非线性超声检测（共7篇）
非线性超声检测 篇1
伴随着超超临界发电技术的推广应用,超超临界用钢得到长足的发展。HR3C因其良好的抗高温氧化性以及持久强度被用于制造超超临界发电机组的锅炉管道[1,2]。鉴于国内燃煤中含有相当数量的S,Cl,Na,K等元素,煤燃烧过程中形成的碱金属(K,Na)盐类在高温条件下通过与含S化合物作用,发生硫酸盐熔融;熔融的硫酸盐通过向内扩散,破坏氧化层,使基体HR3C发生烟侧腐蚀[3,4]。烟侧腐蚀速率快,腐蚀区域相对集中,导致管壁减薄[5,6],引发爆管事故,进而威胁电厂安全运行,对服役期间的超超临界发电机组的连续安全运行形成严峻的考验,而常规的检测方法由于原理的局限性无法完成对早期烟侧腐蚀的无损检测和表征。因此,如何对超超临界用钢HR3C烟侧腐蚀程度进行检测已成为超超临界机组发展亟待解决的问题。
研究表明:材料内部存在的微小缺陷可激发超声波传播过程的非线性行为[7],且由于非线性超声检测自身的特点,其对于材料的早期缺陷更为敏感[8,9,10],超声非线性参量可以用于描述固体介质非线性的相对变化,尤其是对材料的早期高温损伤方面具有潜在优势。徐从元等[11]通过测量不同损伤程度下LY-12铝合金棒的声速、衰减及非线性系数,证明了非线性系数对疲劳损伤的敏感程度要高于声速和衰减;Nagy[12]使用超声非线性系数对材料的早期疲劳程度进行了无损表征,指出随着疲劳次数的增加,非线性系数明显增加,但是线性参数(衰减、声速等)却没有发生明显变化;江念等[13]对复合结构件进行了非线性超声检测,并完成了对于粘接效果的无损表征,明确了非线性效应程度可以作为有效评价复合结构粘接质量的特征参数;邓明晰等[14]通过考查不同材料的板材、工作频率、板厚以及入射角改变等因素对兰姆波模式的影响,利用非线性兰姆波实现了对层状固体结构表面性质的变化情况的无损表征。
综合透射法具有操作简单且能量衰减小以及非线性超声检测对于材料早期性能衰退以及微观缺陷具有较高敏感性的特点[15]。本工作首先探讨了发射脉冲模式、脉冲激励串个数、加窗处理、输入电压峰峰值和样品粗糙度对非线性超声检测的影响;并在此基础上,开展了应用非线性超声透射法对超超临界用钢HR3C烟侧腐蚀无损检测可行性的研究与分析。
1 非线性超声检测的原理
传统超声检测使用的超声波能量低、波幅度小,即由超声波传播时产生的应力和应变均较小,此时介质中超声波的传播遵循线性应力-应变关系,倍频信号分量可以忽略不计。当使用能量较高,波幅较大的超声波进行检测时,超声波在传播过程中受到介质中应力-应变非线性的影响增强,非线性响应信号分量能量增强、幅值变大,此时超声波的波形会发生明显的失真现象,倍频信号分量将不可忽略不计。
Breazeale等[16]从连续介质模型出发,得到了一维纵波非线性波动方程:
式中:K2表示在一维波沿x方向传播情况下,材料的二阶弹性模量,为常用的材料弹性模量,用于表征固体材料的线弹性性质;K3为三阶弹性模量,受材料内部微观组织的影响,可表征固体中的非简谐性[17]。
定义非线性系数β:
以最简单的一列正弦超声波在各向同性固体中传播为例,即:
其二级近似解为:
式中:ω为角频率;x为传播距离;t是时间;k=ω/c0;为波数。
从解的形式[18]中可以看出,超声波经过样品之后,波形将发生畸变,除基频波之外,还产生了倍频谐波。定义:基波幅值为A1=A0,则二倍频幅值A2=k2A02βx/8,二次谐波的振幅与波数的平方、传播距离和材料超声非线性系数成正比。显而易见,当发射信号基频幅值A0较大时,由于介质非线性所引起的二次谐波A2也会随之增大,其在接收信号中所占的能量影响将不可忽略不计。
由此求出超声非线性系数:
进一步的研究表明:向含有损伤的材料中入射正弦波时,固体内部的不均匀性如空隙、位错等微观缺陷的两接触界面会随着波形的振动往复开闭,会使两接触面互相重复打击及相互摩擦,产生显著的倍频谐波[19],进而造成波形的畸变,使非线性系数发生变化,二者存在对应关系。换言之,超声非线性系数反映了当波穿过非线性材料时波形发生畸变的程度,可用于材料及结构微细损伤的非破坏检查与评价。
2 实验方法
2.1 非线性超声检测系统
实验所用基于透射信号的非线性超声检测系统如图1所示,该系统由RAM-SNAP系统、高能匹配电阻、衰减器、滤波器、信号取样器、换能器、夹具、示波器及计算机等组成。RAM-SNAP系统输出频率为5MHz的高能量正弦脉冲循环串信号,经过50Ω匹配电阻、固定衰减器、低通滤波器等模块后加载到标称频率5MHz、晶片直径10mm的发射探头,信号经耦合剂垂直入射到待检试件,工件和探头之间使用特制夹具进行固定;透射信号被固定在试件另一端面的标称频率10MHz、晶片直径10mm的探头接收进入系统通道。在此系统中,为了滤除输入信号中的高频谐波分量,引入了低通滤波器,确保激励发射换能器的信号为单一频率的正弦波。
2.2 研究对象和样品制备
实验过程中为了能够准确反应测试参数对于系统本身非线性的影响,采用CSK-Ⅰ型标准试块作为研究对象,探讨了脉冲串个数、加窗处理、输入电压以及表面粗糙度等对非线性超声检测的影响,进而确定发射信号参数的选择原则。
烟侧腐蚀所用材料取自于HR3C炉管,将其加工成15mm×15mm×7mm的片状试样,表面统一用水砂纸打磨至400#,保证样品表面具有相同的粗糙度,然后用丙酮和乙醇清洗并吹干。采用热喷涂法在试样表面喷涂一层硫酸盐的饱和溶液。硫酸盐成分为w(Na2SO4)∶w(K2SO4)=8∶5,硫酸盐的组成及配比是根据国内二十几家电厂煤粉成分分析的结果,取其中K2O和Na2O平均值的摩尔比确定的,与锅炉管道工作环境的沉积盐相类似[20]。试样表面的硫酸盐量为5mg/cm2。将喷涂硫酸盐的试样放在坩埚中进行热腐蚀实验,腐蚀温度为750℃,腐蚀时间分别为20,50,100,150,200h。为了排除不同表面粗糙度对非线性系数的影响,腐蚀之后进行超声清洗,除去表面的氧化层。
3 影响非线性超声检测的因素探讨
在非线性超声检测中,接收信号由系统内部的随机噪声信号和带有试样信息的反射/透射信号相互叠加而成。当系统内部的随机噪声较大时,会影响甚至湮没有效信号,造成结果的不稳定和错误。为了准确提取能够表征材料状态的非线性特征信号,要求仪器和随机因素产生的谐波干扰尽可能减少,使发射信号的频率成分尽可能简单,这就需要对发射信号的参数进行合理选择和设置。
3.1 非线性超声检测信号模式的选择
