Page 49 - 理化检验-物理分册2024年第七期
P. 49
云 晗，等：基于卷积神经网络焊管缺陷分类识别
图 3 时域信号波形
段进行傅里叶变换，使每一时刻的时域信号对应于 对常用时频分析方法进行深入比较，采用短时傅里
频域信号。 叶时频分析方法，选用汉宁窗函数进行频域分析，以
离散短时傅里叶变换对于离散序列信号x(T)和 实现更精确的信号处理。
时间T的变换如式（1）所示。整体离散短时傅里叶 3.2 特征提取
变换如式（2）所示。 特征提取是从原始数据中选择或转换一组相关
x ( ) = n xn ) n （1） 的信息，以描述数据的重要特征，从而对缺陷图像进
( ) ( - Tω
1
行分类和识别。特征提取可以减少数据的维度并捕
k ∑
G ( ) = n ,t ns =ts F x ( ) ( - k ω k ns )e -j t ω （2） 捉数据的关键信息，从而提高模型的性能。一般来
+ -1
xk
式中：ω(T)为窗函数； ( ) 为待分析信号，其中 k 为 说，缺陷特征提取主要是提取缺陷区域的物理特征，
时域信号，表示离散时间点；n 为窗口数变量，对应 包括形状、灰度分布、纹理和图像序列等信息。利用
于STFT的时间参数，n=0，1，2，3，…，E-1；t 为 MATLAB软件对采集到的涡流信号进行STFT，得
t
频率参数，=0，1，2，3，…，F-1；E为变换后频域 到二维时频图（见图4）。
信号的水平坐标；F为变换后频域信号的垂直坐标。 缺陷的类型不同，其对应的时频图也不同。图4
在频域分析中，理想的窗函数应具备两个关键 中颜色的深浅对应了频率的不同幅值，其中蓝色是
特性：一是主瓣窄，即具有高频率分辨率，以准确区 二维时频图的背景色。对每个缺陷谱图的颜色深度
分不同的频率成分；二是副瓣低，以减少不同频率间 进行识别，可以清楚地区分缺陷类型。由图4可知：
的相互干扰。在常用的窗函数中，矩形窗函数的主 缺陷1色谱图中两种颜色区域有明显的断层峰值， 表
瓣宽度相对集中，光谱分辨率较高，但其副瓣高度也 示该处为缺陷位，且峰值之间的距离表示缺陷的大
相对较高，易导致频谱间产生交叉干扰。汉宁窗函 小；缺陷2色谱图的正常区域为绿色区域，黄色峰区
数也称上升余弦窗函数，其副瓣高度低，但主瓣宽度 为缺陷；缺陷3的色谱图中黄色峰值区间为缺陷，且
变宽，频率分辨率不高。汉明窗函数与汉宁窗函数 缺陷的大小与缺陷2接近；缺陷4色谱图中天蓝色表
相似，其旁瓣较小，但衰减速率较慢；高斯窗函数的 示这个区域的材料是合格、没有缺陷的，而中间的黄
主瓣宽度宽，频率分辨率也较低。综合考虑频率分 色峰区表示该处存在缺陷；缺陷5色谱图中峰值处
辨率和副瓣抑制的需求，选择汉宁窗函数。 与天蓝色区域有明显的断层，表示缺陷不连贯；标准
为更好地处理数据采集部分获取的时域信号， 试样色谱图中黄色区域贯穿了整个时间轴，即没有
37
