像的缺陷自動識別方法研究及應用[D];重慶大學;2009年

10 毛鋒;面向成型生產的視覺式缺陷識別技術及應用研究[D];浙江大學;2010年

，

本文編號：1422292