非线性超声检测不仅要求输入信号的功率高,而且频率成分要尽可能的单一,但高功率连续波通常难以实现,且在该激励模式下的轴向分辨力低,无法对缺陷进行准确定位;如采用单脉冲模式作为激励方式,激励波形幅值很大,检测轴向分辨力高,但单脉冲信号本身频率范围较宽,不利于判断接收信号中所包含的谐波频率成分是由材料的非线性效应所引起的还是在发射端引入的,从而影响测量结果。基于上述原因,介于连续波和单脉冲之间的脉冲串模式在非线性超声检测领域得到了广泛应用,该模式下输出的发射信号具有输出功率较高、频带较窄,且轴向分辨力相对较好的特点。
3.2 脉冲激励串对非线性超声检测的影响
进行非线性超声检测时,为了确保回波信号之间能够相互区分开来,要求接收信号的脉冲激励串长度应小于二次回波间的时间间隔,因此,需要合理选择脉冲激励串的数目。对于厚度为d,声速为c的试样,两次回波之间的声程差为2d/c,假设探头的频率为f,则每个脉冲激励串所能延续的时间为t=1/f,所以,能够区分两次回波的脉冲激励串个数,即允许的最大脉冲激励串个数为:
实验所用CSK-Ⅰ试块厚度为25mm,声速为5930m/s,发射探头的频率为5MHz,可以算出其允许的最大脉冲激励串个数n为42,考虑到传播过程中波形的畸变,所以本次实验采用的脉冲激励串个数上限为30。
非线性系数β随脉冲激励串个数变化如图2所示。由图2可以看出,随着脉冲串的增加,β呈指数规律单调递减。当脉冲激励串个数从5增加到30时,β的降幅为92.76%,这意味着进行非线性超声检测时,选择脉冲激励串的个数越多,超声信号中谐波成分所占比例越来越小,这对减小系统干扰是有利的。
图3描述了含有不同脉冲激励串的发射信号的幅频曲线。由图3可知:脉冲激励串越多,幅值越高,主频(5MHz)带宽越窄,由0.6MHz(cycle=10)减小到0.2MHz(cycle=30)。分析认为:脉冲串的增加,意味着发射能量的增加,而在增加的这部分能量中5MHz占绝大部分,这使得5MHz的频谱分量增加得更显著,A1(主频幅值)增幅为197.4%,A2(倍频幅值)增幅仅为78.24%。
综上所述:进行非线性超声检测时,允许的脉冲激励串个数n≤2df/c;较多的脉冲串个数有助于减小倍频幅值在发射信号能量中所占的比例,有利于降低系统干扰。
3.3 加窗处理对非线性超声检测的影响
超声换能器频带宽度有限,为了充分利用换能器的频带,可以通过利用窗函数的频率特性,降低旁瓣电平,确保发射信号的频谱与换能器的固有频带相符。为此,需要对发射信号进行适当的加窗处理,进而减少因为发射信号的非线性对于最终结果的影响。汉宁窗因具有良好的频率分辨率,可以降低频率泄漏[21],所以本实验采用了汉宁窗来探究发射信号的加窗处理对于非线性超声检测的影响。
加窗处理对非线性超声检测的影响如图4所示。从图4看出,加窗处理使包含相同脉冲激励串的发射信号的非线性系数β显著降低;当脉冲激励串个数小于15时,加窗能够明显降低β,降幅可达200%;当脉冲激励串进一步增加到30时,加窗作用使β降低50%左右。
图5描述了包含不同脉冲激励串的发射信号加窗处理后的幅度-频谱曲线,显而易见,加窗处理主要是对倍频幅值产生显著的作用。经汉宁窗调制处理,接收信号的主频幅值A1变化不大,但倍频幅值A2明显下降,对于具有相同脉冲激励串的发射信号,加窗之后接收信号中A1的降幅仅为5%左右,但A2的降幅达到了50.78%以上;相当于通过汉宁窗对发射信号进行一次滤波降噪,降低了主频之外的旁瓣信号能量,从而降低了接收信号中的杂波的干扰,使信号成分变得更加纯净。
此外,当脉冲激励串个数增加时,加窗处理的作用会减弱。当脉冲激励串个数为5时,加窗处理后β的降幅达到了75.42%,当脉冲激励串个数增加到30时,加窗处理后β的降幅则为47.68%。分析认为,在较少脉冲激励串时,由于信号本身的能量较低,即A1也较小,加窗处理后A2的变化对非线性系数的作用较为突出。脉冲激励串的增加意味着发射能量的增加,此时A1呈现大幅度上升,虽然加窗处理可以减小A2的增幅,但对β的降幅相对减小。
综上所述,进行非线性超声检测时,对发射信号进行加窗处理可以降低测试系统自身的非线性,有利于保证实验结果的稳定性和准确性。
3.4 输入电压峰峰值对非线性超声检测的影响
从一维纵波非线性波动方程的二阶近似解可以看出,倍频信号幅值与基频信号幅值的平方呈线性关系。为了确保从接收信号中提取出倍频信号的幅值,在非线性的测量过程中要求输入信号的能量应尽可能高一些,但增大输入电压峰峰值(VPP)也会造成接收信号波形存在一定程度的畸变,造成基频幅值A1和倍频幅值A2的波动,如图6所示。当输入电压峰峰值(VPP)变化时,通过10MHz带通滤波器的接收信号基频幅值A1和倍频幅值A2均发生变化,进行曲线拟合,发现A1与电压峰峰值呈线性关系,相关度可达0.9952,而A2与电压峰峰值则成二次曲线关系,相关度可达0.9965。为此需要考察输入电压峰峰值(VPP)对非线性系数的影响。输入电压峰峰值对非线性系数β的影响如图7所示。由图7看出,当输入电压峰峰值改变时,非线性系数β存在一定的波动,但这种波动较小且在均值(μ)的三倍方差(σ)范围之内。实际检测中表现为当系统的输入电压峰峰值发生变化,非线性系数的变化在误差允许范围之内。这意味着,输入电压峰峰值参数对系统本身的非线性影响较小。
因此,在非线性超声检测过程中,综合考虑保证接收信号的能量和降低系统非线性的影响,应在探头不被击穿的前提下,宜采用较高输入电压峰峰值。
3.5 样品表面粗糙度对非线性超声检测的影响
实际检测过程中,样品表面粗糙度存在一定程度的差异,将对超声非线性产生显著影响。为了考察表面粗糙度对非线性系数β的影响,实验采用不同型号(200#~1000#)的砂纸打磨处理试样表面,根据表面粗糙度对照表得出样品表面对应的粗糙度,在相同的实验条件下测定其非线性系数β的变化,每组数据测量5次。得到表面粗糙度随非线性系数变化规律如图8所示。从图8可以看出:随着样品表面粗糙度的增加,非线性系数β单调递增。由于波长量级(mm)远大于表面粗糙度量级(μm),因此可以忽略散射的影响。分析认为:样品表面粗糙度改变,相当于样品表面存在不同程度的微观缺陷和不连续。当高功率的超声波作用于粗糙的样品表面时,不连续界面两侧会随着波形的振动发生往复开闭,从而产生显著的高频谐波。因此,样品表面粗糙度的增加可以被看作是表面微观缺陷或不连续尺寸的增大,这将导致非线性效应的增强,表现在β呈现上升的趋势。
总之,样品表面的粗糙度对非线性系数β产生正相关的影响,所以在非线性超声检测时,样品表面粗糙度要求尽量一致。
4 HR3C烟侧腐蚀非线性超声检测的实验结果与分析
HR3C在750℃腐蚀20,100h的截面形貌如图9所示。由图9可见:高温腐蚀后样品表面形成了疏松多孔的腐蚀层,腐蚀层与基体产生不同程度的剥离,在制样过程中局部出现脱落;近基体侧的氧化层则相对致密,连续性较好;临近氧化层的基体中有长度不等的裂纹及数量不同的孔洞生成;随着腐蚀时间的延长,裂纹长度逐渐增大,孔洞数量逐渐增多。
图9 HR3C在750℃腐蚀20h(a)和100h(b)的截面形貌Fig.9 Cross-sectional micrographs of HR3Ccorroded at 750℃(a)20h;(b)100h
根据式(6),计算出理论最大脉冲激励串的个数为11个,考虑到实验的实际条件,在实验中采用脉冲激励串个数为7个,对发射信号进行汉宁窗处理,输入电压峰峰值VPP为204V。为了能够准确提取倍频信号,接收信号通过10MHz带通滤波器。样品表面超声清洗去除剩余盐膜和氧化层,每个样品测量5次,探头和试样之间采用蜂蜜耦合,忽略耦合剂带来的非线性影响。
实验中测出接收信号中基频幅值A1和倍频幅值A2的变化如图10所示。
从图10可以看出,随着腐蚀时间的延长,腐蚀程度越来越严重,这对超声波信号的线性传播是存在一定影响的,具体表现为A1呈现单调递减的趋势,相比较未腐蚀试样,200h腐蚀样品的基频幅值降低了10.7%;而其非线性行为表现为A2呈现单调递增的趋势,200h腐蚀样品的倍频幅值升高至未腐蚀样品的178.4%。
计算不同腐蚀样品的非线性系数,将不同腐蚀时间的样品非线性系数(βi)与未腐蚀式样的非线性系数(β0),进行归一化处理,得到样品的归一化非线性系数β随腐蚀时间变化如图11所示。随腐蚀时间的延长,β呈现阶段性单调递增的趋势。对应腐蚀的不同阶段β变化具体如下:腐蚀时间在50h以内,腐蚀速率较慢,腐蚀处于孕育期,样品表面并没有发生太大的变化,相比较未腐蚀的样品,β变化不大,增幅在20%以内;增加腐蚀时间到150h时,腐蚀层表面的孔洞增加,有少量微裂纹的产生,腐蚀进入均匀发展阶段,β较孕育期的要更大,呈现线性增加,增幅可达未腐蚀试样的80%;延长腐蚀时间到200h时,腐蚀层的表面已经出现了明显向内延伸的微裂纹和孔洞,这种现象加速了腐蚀的进行,此时腐蚀层的表面对声波的非线性传播带来更大的促进作用,表现为β增幅显著,达到未腐蚀试样的260%。
综上所述,随着腐蚀时间的延长,腐蚀程度加重,非线性系数是呈现递增趋势,因此,选择非线性系数作为特征参数判断腐蚀程度,可以通过非线性系数的大小来判断腐蚀的程度,通过非线性系数的增幅来判断腐蚀的阶段。
5 结论
(1)脉冲激励串的个数n不多于2df/c;适当增加脉冲激励串个数和对发射信号采用Hanning窗处理,均有利于降低系统的干扰;样品表面粗糙度对非线性系数β产生正相关的影响。
(2)随腐蚀时间的延长,非线性系数呈现阶段性的单调递增趋势。腐蚀初期(腐蚀时间在50h以内),非线性系数增幅不超过20%;腐蚀至150h,非线性系数显著增加;相对于未腐蚀样品,腐蚀200h时的非线性系数增幅达260%。
(3)非线性系数的单调变化与腐蚀损伤的加剧相一致,因此,应用超声非线性无损评价HR3C的烟侧腐蚀是可行的。
非线性超声实验系统的改进与优化 篇2
固体媒介的微观细小缺陷, 即非线性性质, 会与频率单一的正弦超声波产生非线性作用, 这些非线性作用主要源于固体介质的晶格非谐和性或位错、滑移带等晶体缺陷。以最简单的各项同性固体中二次谐波激发为例, 当一列正弦超声波A0sinωt在固体中传播时, 其三级近似解为:
式 (1) 中:x——位移;
t——时间;
A1——基波幅值;
k——波数;
ω——角频率;
γ——三阶非线性系数。
二次谐波幅值为:
式 (2) 中:β——二阶非线性系数。
三次谐波幅值为:
由式 (1) (2) (3) 可知, 二阶非线性系数β为:
由式 (4) 可知, 在一定的样品大小和声波频率条件下, 通过测量基波及高次谐波幅值A1, A2, 可以实现对二阶非线性系数的计算, 而二阶非线性系数β可以对复合材料的微观缺陷进行检测和评价。为了简化烦琐的计算过程, 采用相对非线性系数β~A2/A12来表征复合材料的内部结构。
2 实验系统的建立、优化及改进
实验室所搭建的非线性实验系统主要包括函数发生器Tektronic AFG 3102、T&C Power Conversion公司的功率放大器AG1020、Tektronix TDS3032B数字式荧光示波器、发射与接收换能器和计算机。改进后的实验系统原理如图1所示。
3 系统可靠性的验证
为了确定新系统非线性评价方法的可靠性, 利用RAM-5000-SNAP超声非线性测试系统检验实验系统测量结果是否准确, 测试用高阶非线性系数评价RTM/纺织复合材料中孔隙率变化是否准确。实验样品为含有一定量孔隙的RTM/纺织复合材料的试样和厚度约为3 mm的试块 (面积为150 mm×150 mm) 。取试块中30 mm×30 mm的区域, 将每块试块所选区域均匀划分为9个10 mm×10 mm的小区域。实验分为三组, 分别基于RAM-5000-SNAP平台、自搭建实验平台和改进后的自搭建实验平台。实验测量用超声换能器接收二次谐波。在相同的耦合条件下, 对每个区域测量三次, 然后取其平均值。经过式 (1) ~式 (4) 的计算, 得出对应的相对非线性系数。三组实验对比结果如图2所示。
由图2可以看出, 此RTM/纺织复合材料试块在三个系统中的二阶非线性系数都呈现递增的趋势, 且走势基本一致。在第一个点处, β1在1.03E~03左右, 在第九个点处, β9在1.20E~03左右, 说明改进后的实验系统和原来的自搭建系统与SNAP非线性超声系统测量结果一致。综上所述, 改进后的实验系统保持了原有系统的特性, 同时又提升了整个实验系统的工作效率, 能够保证新系统对非线性超声检测实验的后续研究工作。
4 结论
改进后的系统利用集成有采集卡的计算机精简了原有实验系统, 简化了实验的操作步骤, 从而提高了实验系统的工作效率。新系统与原系统及商业化SNAP实验平台的实验结果一致, 可将其用于后续的实验研究工作。
摘要：对实验室已建立的非线性超声实验系统的数据采集与处理进行了改进和优化。结果表明, 新系统在保证实验结果准确、可靠的同时, 提高了数据采集、分析的速度和整个系统的集成化程度, 从而提升了实验系统的工作效率。
关键词：非线性超声技术,检测系统,正弦超声波,二次谐波
参考文献
[1]税国双, 汪越胜, 曲建民.材料力学性能退化的超声无损检测与评价[J].力学进展, 2005, 35 (01) .
