超声缺陷回波信号的小波包降噪及特征提取

　　1　引　　言

　　超声检测的回波信号中含有大量与缺陷性质相关的信息,但同时也掺杂着各种干扰噪声,给后续的信号处理带来误差。对于由偶然因素引起的脉冲干扰噪声很容易通过限幅滤波法(程序判断法)、中位值滤波法、算术平均法等方法消除。而对于被检测材料内部由散射中心(如颗粒的边界及其它微粒)产生的一些在时域上看似随机分布的回波,这些回波对于需要检测的缺陷信号构成了背景噪声,为检测缺陷带来困难。这些噪声具有与缺陷反射回波相似的频率分布特征,很难在频域中分离出来,需要采用其它信号处理技术来降噪。

　　缺陷分类识别的关键在于如何将反映缺陷性质的信息(特征)从超声响应中提取出来,并给予正确的解释。由于超声信号具有非平稳性的特点,所以特征提取方法的选择就显得尤为重要。文献[1]用小波分析方法,将信号分解成不同等级、不同位置的小波分量,将较高级和最高级上的均方小波幅值作为所需提取的特征值。然而,小波分解只是对低频信息进一步分解而对高频信息则不能分解,这样高频信息就不能被利用,使得在信息提取方面不够全面。对高频带上的信息分解则由小波包来完成[2]。小波包分解与小波分解不同,它相当于同时使用了一个低通滤波器和高通滤波器,因此就给出了信号在整个频带的信息。把信号按频带进行分解,可以在特征提取时获得任意频带内的信息,增加了提取信息的含量,因而小波包在波形特征向量提取方面更有优势。

　　文中根据非稳态超声检测信号的特点,将小波包变换用于实际焊接缺陷信号的降噪及特征提取问题的研究,分别利用类别可分性判据和RBF神经网络对特征值提取结果进行评价。

　　2　数据预处理

　　与小波分析相比,小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对小波变换没有细分的高频部分进一步分解,并能够根据分析信号的特征,自适应地选择频带,使之与信号频谱相匹配,从而提高了处理信号的能力。利用小波包变换的特性可以将原始信号分解为一系列近似分量和细节分量,信号的噪声集中表现在细节分量上。使用一定的阈值处理细节分量,再经小波包重构后可以得到平滑的信号,其算法流程如图1所示。

　　式中:f(t)为信号部分,z(t)为服从N(0,1)的高斯白噪声,σ为噪声强度。信号f(t)的性质可以用它的小波系数来描述,小波系数较大者,携带的信号能量较多,小波系数较小者,携带的信号能量较少,因此用携带能量的多少作为衡量小波系数的信号f(t)中的权重大小。引入以信号能量为判据的浮动阈值作为区别受噪声污染的小波系数时,如果将等于或小于阈值的小波系数作为零处理,而仅仅用阈值以上的数据来重建原信号f(t),这样,既去掉了大部分噪声,又不至于引起重建结果的明显失真。显然,阈值选择恰当与否直接影响到算法的有效性。阈值选择太大,使过多的小波系数被置为0,这样就破坏了太多的信号细节;阈值选择太小,又不能达到预期的去噪效果。根据小波变换局部极大模理论,在剔除噪声时,只要剔除掉白噪声的小波变换局部极大模所形成的那部分系数能量,就可将大部分噪声去除掉。白噪声的小波变换系数极大模的平均密度与尺度因子S有如下关系式成立: