一种焊接缺陷超声相控阵扇形扫描图像特征提取方法

摘要

一种焊接缺陷超声相控阵扇形扫描图像特征提取方法，属于焊接缺陷研究技术领域。本发明解决了焊接缺陷分类识别时直接采用缺陷超声相控阵扇形扫描图像进行缺陷识别，图像数据维数大，分类模型复杂，学时间长的难题。主要步骤：取焊接缺陷超声相控阵扇形扫描图像，构建缺陷图像数据矩阵；计算缺陷图像数据矩阵的协方差矩阵；求协方差矩阵的特征值与特征向量；确定缺陷图像主成分个数，建立焊接缺陷特征表达函数。本发明的焊接缺陷超声相控阵扇形扫描图像特征提取方法既保留了缺陷图像决大部分信息，表征了缺陷的类型，保证了分类模型的正确识别率，又降低了缺陷图像数据的维数，极大地提高了分类模型的学速度。

主权项

1.一种焊接缺陷超声相控阵扇形扫描图像特征提取方法，其特征在于：所述方法的具体过程为：步骤一、取n幅缺陷图像，每幅缺陷图像含有p数据，其中p＝k×l×t，k为每幅缺陷图像中超声波A信号数目，l为每个超声波A信号中含有的数据，t为数据中包含的回波幅度和缺陷三维坐标信息，这样共得到n×p个数据，缺陷图像数据矩阵X如下：$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ···& x_{1p}\\ x_{21}& x_{22}& ···& x_{2p}\\ ·& ·& & ·\\ ·& ·& ···& ·\\ ·& ·& & ·\\ x_{n1}& x_{n2}& ···& x_{\mathrm{np}}\end{array}\right]---(1-8)$步骤二、计算缺陷图像数据矩阵X的协方差矩阵∑：∑＝(σ_ij)_p×p    (1-9)其中σ_ij＝Cov(X_i，X_j)(i，j＝1，2，…，p)，Cov(X_i，X_j)是求X_i和X_j的协方差；步骤三、求协方差矩阵∑的特征值与特征向量；由公式(1-10)求得∑的p个的特征值λ_i(i＝，2，…，p)，按由大到小的顺序排列为λ₁≥λ₂…≥λ_p；根据公式(1-11)计算λ_i对应的标准正交特征向量α_i(i＝1，2，…，p)：|λE-∑|＝0    (1-10)(λE-∑)α＝0    (1-11)步骤四、确定缺陷图像主成分个数m(m＜p)，m确定过程为：利用公式(1-6)求得第m个缺陷图像主成分的方差贡献率，利用公式(1-7)求得前m个缺陷图像主成分累积贡献率：${\lambda }_m/\underset{j=1}{\overset{p}{\Sigma }}{\lambda }_j---(1-6)$$\underset{i=1}{\overset{m}{\Sigma }}{\lambda }_i/\underset{j=1}{\overset{p}{\Sigma }}{\lambda }_j---(1-7)$当前m个缺陷图像主成分累积贡献率满足大于等于85％的条件：即可确定m的值；步骤五、在得到缺陷图像主成分个数m后，构建焊接缺陷特征表达函数：F_i＝α_i1X₁+α_i2X₂+…+α_ipX_p i＝1，2，…，m  (1-12)其中F₁称为特征1，F₂称为特征2，以此类推，F_m称为特征m。