非线性超声检测 篇3
随着医疗超声在医学诊断领域的广泛应用,医生对超声系统的各种图像模式和相应的图像质量有了越来越高的要求。提高图像质量的最重要方法之一就是提高系统电路的信噪比。在接收通道的信噪比提高越来越难的情况下,提高发射通道的信噪比,从而改善激励源的性能,成为提高系统性能的另一种思路。
目前超声系统基本都采用脉冲波发射的方案,缺点是谐波含量高,超声波束的旁瓣效应明显,不容易实现变迹。利用线性发射方案可以有效改进以上这些缺点,并能大幅度地提高发射通道的信噪比达到12 d B以上[1]。
本文提出了一种基于AD9106的的超声系统线性发射设计方案,通过这种方案容易地实现了各种超声图像的发射功能和技术,使得大幅度提高发射通道信噪比性能成为现实。
1 超声系统线性发射基本原理
相对比于脉冲波发射方案采用方波发生器和金属氧化物半导体场效应晶体管(Metal Oxide Semiconductor Field Effect Transistor,MOSFET)产生高压发射脉冲的方式,线性发射方案采用数模转换器(Digital to Analog Converter,DAC)加上高压放大器来实现正弦波或任意波形的产生和发射,如图1所示。数字处理和控制电路,通常是在线可编程逻辑阵列(Field Programmable Gate Array,FPGA),会根据系统当前的配置和参数,控制DAC产生相应的发射波形,再通过高压放大器产生高压波形来激励超声探头的换能器,换能器将电压信号转换为超声波进入人体,同时接收人体产生的回波转换成电压信号并传输至发射接收切换电路,发射接收切换电路的主要目的是防止发射高压损坏低压的接收模拟前端,接收到的模拟信号进入接收电路进行信号放大,调理,然后转成数字信号进入后端数字处理部分进行相应处理。
2 线性发射波形序列实现
基于上面介绍的线性发射的基本原理,下面的章节将介绍基于AD9106的线性发射设计,详细描述如何实现超声系统的各种图像模式的发射波形序列的产生。
2.1 数模转换器和波形发生器AD9106芯片
本文介绍的超声线性发射电路中,选择使用美国ADI公司的4通道、低功耗、12位、180 MSPS数模转换器和波形发生器AD9106来设计和实现各种发射激励波形。这是一款专门为医疗超声发射设计的芯片,集成4 096×12位片上模式存储器,用于复杂波形生成。具有12位输出、最高180 MHz时钟正弦波发生器直接数字频率合成器(Direct Digital Synthesizer,DDS),以及4通道DAC。存储器数据可包含直接生成的存储波形、施加于DDS输出或DDS频率调谐字的幅度调制模式。内置模式控制状态机允许用户对全部4个DAC的模式周期以及每个DAC通道信号输出的周期内起始延迟以及各自的相移进行编程。因此可以把AD9106看作是一个4通道的超声发射波束产生器加上DAC。
2.2 单焦点模式发射波形序列实现
B模式是所有超声系统中最基本的一种图像模式,这种模式使用探头上全部或者部分换能器来实现超声发射波束的孔径,取决于探头的种类、发射聚焦深度和超声波束的偏转角度。在B模式下,线性发射波形通常是1个或多个正弦波,并可以通过加窗的方法来减少波束旁瓣产生的伪影。通过Matlab生成加窗波形数据,并利用AD9106的存储器来存储,可以很容易地实现这种波形。针对探头不同换能器波束孔径的变迹技术也是加窗方法的一种典型应用,根据每个换能器所需要的发射幅度,利用AD9106提供的数字增益控制,可以非常方便地对每个DAC加上不同的增益来实现发射变迹。
超声的发射波束合成包括了整个图像场的聚焦和方向偏转,聚焦需要线性延时,方向偏转需要抛物线延时,这两种延时都可以通过设置AD9106的数字延时来控制实现。
图2是利用AD9106生成的具有不同延时的4个DAC通道的输出波形,这4个波形是通过对调频信号进行高斯包络调幅所产生的波形。将通过算法生成的波形数据文件存入AD9106的存储器,然后通过相关寄存器配置不同的延时和增益,产生图2中具有不同延时和幅度的调频调幅波。由图2中的波形例子,我们可以看到AD9106能通过存储器数据和DDS来产生超声系统线性发射所需要的任意类型波形,不仅适用于B模式,而且适用于所有的图像发射模式。
在单焦点模式中,整个图像区域只有一个聚焦点,发射波形序列的产生流程如图3所示。当系统进入新的图像模式后,会将该图像模式的所有波形数据存入AD9106的存储器,然后AD9106会调用存储器中的当前扫描线的波形数据,根据相应的寄存器配置的波束合成延时和变迹增益,触发所有的DAC生成当前这根扫描线的波形,发射出去。同时会调用下一根扫描线的波形数据和相关配置,准备下一根扫描线的发射。
2.3 多焦点模式发射波形序列实现
在多焦点发射模式下,2个或者更多个发射焦点用来构建实时超声图像以提高横向分辨率。整个超声波束包含多个不同深度聚焦区域的波束,最后形成超声图像的每根扫描线由这几个不同深度聚焦区域的波束合成,如图4所示。这样在每个区域都有一个焦点来提供最佳的横向分辨率,而唯一缺点是降低帧率。在接收时,系统只需要提取每个聚焦区域中相应的回波数据,来形成这一根扫描线。
如果这种多焦点成像的所有波束采用完全相同的频率、周期数和形状的波形,那么只需要在AD9106的存储器中存储一个波形,而不同通道的波形幅度和延时可以通过设置每个DAC的增益和延时来实现。如果这种多焦点成像的所有波束采用不同的波形,那么这些用到的波形都需要被存储到AD9106存储器的不同地址,然后在发射的时候通过设置不同的起始和终止地址寄存器来提取不同的数据以生成最终的每个聚焦区域的发射波形。
多焦点发射模式的发射波形序列的产生流程如图5所示,与单焦点发射模式不同的是,在发射当前扫描线后,会判断是否有聚焦区域的变化,然后AD9106根据当前聚焦区域来调用不同的波形数据和配置再次发射扫描线。
上述多焦点发射模式的缺点是会降低帧频,可以利用同时发射多区域聚焦(Simultaneous Transmit Multi-zone Focusing STMF)技术来实现同时多区域聚焦,在提高横向分辨率的同时保持帧率。利用AD9106不同的DAC通道发射的2个不同延时序列的正交调频调幅波来实现STMF的波形例子如图6所示。更多延时序列的STMF也可以在AD9106的存储器中存储更多的延时档案和正交波形数据来实现,如正交调频调幅波,格雷码,贝克码等等。
通过使用调频调幅波可以显著地提高发射的信噪比,图7是Thanassis Misaridis和Jensen JA通过发射线性调频调幅波使发射SNR比脉冲波发射提高了10~12 d B[1]。
3 结论
本文提出了一种超声系统线性发射设计方案,同时提出了单焦点和多区域聚焦发射的方法,并利用AD9106实现了方案中提出的各种发射波形。相比于传统的通过FDGA来实现发射波束和延时的方法,本文设计的发射系统能有效简化了超声系统的发射算法和电路设计,容易实现各种超声图像发射模式和技术。
参考文献
[1]Misaridis T,Jensen JA.Use of modulated excitation signals in medical ultrasound.Part I:basic concepts and expected benefits[J].IEEE Trans Ultrason,Ferroelectr,Freq Contr,2005,52(2):177-191.
