涡流检测信号的处理技术

1、信号特征量提取

    傅里叶描述法是提取特征值的常用方法。其优点是，不受探头速度影响，且可由该描述法重构阻抗图，采样点数目越多，重构曲线更逼近原曲线。但该方法只对曲线形状敏感，对涡流检测仪的零点和增益不敏感，且不随曲线旋转、平移、尺寸变换及起始点选择变化而变化。

    用测试信号自相关矩阵的本征值和本征矢量来描绘信号特征的方法称为主分量分析法，该方法对于相似缺陷的分辨力较强。

2、信号分析

（1）人工神经网络

    小波变换是一种先进的信号时频分析方法。将小波变换中多分辨分析应用到涡流检测信号分析中，对不同小波系数处理后，再重构。这种经小波变换处理后的信号，其信噪比会得到很大的提高。

人工神经网络的输入矢量是信号的特征参量，对信号特征参量的正确选择与提取是采用神经网络智能判别成功的关键。组合神经网络模型，采用分级判别法使网络输入变量维数由N2 降到N，网络结构大为简化，训练速度很快，具有较高的缺陷识别率和实用价值。

    神经网络可实现缺陷分类，具有识别准确度高的优点，对不完全、不够清晰的数据同样有效。

（2）信息融合技术

    信息融合是对来自不同信息源检测、关联、相关、估计和综合等多级处理，得到被测对象的统一最佳估计。

   涡流扫描图像的融合，将图像分解为多子带图像，并在转换区内采用融合算法实现图像融合。Ka Bartels等采用信噪比最优方法合并涡流信号，并用空间频率补偿方法使合并前高频信号变得模糊而低频信号变得清晰。Z Liu等利用最大值准则选择不同信号的离散小波变换系数，选取待融合系数的最大绝对值作为合并转换系数。因此融合信号可基于这些系数，利用逆小波变换来重构。小波变换可按不同比例有效提取显著特征。在融合信号过程中，所有信号的有用特征都被保存下来，因此内部和表面缺陷信息得到增强。