数据融合技术在棒材缺陷超声识别中的应用

　　引言

　　数据融合是利用多传感器技术,按照一定的规则,把得到的信息进行综合和判断。因为它充分利用了多方面的信息,因而判断结果更为准确和可靠[1～2]。大型棒材锻件由于截面尺寸大,锻造困难,且经过多道工序,极易产生各种缺陷[3～4]。由于加工工艺原因,不同缺陷有着不同的分布或取向[4],难以用一组传感器进行缺陷分类和测量。本文针对大型棒材锻件不同缺陷的时域和频域特征,通过局部判断和整体融合决策,利用人工神经网络中的感知器算法以及数据融合技术,采用超声无损检测方法,对大型棒材锻件常见缺陷进行分类和自动识别。

　　1　数据融合基本理论

　　1.1　数据融合技术

　　多传感器融合的结构形式一般分为串行融合、并行融合和混合融合3种[1]。并行融合是各个传感器信息并行处理进行融合。因为各传感器信息并行处理,所以此种方式速度较快,效率较高。根据融合级别,数据融合一般又分为数据级(像素级)融合、特征级融合和决策级融合。数据级融合是直接在采集到的原始数据层上进行的融合,此种方式需要处理的数据量大,效率较慢,但能提供其他融合层次所不能提供的细微信息。特征级融合对来自传感器的信息进行特征提取,然后对特征信息进行综合分析和处理。决策级融合是最高级别的融合,根据各分传感器信息局部决策的结果进行决策融合,其融合结果即为判断依据。因各分传感器局部决策信息可以并行处理,所以决策级融合方式效率较高。

　　1.2　局部决策与感知器算法

　　局部决策是根据局部的或分传感器的信息做出的局部判断。因为局部信息的有限性,所以局部决策结果作为决策判断结果具有片面性,但其又是整体决策判断的重要依据。棒材缺陷识别局部决策采用人工神经网络理论中的感知器算法,在单组传感器中实现缺陷局部决策分类识别。感知器算法即线性阈值神经元学习算法,其基本思想是对初始的增广矢量用训练模式检测其合理性,当不合理时,用最优化技术中的梯度下降法进行校正,直至能够对训练样本按一定规则进行正确分类[5]。

　　1.3　棒材缺陷数据融合识别思路

　　数据融合技术目前还没有一套完整的通用理论,对具体问题的数据融合技术和方法研究较多[2]。目前研究较多的有基于D S证据理论[6～7]和Bayes决策方法[8]的数据融合技术,以及与模糊逻辑结合在一起的数据融合技术[9～10]。本文根据超声检测的实际特点,考虑到超声检测信号数据量较大,并进行变换处理,以及自动检测的实时性,采用了效率较高的并行多传感器数据融合技术,提出了利用先验知识,基于后验概率的数据融合方法,通过所建立的大型棒材锻件水浸超声自动扫查系统,采用3组传感器,在决策级上进行数据融合,实现对棒材锻件常见缺陷类型的分类识别。