[2]Analog Devices Inc.Quad lowpower 12-bit 180 MSP Sdigital-to-analog converter and waveform generator,AD9106datasheet[R/OL].http://www.analog.com/media/en/technicaldocumentation/data-sheets/AD9106.pdf.
非线性超声检测 篇4
关键词：分数阶傅里叶变换,分段线性逼近,时频域能量积累
目标检测在众多领域(如雷达,声纳等)中有着广泛的应用。传统检测问题分为3部分[1]:噪声中已知信号的检测,噪声中对含未知参数信号的检测以及噪声中的随机信号检测。前两种问题是通过匹配滤波器或近似匹配滤波器来解决的[2]。第3种情况由于信号波形是随机的,检测方法是基于非参数化的检测方法。时频分析是处理非参数化检测问题的一种有用的工具。它的主导思想是将一维的时间域转化为二维的时频域分布。基本的时频分布分为两种:原子分解,如窗口傅里叶变换和小波变换;双线性分布,如Cohen类的时频分布[3]。在过去几十年中,对随机信号的时频检测理论的发展。将分数阶傅里叶变换应用到信号检测和参数估计中引起了越来越多的关注,包括线性调频信号(chirp信号)等。但这些都是在线性信号的前提下展开的。而在实际信号处理过程中,非线性信号占有很大的比例,而采用线性估计的方法来检测非线性信号则更具有实际应用意义。分数阶傅里叶变换作为一种时频分析方法具有一些优良的性能。在文中的算法中,利用Wigner-Ville分布来表示信号的时频分布,用分段FRFT(N-FRFT)来对信号进行分N段的线性调频逼近,然后对逼近后的信号进行Wigner-Ville变换,最后将两个Wigner-Ville分布的结果进行“掩模处理”,获得新的分布图。基于该分布图,能量积累检测得以应用,从而充分利用了信号的时频域信息。文中把分数阶傅里叶变换和能量积累结合起来应用到未知信号的估计和检测中去,分析这种方法的检测性能。实验结果表明,提出的方法获得了良好的检测效果。
1 分数阶傅里叶变换以及参数估计
1.1 分数阶傅里叶变换
分数阶傅里叶变换[4]是由Namias在1980年从数学的角度给出的。它可以被解释为时频表面的旋转算子,即将信号的坐标轴在时频表面做逆时针旋转。这一性质使它适用于LFM信号的分析。分数阶傅里叶变换是一种广义傅里叶变换,可以看成是信号在时间轴上逆时针旋转α在μ轴上的表示。
分数阶傅里叶变换的定义[5]为
式中变换核为
式中,p为FRFT的阶数;α为旋转角,
白噪声的能量均匀分布在整个时频平面上,在分数阶傅里叶域上能量堆积的概率很小。基于分数阶傅里叶变换的性质,线性调频信号在分数阶傅里叶域上会出现能量累积。可以通过二维分数阶平面中出现能量累积的位置来估计出该线性调频信号的初始频率和调频率,完成参数估计。
1.2 量纲归一化及参数估计
假定原始信号f(t)出现在时间区间[-tb/2,tb/2],而其频域范围在区间[-fb/2,fb/2]中,tb和fb分别是信号的时宽和带宽。为了将时域转化为量纲为1的域,引入一个归一化尺度因子m,并定义新的尺度坐标[6]
x=t/m,v=fm (4)
新的坐标系实现了量纲归一化,m=(tb/fb)1/2,则两个区间长度都为x=(tbfb)1/2,那么两个区间归一化为[-x/2,x/2],采样间隔为1/x。
含有噪声的线性调频信号为
f(t)=a0exp(j(φ0+2πφ0t+πμ0t2))+W(t),-t0/2≤t≤t0/2 (5)
式中,W(t)为加性高斯白噪声;μ0为调频率;f0为中心频率;a为峰值所对应的分数阶次。μ0,f0与分数阶域坐标u之间的关系表达式为
设归一化前后实际信号的调频率为μ0和μ′0,中心频率为f0和f′0,则其关系为
2 基于分段FRFT参数估计的时频域信号检测方案
噪声和杂波中的弱机动目标检测,一直以来是雷达和声纳领域中具有挑战性的课题。检测一个弱目标需要很长的观测时间。然而,在长时间积累中目标回波的相位历史是难以用少数几个参数建模的。目标检测就成为了一个非参数化检测问题。这里,机动目标的回波可以假设为一个有着未知平滑瞬时频率曲线的非线性调频信号,并且噪声可以建模成一个加性的复高斯白噪声。目标检测可以等同于在复高斯白噪声背景中检测未知调频信号的问题。这是一个典型的二元假设检验问题
这里,x(n)是观测的时间序列;s(n)是一个对应于目标的未知的调频信号;w(n)是一个零均值的方差为σ2的与信号无关的复高斯白噪声。
2.1 分段参数估计
将观测的未知信号x1(长度为M)表示为
x1=[x11,x12,…,x1N]T (9)
其中,N能被M整除。
这样,未知信号x1均匀地分成N段[7],每段在时频平面内用Wigner-Ville分布表示
采用上节所介绍的量纲归一化和参数估计方法,每段信号可近似看成是一个线性调频信号,初始频率为f0,调频率为μ0。于是,将分段的未知信号近似表达为一个chirp形式,如式(12)所示。
x2i(t)=exp[j(φ0+2πf0t+πμ0t2)] (12)
2.2 基于Wigner分布的能量积累检测
对每一段信号,进行分段的Wigner-ville表示
将x2i(t)用Wigner-Ville分布表示。接着,利用“掩模”积累的方法把每段能量累积。
其中,Yi是第i段的未知信号的能量。掩模中的“点乘”操作可以在很好地抑制噪声的同时凸显出时频分布中的信号特征。对于新的时频分布图,累积了N段的能量之和,作为检测统计量Y,其计算方式如式(7)所示。
由于在检测方案中,使用了大量的非线性运算,特别是掩模操作中的点乘处理,所以很难得到虚警概率与门限的完整的解析表达式。这里,利用通用的对纯噪声的Monte-Carlo实验方法来获得已知虚警概率条件下所需要的门限。
3 实验仿真及结果分析
利用分数阶傅里叶变换的特性可以将非线性调频的未知信号先进行分数阶傅里叶变换,将信号分为N段进行考虑。设信号1[7]为
s1(t)=ej[2π(160t3-100t2+30t)] (16)
若信号长度均匀分为8段。信噪比(SNR)=-5。先将每段假设为一线性chirp信号的表示,根据离散尺度化量纲归一化法,每段的时域限定在区间[-63/1 024,63/1 024],采样频率为512,噪声长度也为512。根据式(4),得出归一化尺度因子
图1(a)为原信号加上噪声的时频表示,图1(b)为经过FRFT变换后搜索估计的信号和噪声的时频表示。原信号加上噪声的时频表示与逼近的逆归一化后的信号的时频表示十分近似,表达较为准确,很清楚地显示了信号相关的频率分布和特征。
测试信号2的时域形式为
s2(t)=ej[14π sin(8t)] (17)
同样,N=8,SNR=-5。每段的时域限定在区间[-63/1 024,63/1 024],采样频率为512 MHz,加性噪声长度也为512。所得出的拟合结果如图2所示。
图2(a)为原信号加上噪声的时频表示,图2(b)为经过FRFT变换后搜索估计的信号和噪声的时频表示。基于分数阶傅里叶分段参数估计的时频表示方法,可以在大量抑制噪声的同时很好地保持了信号的时频特征。
若信噪比(SNR)在-14~3 dB之间变化,间隔为1,虚警概率为10-3,由Monte-Carlo实验所得出的门限值T=7.984 5e+07,信号和噪声长度为512,信号长度区间为[-1/2,1/2-1/512]。当N=8时,输入的未知信号为上述未知信号1和2时,将检测统计量在不同的随机高斯白噪声的情况下做1 000次重复实验,得出的检测概率和信噪比关系曲线,如图3所示。
图3中,横轴变化为信噪比(SNR),纵轴为检测概率。虚线表示的是传统的非相干能量积累检测方法所检测的概率变化,即直接将信号和噪声作Wiger-Ville分布表示,然后其能量积累的总和作为检测统计量来进行检测。实线所表示的是本文提出的新的检 测方法所进行的检测。经过对比,可以明显看出, s1(t)的检测概率在信噪比达到-11 dB以后,在相同的信噪比条件下实线上升幅度比虚线大,而s2(t)的检测概率在信噪比达到-12 dB以后,在相同的信噪比条件下实线上升幅度比虚线大,并在SNR=-6 dB 处实线达到概率为1,而虚线在SNR=-5 dB处概率为1。文中的检测方案获得了良好的检测效果。由此可见,文的的基于FRFT估计并进行分段时频处理的检测方法在性能上要优于传统的非相干能量积累法。
4 结束语
文中提出了用基于分段FRFT参数估计的时频分析方法对非参数化信号进行检测。采用分段参数估计方法,可以用分段的线性调频信号逼近非线性调频信号的时频曲线。并基于新的掩模后分布图所得到的能量特征,能够应用于带有噪声的未知信号检测过程中,从而提高了检测性能。
参考文献
[1]Van Trees HL.Detection,Estimation and Modulation The-ory[M].Chichester,Sussex,UK:Wiley,1971.
