一种基于LSTM网络的超声闸门自适应追踪方法

本发明涉及超声检测领域，特别涉及一种基于lstm网络的超声闸门自适应追踪方法。

背景技术：

1、基于闸门来获取超声回波区间以计算飞行时间是超声测量中的必要步骤。然而，测量过程中，被测点的工件厚度及耦合间隙不断变化，残余应力引起声速改变，均可导致超声回波位置不定。为完成壁厚或应力分布的超声测量任务，闸门位置需根据回波区间自动调整。针对这一问题，研究人员提出了一系列动态闸门实时跟踪方法，然而这些方法或需要提前人工输入部分初始参数，或需要进行一遍预扫查以获取部分声时信息，或需要通过其它算法提前获知回波位置。这些前置操作和数据预处理大大降低了测量效率。

2、lstm是解决rnn的长期依赖问题而改进的一种特殊rnn，相比普通的循环神经网络，其在长序列数据中有更好表现。lstm网络非常适合基于时间序列数据进行分类、处理和预测。lstm网络通过使用一种“门”的内部机制，来调节信息的流动，以解决rnn的短期记忆问题。这些门可以控制序列中哪些数据是重要的，应该保留或丢弃，以此可以沿着序列传递信息，从而做出预测。lstm在较长序列数据处理上具有独特优势，而超声时序信号属于长时间序列数据，同时，超声的前后回波间又具有一定的关联信息，超声时序信号的这些特点表明lstm适用于超声时序信号时间序列的处理。

3、2020年，岳建平等在发明专利cn202011349826.0中发明了“连续变厚度工件超声扫查动态闸门实时跟踪的方法及扫查方法”，分别设定超声扫查装置的界面回波、底面回波跟踪闸门和数据采集闸门的起始时间和闸门宽度，根据被测工件的扫查轨迹判断出所述被测工件测点厚度变化。但该发明需要提前构建被测工件的cad模型，由模型制定扫查轨迹。2016年，崔西明等在发明专利cn106289124b中发明了“一种超声测厚闸门的实时跟随回波的方法”，让测厚闸门根据跟踪闸门返回的界面波声程实时调整闸门起点并给出闸门内回波的声程，实现测厚闸门对回波的跟随。但该发明需要人工设定闸门，使得回波恰好位于闸门内，且测量过程中闸门宽度不能改变。

4、然而，上述方法均未提及基于lstm网络的超声闸门自适应追踪方法。

技术实现思路

1、本发明主要解决的技术难题是克服现有方法的不足，基于长短期记忆神经网络，发明了一种超声闸门自适应追踪方法。本发明构建了基于lstm的超声闸门自适应追踪网络模型，用于超声回波自动定位；使用实测超声时序信号数据对模型进行训练与测试；采用高通滤波以减小激励波形影响；引入傅里叶同步压缩变换提取信号频域特征并馈送至网络输入，使网络同时学习时频特征；计算信号短时能量以区分超声回波与不感兴趣的小幅值干扰回波。本发明有效提高了超声时序信号分类准确率。

2、本发明采用的技术方案是：

3、一种基于lstm网络的超声闸门自适应追踪方法，首先进行网基于lstm的超声闸门自适应追踪网络模型构建；其次对数据集进行预处理；然后对网络模型进行训练；最后采用高通滤波、fsst变换、计算信号短时能量的时频域处理方法对网络模型进行优化。具体步骤如下：

4、第一步，网络模型构建

5、构建基于lstm的超声闸门自适应追踪网络模型，该网络由一个序列输入层，一个lstm层、一个全连接层，一个softmax层和输出层构成。该网络输入为超声时序信号，输出为等长的标签序列，通过不同的标签注释区分感兴趣区域与非感兴趣区域。

6、为获得用于训练的标签序列，需要对每个超声时序信号的超声回波区间添加标签。区域标签只包含了感兴趣区域首尾两点的序列坐标，而lstm网络将用超声时序信号采样点所属区域的标签名称来标注每个信号采样点。因此，有必要将区域标签转换为包含针对每个超声时序信号采样点的各个标签的序列。一个完成转换后的标签序列被网络模型分为两类，其中一类为感兴趣的回波区间，标签为“echoes”；另一类为非感兴趣区域，设置标签为“n/a”。

7、第二步，数据预处理

8、将超声时序信号及其对应的标签序列拆分为包含若干个采样信号段。由于超声时序信号幅值有正负，为保留符号信息，对超声时序信号进行标准化处理，以提高网络模型学习速度和估计准确性。标准化处理的公式为：

9、

10、其中，x'为标准化后超声幅值，xi为时刻i的幅值，μ为数据的平均值，σ为数据的标准差。将完成拆分及标准化后超声时序信号和标签序列分别作为lstm网络的输入集和输出集。

11、第三步，模型训练

12、将多组不同零件的实测超声时序信号作为数据集。将数据集随机分为训练组和测试组，使用训练集样本利用反向传播算法对模型进行训练，训练过程中不断通过优化求解器更新网络各层权值，以使网络预测的标签序列与真实标签序列足够接近。设计的网络模型使用adam算法作为优化求解器，损失函数为交叉熵函数。分别设置初始学习率、迭代次数、迭代学习率、最小批尺寸，在训练速度与网络性能两方面取得平衡。

13、第四步，应用高通滤波优化网络模型

14、对超声时序信号做快速傅里叶变换分析，设计对应截止频率的高通滤波器，以减小激励信号的影响。

15、第五步，基于fsst变换优化网络模型

16、使用傅里叶同步压缩变换计算每个超声时序信号采样的频谱，并输入网络，使网络同时学习时域和频域特征。

17、首先，计算超声时序信号的短时傅里叶变换。对于换能器接收到的超声时序信号可表示为：

18、

19、其中，n为回波数量，ai为第i个回波的幅值系数，为i个回波的相位调制，与回波的飞行时间有关，η(t)为加性噪声。

20、对超声时序信号s(t)进行短时傅里叶变换，其时频谱为：

21、s(t,ω)＝∫s(u)g(u-t)e-jωudu      (3)

22、其中，s(u)为换能器接收到的超声回波信号，g(u)为窗函数，t为窗函数的中心时刻，ω为角频率。

23、随后，估计回波信号在t时刻的瞬时频率，其值为s(t,ω)对相位的导数：

24、

25、最后，根据瞬时频率，沿频率方向同步压缩到频率中心：

26、

27、将傅里叶同步压缩变换结果的实部和虚部视为两个单独的特征，两个分量做标准化处理后同时输入lstm网络中；修改长短期记忆网络架构，使其可接受每个采样的fsst频谱；将序列输入层的输入尺寸修改为与频率数量相同，其余参数不变。

28、第六步，基于时域分析法优化网络模型

29、计算信号的短时能量，通过信号段能量大小的显著差异来区分真实的回波和干扰回波。信号的短时能量：

30、

31、其中，ω(n-m)为窗函数，n为窗长。当窗函数为矩形窗时，信号的短时能量为：

32、

33、修改网络接受短时能量加入输入集，对网络进行训练。选定矩形窗，设置窗长，计算每段信号短时能量值并馈送至网络输入。使用含有多次回波的超声时序信号数据集对修改后的网络进行测试。

34、本发明的有益效果是：本发明提供了一种基于lstm的超声闸门自适应追踪网络模型，解决了超声回波自动定位效率低、精度差的问题，实现了超声时序信号高效准确定位，优于传统rnn模型。采用高通滤波、fsst变换、计算信号短时能量的方法实现了网络模型优化，减小了干扰波形影响，提高了超声时序信号分类准确率。