买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中交第二公路勘察设计研究院有限公司

摘要：本发明公开了一种基于机器学习的超声导波检测焊缝缺陷方法、装置及设备，涉及无损检测技术领域，该方法针对大量已知缺陷的焊缝缺陷样本通过超声导波技术获取特征的反射信号，运用P‑PCA算法提取主成分与凸显成分特征，与已知缺陷对照训练，并结合K近邻模型构建缺陷标识模型库；在检测时，识别与提取待测焊缝的缺陷特征，通过K近邻模型与模型库进行模糊匹配，确定缺陷分类，计算具体缺陷位置；另外，采用有监督学习和SVM回归，基于检测结果与模型库的差异特征点，对模型库进行样本衍生。本申请不仅能实现焊缝缺陷信号的精准快速识别、提取与分类及定位，还能降低对操作人员的依赖，提升焊缝缺陷无损检测的可靠性和精准性。

主权项：1.一种基于机器学习的超声导波检测焊缝缺陷方法，其特征在于，所述基于机器学习的超声导波检测焊缝缺陷方法包括：基于超声导波技术获取带有已知缺陷的焊缝缺陷样本的焊缝缺陷特征的反射信号，建立渐近逼近模型，并采用P-PCA算法对获取的焊缝缺陷特征的反射信号进行缺陷主成分与凸显成分特征提取和模式识别；根据提取焊缝缺陷样本的特征和模式，与已知缺陷进行对照，并结合K近邻模型进行训练，建立用于存储焊缝缺陷特征的缺陷标识模型库；对待检测焊缝发射超声导波信号并捕获反射信号数据，采用P-PCA算法对捕获的反射信号的焊缝缺陷特征信号进行提取，并将提取的数据输入至训练完成的K近邻模型；采用K近邻模型对反射信号的焊缝缺陷特征信号数据进行识别，并结合缺陷标识模型库进行对比分析，确定检测结果，基于距离法计算确定检测结果中焊缝缺陷的具体信息；基于检测结果与缺陷标识模型库的差异特征点，采用有监督学习，将存在差异的检测结果作为新的样本数据，并结合样本数据的特征信息对缺陷标识模型库进行有监督学习训练，对新衍生的样本进行特征信息的分类和标识；通过支持向量机回归，与已知缺陷对照训练，对通过有监督学习获取的焊缝缺陷样本的焊缝缺陷特征进行非线性映射，根据缺陷标识模型库的格式完善焊缝缺陷样本的标识信息，将焊缝缺陷特征转化为易于分类和识别的形式，对缺陷标识模型库进行样本衍生；其中，对于主成分与凸显成分特征点参数的选取和数量设置，采用最大均值差异算法作为衡量指标进行选取。

全文数据：

权利要求：

百度查询： 中交第二公路勘察设计研究院有限公司 基于机器学习的超声导波检测焊缝缺陷方法、装置及设备