[2]Kay S.Fundamental of Statistical Signal Processing:Detection theory[M].UK:Prentice Hall.Englewood Cliffs,1998.
[3]Flandrin P.In Wavelet:Time-frequency Methods and Phase Space[M].Newyork:Springer Verlag,1987:68-98.
[4]McBride A,Kerr F.On Namias s Fractional Fourior trans-forms[J].IMA J.Appl:Math,1987,39(7):159-175.
[5]王璞,杨建宇,杜雨洺.分数阶自相关和FRFT的LFM信号参数估计[J].电子科技大学学报,2006,35(2):179-182.
[6]赵兴浩,邓兵,陶然.分数阶傅里叶变换数值计算中的量纲归一化[J].北京理工大学学报,2005,25(4):360-364.
非线性超声检测 篇5
虽然人脸肤色在不同种族之间,不同人之间,甚至同一人在不同的光照、不同的服饰条件下都有改变,但采集不同性别、不同年龄、不同肤色的人脸图象在色彩空间的分布情况,发现他们的差异主要存在于亮度而不是在色彩上[1]。因此,利用肤色特征进行人脸检测的研究[2~5]越来越多。由于物体表面存在镜面反射或界面反射,物体表面常常会产生高光和阴影区域,在图象中,高光部分常对应高亮度区域(接近于最高亮度)。彩色图象中人脸的肤色对光照变化特别敏感,如果不能很好地解决光照影响问题,人脸检测的成功率会非常小。为此,本文将Rein-Lien Hsu等[6]提出的非线性分段色彩变换方法应用于人脸检测中的肤色检测,以消除这类光照造成的高光和阴影影响,提高人脸检测率。
1 非线性分段色彩变换
在文献[6]中,Rein-Lien Hsu等首先从Heinrich-Hertz-Institute(HHI)图象库中的137副图象中手工选取853571个肤色象素点,然后将其绘制在YCb Cr空间及其二维投影子空间Cb_Cr空间中,得到结果。在YCb Cr色彩空间中,肤色聚类是呈两头尖的纺锤形状,也就是在Y值较大和较小的部分,肤色聚类区域也随之缩减。由此可见,在Y值不同的地方,取Cb_Cr子平面的投影,得到的结果是不同的。由此得到结论,简单的排除Y分类,按照传统的做法在二维Cb_Cr子平面中寻求肤色的聚类区域是不可行的,必须考虑Y值不同造成的影响,从而对YCb Cr色彩格式进行非线性分段色彩变换。
在肤色聚类的边界上,Cb和Cr两分量随Y变化的情况。用这四个边界来限制肤色聚类区域可以很好的适应亮度过明或过暗的区域,从而使肤色模型的鲁棒性大大提高。
经过了非线性分段色彩变换得到的色彩空间用YC'bC'r来表示。YCbCr坐标空间到YC'bC'r坐标空间的变换过程推导如下:(1)肤色区域的中轴线分别用Cb(Y)和Cr(Y)来表示,可以得到Cb(Y)和Cr(Y)的表达式为式(1)和(2):
其中,Kl和Kh为常量,也就是非线性分段色彩变换的分段域值,分别为:Kl=125,Kh=128。
Ymin和Ymax也是常数,它们分别是实验数据中肤色聚类区域中Y分量的最小和最大值:Ymin=16,Ymax=235。
(2)将肤色区域的宽度分别用来表示,这也是一个分段函数,其表达式为:
其中i代表b或r,Kl、Kh、Ymin和Ymax同式(1)中的数据。Wci、WLci和WHci也是实验得到的常数,它们分别为:Wcb=46.79,WLcb=23,WHcb=14,Wcr=38.76,WLcr=20,WHcr=10。
(3)最后,可以根据上面的结果得到如下的非线性分段色彩变换公式:
经过这样的非线性分段色彩变换,肤色聚类在RC'b C'r空间中分布,再将其投影到C'b-C'r二维子空间,就可以得到实用的肤色聚类模型。
2 结论
本文利用这种非线性分段色彩变换对光照引起的高光和阴影进行消除,取得较好的检测效果。但是本文算法并不是简单地将这种变换毫无选择地应用于所有待检测图象,而是通过用户的观察结果,用人机交互的方式,人为选择是否进行变换。这是因为:对于那些明显看来没有高光和阴影现象的待检测图象如果实施变换,对检测率的提高并无帮助,反而增加了运算量,延长了检测时间。
参考文献
[1]Yang J,Stiefelhagen R,Meier U,et al.Visual tracking for multimodalhuman computer interaction[C].In Proceedings of the SIGCHI Conference onHuman Factors in Computing Systems,1998:140-147.
[2]J.D.Brand,Dr.J.S.D.Mason.A skin probability map and its use in facedetection[C].In Proceedings of the International Conference on ImageProcessing,2001:1034-1037.
[3]Guangzheng Yang,Thomas S.Huang.Human face detection in acomplex background[J].Pattern Recognition,1994,27(1):53-63.
[4]Kwok-Wai Wong,Kin-Man Lam,Wan-Chi Siu.An efficient algorithmfor human face detection and facial feature extraction under different conditions[J].Pattern Recognition,2001,34(11):1993-2004.
[5]张洪明,赵德斌,高文.基于肤色模型、神经网络和人脸结构模型的平面旋转人脸检测[J].计算机学报,2002,25(11):1250-1256.
