[发明专利]一种焊接缺陷超声相控阵扇形扫描图像特征提取方法

说明书

技术领域

本发明涉及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。

背景技术

在研究焊接缺陷的智能识别之前首先要进行缺陷超声相控阵扇形扫描图像(以下简称缺陷图像)的特征提取。特征提取是缺陷分类识别的关键步骤之一，其原则是选择最有代表性的特征，同时要降低缺陷图像数据的维数。由于焊缝中缺陷形态的多样性，扇形扫描图像中缺陷的形状大小和纹理等特征复杂，使得特征提取的难度较大。如果不进行特征提取，直接采用扇形扫描图像，对于缺陷识别来说，缺陷图像数据的维数过大，会造成分类函数复杂，运算量大，学习时间长，因此有必要对缺陷图像进行特征提取。

每幅焊接缺陷图像含有161束超声波A信号，每束超声波A信号含有1520点数据，每点数据中又包含回波幅度和缺陷三维坐标信息，计算可知，焊接缺陷图像的数据量可以达到百万数量级。面对如此大的数据量进行特征提取如何做到最大程度地保留缺陷图像决大部分信息，提取与缺陷类别相关的特征，同时尽量地降低缺陷图像数据的维数，减少后续支持向量机分类模型的学习工作量，是极需解决的技术问题。

发明内容

本发明为了解决现有焊接缺陷分类识别研究技术中直接采用缺陷超声相控阵扇形扫描图像进行识别，致使数据的维数过大，分类模型复杂，学习时间长的技术问题，提供了一种焊接缺陷超声相控阵扇形扫描图像特征提取方法。

本发明方法基于主成分分析的基本思想，具体描述如下：

在对缺陷进行分类识别的研究中，为了更全面、准确地反映出缺陷的特征，往往要考虑缺陷图像中与其类别有关系的多个数据。这样就产生了如下问题：一方面为了避免遗漏与缺陷类别相关的信息而考虑尽可能多的数据，而另一方面随着数据的增多增加了分类识别的复杂性。基于上述问题，本发明希望在缺陷识别研究中涉及的数据的维数较小，而得到的与缺陷类别相关的信息量又较多。主成分分析法正是研究如何通过原始数据的少数几个线性组合来解释原始数据绝大多数信息的一种多元统计方法。通过对原始数据相关矩阵或协方差矩阵内部结构关系的研究，利用原始数据的线性组合形成几个综合指标(主成分)，在保留原始数据主要信息的前提下起到简化问题的作用，使得在研究复杂问题时更容易抓住主要矛盾。因此本发明提供一种基于主成分分析法的焊接缺陷超声相控阵扇形扫描图像的特征提取方法，通过研究缺陷超声相控阵扇形扫描图像数据矩阵的协方差，利用缺陷图像数据的线性组合，求得与缺陷类型相关的特征，建立缺陷特征表达函数，进行缺陷的分类识别。

一般地说，利用主成分分析得到的主成分与原始变量之间有如下基本关系：

(1)每一个主成分都是各原始变量的线性组合；

(2)主成分的数目远小于原始变量的数目；

(3)主成分保留了原始变量绝大多数信息；

(4)各主成分之间互不相关。

通过主成分分析，可以从事物之间错综复杂的关系中找出一些主要成分，从而能有效利用大量统计数据进行定量分析。

设对某一事物的研究涉及p个变量，分别用X₁，X₂，…，X_p表示，这p个变量构成的p维随机向量为X＝(X₁，X₂，…，X_p)′，其均值向量为μ＝E(X)，协方差矩阵为∑＝D(X)。为了用较少的新指标代替原始变量，新指标应尽可能多地保留原始变量的信息，且彼此间不相关，为此构造X₁，X₂，…，X_p的线性组合：