基于FLDA与BP神经网络的超声3D目标识别

摘要：

针对目前超声3D识别普遍存在的识别率低、鲁棒性差等问题,以物体内部人工标准缺陷为超声靶标,通过对超声靶标脉冲超声回波信号进行处理,提取了相对能量、相对幅值、相对频域带宽、相对峰度系数、相对离散系数、相对包络面积、相对偏度系数和相对频谱半高宽等多个特征参数,利用Fisher线性判别分析(Fisher Linear Discriminative Analysis,FLDA)对这些特征参数进行融合,形成融合特征,并采用反向传播(Back Propagation,BP)神经网络对融合特征进行训练与识别,对物体内部矩形槽、横通孔及平底孔三类超声靶标进行识别.试验结果表明:三种靶标的识别率分别高达了93.3％,93.3％,100％;对噪声有抑制能力,对测试工况不敏感,识别稳健性得到了提高,可为超声3D目标识别提供理论和技术参考.

关键词：3D目标识别、超声波、特征融合、BP神经网络

所属期刊栏目：35

分类号：TG115.28;TP391(金属学与热处理)

资助基金：江苏大学现代农业装备与技术重点实验室开放基金资助项目NZ200807;江苏省高校自然基金资助项目08KJD460016

在线出版日期：2013-08-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：5-10