非线性超声检测 篇6
可预测元分析( Forecastable Component Anal- ysis,Fore CA) 方法以全新的模型从大量数据中挖掘潜在的可预测特征,从而反映系统的动态特性, 不需要假设数据服从高斯分布,更符合实际工业过程。但是,Fore CA方法是一种线性变换方法, 对于大型工业过程中的非线性数据无法较好地提取动态时序特性( 即可预测特征) ,影响故障检测准确率[6]。因此,引进核可预测元分析( KFore- CA) 方法,该非线性方法不仅能提取数据中的动态时序特性,而且弥补了Fore CA方法在非线性领域的不足,因此提取的特征更能反映实际工业过程状况。
在此,笔者提出用KFore CA方法进行故障检测,通过将输入样本映射到高维特征空间,对数据进行可预测元分析,选取合适的可预测元,并基于贝叶斯定理构造一个统计量来监控系统的运行状况。
1 KFore CA方法1
KFore CA方法的基本思想是将低维非线性空间中的输入数据映射到高维线性特征空间,并使用核方法避免“维数灾难”,然后在特征空间中对数据进行Fore CA,提取可预测元特征,即寻找一个负载矩阵W,使S = WTU,其中,S为提取的可预测元特征,U为映射到特征空间后的数据。
首先将低维非线性空间的输入数据映射到高维特征空间。假设输入数据Xi∈Rm(i=1,2,…,N),其中,N为采样样本数,m为变量的维数,通过非线性映射函数,将Xi∈Rm映射到特征空间后的数据为Φ(Xi)∈F,其均值为0,方差为1。令Θ=[Φ(X1),Φ(X2),…,Φ(XN)],则特征空间F的协方差矩阵,定义核函数k为:N
其中〈·,·〉表示内积。核矩阵可定义为K = ΘTΘ,由此计算核矩阵K。标准化后的特征空间核矩阵为:
其中,为的迹;IN为N×N的矩阵(每个元素都是1/N)。根据协方差矩阵与核矩阵的关系,核矩阵的前d个特征值和特征向量为:
由此可求出特征空间中的数据白化后为:
式中P ———白化矩阵;
Θs———标准化后的数据。
最后对白化后的数据U进行可预测元分析。 其基本思想是寻找一个线性变换矩阵WT∈Rd × m, 使得S = WTU,其中,W为负荷矩阵,其列向量为负载向量,且彼此之间两两正交,S为得分矩阵。 文献[6]给出了Fore CA的最优化问题:
式中SU( ω) ———多变量平稳过程的谱密度;
ΨU( k) ———自协方差函数;
ΣU———协方差矩阵。
当时,有。求解式(5)的最优化问题时,首先使用加权交叠平均来估计U的谱,然后使用EM-Like算法求出可预测元[6,7],按照可预测度的高度排序,选择可预测元个数,最终得到线性变换矩阵WT。
2基于KFore CA的故障检测
选取正常工况下的观测数据X∈Rn × N,其中, n为变量个数,N为采样点个数。首先将观测数据映射到高维特征空间,对数据进行标准化和白化后为U,然后对其运用Fore CA算法,得负荷矩阵为:
笔者基于贝叶斯定理构造一个新的统计量, 将传统的统计量转换为概率测度。根据贝叶斯定理有:
其中,PLi2( F | x) 为观测样本数据x对于每个可预测元的信息; Li2为故障样本的后验概率; PLi2( F) 、PLi2( N) 为先验概率; PLi2( x | F) 、PLi2( x | N) 为似然函数,分别如下:
其中,( Li2)lim是Li2的控制限,由于其并不一定严格服从正态分布,因此可采用核密度估计法通过选取合适的置信水平来确定每个Li2的控制限[8,9]。则通过集成学习可求出观测数据x为故障数据的概率为:
根据概率值设置加权值,对反映故障信息的可预测元特征增加权重值,这样更能反映出系统的实际情况,提高故障检测的灵敏度。为减少监控结果的剧烈波动,提出移动时间窗策略,可以提高EL2统计量的监控性能,对EL2统计量可以描述为:
式中CL———EL2的控制限;
n———移动窗的点数;
Δs———加权矩阵函数。
这里将Δsi定义如下:
n其中,加权值需满足。如此同时考虑i=1到当前时刻信息与历史数据信息,减少了监控结果中的波动性,提高了监控性能。
综上所述,使用KFore CA方法提取系统的可预测元特征,基于贝叶斯定理构造计量,建立核可预测元模型用于在线数据对系统的监控。如果监控结果在统计量的控制限以下,则系统处于正常工作范围内; 相反,则认为系统此时不在系统预测的变化范围内,进而检测出系统出现故障。
3 TE实验平台仿真分析
TE( Tennessee Eastman) 过程是基于实际化工生产过程提出的一个仿真系统,由连续搅拌式反应釜、冷凝器、气液分离塔、汽提塔、再沸器及离心式压缩机等多个单元组成[10],其流程如图1所示。
TE模型有21个预设故障,训练集包含500个样本数据,测试集由前160个正常数据和后800个故障数据构成。 将KFore CA方法与传统PCA方法、KPCA方法、Fore CA方法进行比较,7个故障的检测准确率见表1,其中IDV( 4) 为反应器冷却水的入口温度变化,IDV( 5) 为冷凝器冷却水的入口温度变化,IDV( 10) 为C的进料温度变化( 流2) ,IDV( 11) 为反应器冷却水的入口温度变化,IDV( 16) 、IDV( 19) 和IDV( 20) 为未知类型故障。
由表1可知,KFore CA方法和KPCA方法明显优于PCA方法和Fore CA方法; KFore CA方法基于贝叶斯定理构造的EL2统计量的故障检测准确率要高于其他方法,说明基于贝叶斯定理的统计量对提高故障检测准确率具有有效性。
图2所示为故障10在4种方法下的故障检测监控图,可以看出KFore CA方法基于贝叶斯定理构造的统计量在故障检测中具有可行性和有效性。
4结束语
笔者介绍了一种基于KFore CA方法的非线性故障检测方法。该方法不仅继承了Fore CA方法的优点,而且克服了Fore CA方法无法处理非线性数据的不足,同时针对传统的PCA、KPCA方法更能有效地反映系统的动态特性。在可预测空间中构造基于贝叶斯定理的EL2统计量,用于反映故障信息的可预测元特征,增加权重值,并利用时间移动窗策略减少波动,提高了故障检测准确率。 在TE模型上的仿真表明,KFore CA方法比传统的PCA方法、KPCA方法和Fore CA方法的检测精度更高、效果更好。
参考文献
[1]Fan Y,Li P,Zhi H S.KPCA Based on Feature Samples for Fault Detection[J].Control and Decision,2005,20(12):1415.
[2]Lee J M,Yoo C K,Choi S W,et al.Nonlinear Process Monitoring Using Kernel Principal Component Analysis[J].Chemical Engineering Science,2004,59(1):223~234.
[3]周东华,胡艳艳.动态系统的故障诊断技术[J].自动化学报,2009,35(6):748~758.
[4]李晗,萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策,2011,26(1):1~9.
[5]Kresta J V,Mac Gregor J F,Marlin T E.Multivariate Statistical Monitoring of Process Operating Performance[J].The Canadian Journal of Chemical Engineering,1991,69(1):35~47.
[6]Goerg G.Forecastable Component Analysis[C].Proceedings of the 30th International Conference on Machine Learning.Atlanta:ACM,2013:64~72.
[7]Nuttall A H,Carter G C.Spectral Estimation Using Combined Time and Lag Weighting[J].Proceedings of the IEEE,1982,70(9):1115~1125.
[8]Botev Z I,Grotowski J F,Kroese D P.Kernel Density Estimation via Diffusion[J].The Annals of Statistics,2010,38(5):2916~2957.
[9]Chen Q,Kruger U,Leung A T Y.Regularised Kernel Density Estimation for Clustered Process Data[J].Control Engineering Practice,2004,12(3):267~274.
非线性超声检测 篇7
1 资料与方法
1.1 一般资料
所用处理图像从医院B超室中挑选室间隔缺损B超图像作为研究对象, 在Windows XP环境下用matlab软件进行处理, 由于设备或探查手法的不同, 原始显示图像一般具有低对比度, 部分局部细节区域较暗不清晰, 而采用增强预处理后, 原图像灰度图像灰度集中的区域被充分扩展至整个灰度区间, 从而增大了对比度, 使得图像细节部分显示清晰, 对比度高, 便于观察缺损部位, 测量缺损长度以及有无其他并发性病变。
1.2 检测方法
多采用频率为2.5MHz~5.0MHz的黑白或彩色多普勒超声检查, 采用左侧位45°角探头方式接触到患者皮肤上, 对心脏区域做多切面扫查, 并仔细观察[2]。
先天性心脏病室间隔缺损的诊断标准为, 在二维图像中是否出现室间隔局部回升失落, 通常如果有回升失落, 则多切面都能探测到。如果仅在某一特定切面检测到有失落, 其他切面无此回声失落, 则考虑假阳性或做进一步探查。
1.3 图像增强方法
传统的医学图像增强方法, 其增强方式大多是从整体上针对图像本身增强。而在临床诊断中很多情况下, 医生在观察整张B超图像时只是大体看一下器官的整体情况, 来确定可疑病变部位, 然后针对可疑病变的局部组织细节观察仔细, 希望该部位的细节表现越清晰越好, 以便于确诊。基于热区增强的灰度线性变换正是根据这一特点, 根据实际需要灵活地选择某个灰度值范围, 只针对增强该灰度值范围进行增强, 这样可获得比传统的灰度线性变换更好的效果。
分析传统灰度线性变换增强算法的原理, 我们可以知道能否合理的划分灰度区间是取得理想的图像增强效果的重要保证。而如何合理的划分分度区间, 又要依靠灰度直方图中的数据分析。灰度直方图是显示图像的灰度级分布情况二维数据坐标图, 任何一幅灰度直方图都包括了大量的图像像素的灰度值信息, 我们可以借助它来划分灰度区间。另由于灰度直方图只能显示图像中不同灰度值像素的总数量, 不能建立图像中某一个像素的灰度值与实际坐标点的实时关联。因此, 在确定热区的灰度区间范围时, 往往要凭借一定的经验判断, 具有一定的主观性、盲目性, 而且需要反复调整多次才能最终确定下来大体的区间范围, 既不够精确也费事费力。基于热区增强的灰度线性变换提供了一种快速划分灰度区间的方法, 可以快速确定图像中增强区域的灰度值分布区间, 然后根据需要变换到所需的灰度区间范围。在确定所需灰度变换区间的过程中我们要掌握好以下三个要素。
1.3.1 显示灰度直方图
灰度直方图, 从图形上说, 它是一个二维图, 用坐标表示。横坐标一般用来表示图象中各像素灰度值 (一般为[0, 255]) ;纵坐标一般用来表示图像中该灰度值的像素的总数量。它是一种专门用来进行图像处理二维坐标图, 利用借它显示的像素灰度分布情况。通常对于目标区域和背景区域灰度值有明显明确区分的图像, 通常可以观察直方图上的灰度值分布的谷点来确定两区域分布的大致位置[3]。
P=imread (‘图像文件路径’) ;%读入图像
Imview (P) ;%显示图像
Imhist (P) ;%显示图像直方图
1.3.2 图像像素点灰度值
灰度直方图只提供了图像中像素灰度值分布的统计数量, 每个像素的坐标位置信息却没有提供出来。对于需要增强的热区位置, 首先确定增强热区的坐标范围, 进而确定增强区域分度值分布情况。最后, 将鼠标指向图像热区位置, 当鼠标在像素点上停留时, 显示该像素位置处的坐标值和对应的灰度值。
1.3.3 图像热区增强灰度范围
要确定热区的灰度范围, 仅仅依靠灰度直方图或图像显示不能完成。需要将两者结合起来共同确定。具体步骤是, 把鼠标指针指向图像热区中较亮和较暗的多点位置, 得到多个较高和较低的灰度值, 从而确定热区的灰度分布范围。图像的灰度直方图我们一般采用256级显示, 而人眼能够分辨的只有32个级别, 因此当热区中灰度范围太小时, 人眼无法分辨出异常。
在实际应用时, 我们可以灵活应用以上方法, 快速确定热区的灰度范围, 然后进行灰度线性变换, 增强热区的对比度。
2 实验结果
下面结合一幅室间隔缺损B超图说明基于热区的灰度线性变换增强方法应用实例。图1为原始图像, 266*342像素, 8位灰度图像, 其中两个“+”号之间区域为需要增强的区域。
本文提出的基于热区的灰度线性变换正是针对采用黑白B超捕捉到的灰度图像。在B超图像中, 医生并不关心其中提供的绝大部分信息, 而只是关注可疑病变部位所提供的信息。对于可疑病变部位, 由于灰度区间分布过于密集, 造成医生无法观察到其中细微的差别, 这就对医生的诊断处理造成的障碍。基于热区的灰度线性变换正是针对这一特点, 不去关心整个图片的灰度分布情况, 只是增大可疑病变部位灰度区间, 增强这一区域的对比度, 这样医生就容易识别出其中细微的差异, 对做出正确的诊断提供了有力的保障[4,5]。
图3左下角可以显示原始图像中任意像素的坐标位置与灰度值, 通过鼠标指向人眼能够分辨的只有32个级别中像素点, 我们可以得知这一区域中像素点的灰度值主要集中在45到85之间。由于人眼能够分辨的灰度级只有32, 而两个“+”号之间可疑病变区域灰度级别过于密集, 因此不容易判断出其中的区别。
利用基于热区的灰度线性变换, 将两个“+”号之间可疑病变区域的灰度区间[45, 85]扩展为[0.255], 加大此热区的灰度值差别, 增强其对比度。变换后图像如4所示, 其对应的灰度直方图如5所示。
3 讨论
本文针对超声图像中的室间隔缺损 (VSD) 图像, 首先应用基于热区的灰度线性变换, 通过可以显示坐标值和灰度级的图像结合灰度直方图, 反复对比试验确定基于热区的灰度区间;将热区的灰度区间扩展至最大灰度区间来增强该区域的对比度, 增强可疑缺损部位细节展现。对比增强前后的图像分析, 增强后的图像可疑病变区域细节显示更加清晰, 对比度增强, 更容易看出其中的细微差别;而图像中其他区域有的比原图像清晰, 有的甚至还不如原图像。对比增强前后的图像灰度直方图分析, 原图像中热区的灰度区间被充分扩展至整个灰度区间, 原来相对密集的像素点灰度值被充分扩展的整个灰度区间内。
参考文献
[1]朱虹, 等.数字图象处理基础[M].北京:科学出版社, 2005:31-32.
[2]康晓东.现代医学影象技术[M].天津:天津科技翻译出版社, 2000:23-26, 270-299.
[3]高彦平, 图像增强方法的研究与实现[D].青岛:山东科技大学, 2005:21-24.
[4]陈萍, 毛莲香.彩超和超检测先天性心脏病房室间隔缺损对比分析[J].北京:中国超声诊断杂志, 2002, 3 (12) :895-896.