基于小波包变换的金属材料超声防伪识别

卢 康，贺西平，安笑笑，贺升平，尼 涛

(1.陕西师范大学 物理与信息技术学院 陕西省超声重点实验室，西安 710119；2.宝鸡高新技术研究所， 宝鸡 721013)

基于小波包变换的金属材料超声防伪识别

卢 康1，贺西平1，安笑笑1，贺升平2，尼 涛2

(1.陕西师范大学 物理与信息技术学院 陕西省超声重点实验室，西安 710119；2.宝鸡高新技术研究所， 宝鸡 721013)

以三种成分相异和三种成分相近的金属材料为试样，提取了10 MHz的高频超声脉冲在其内部传播时的散射信号，通过小波包变换得到散射信号在尺度空间上的能量分布，并将其作为信息防伪识别特征，再采用遗传算法优化后的BP神经网络作为分类器。结果表明，提出的方法可以成功识别成分相异和成分相近的金属材料,相比于成分相近未经热处理的金属材料，同种金属经高温热处理后更容易识别，该方法亦可用于对未知金属的防伪识别。

小波包变换；金属材料；散射信号；BP神经网络

传统的金属防伪识别方法(如断口识别和滴定分析法等)对原材料都是有损的。较传统方法，利用超声波辨识金属方法的最大优点是非破坏性，并具有快速、准确、应用范围广等特点[1-3]。

超声波穿过金属材料时都有衰减[4]。通过考察介质中超声波的衰减机理及衰减系数的变化规律，可以对介质的弥散不连续性及力学性能等进行无损表征和评价[5]。文献[6-7]提出了一种基于超声衰减系数谱识别金属的方法，该方法通过提取材料内部一定深度处的超声散射信号，对信号预处理后截取长度相等的相邻两段时域散射信号，经FFT变换后得到相应的幅度谱和衰减系数谱，再对不同金属试样的衰减系数谱做相关计算；相关系数接近于1的可以判别为同一种金属，否则为异种金属。此方法利用了超声波在金属材料里的衰减特征，是一种有效的金属材料识别方法，但由于所选取的特征量维数过大，不利于对金属进行识别分类。

另外，文献[1]利用一次和二次底面回波测试，计算了材料的声速、声衰减系数、一次底面回波的幅度谱、功率谱的峰值频率及带宽，通过这些参量研究了以此直接或间接识别金属材料的方法，并可用于对未知金属的防伪辨识。多参量的结合带来更加准确识别结果的同时，也降低了识别的效率。

当外部条件相同时，超声波在不同的材料中传播，其散射信号会携带该材料结构内部固有的特征信息[8-9]，基于此，分析清楚不同材料散射信号的特征，就可用于金属材料的防伪识别。笔者从散射信号出发，将其直接进行小波包变换后，得到其在尺度空间上的能量分布特征，并选取了有效的特征值作为特征向量。通过对比，采用优化后的BP神经网络分类器对成分相异的金属材料(304不锈钢、420不锈钢、2A13铝合金)和成分相近的金属材料(1Cr17Ni2钢、2Cr13钢、经高温热处理的2Cr13钢)进行了防伪识别，再举例说明了该方法可用于对未知金属的防伪识别。试验表明，该方法对上述两类材料的综合识别正确率分别可达96.7%和90%，相比于成分相近未经热处理的金属材料，同种金属经高温热处理后更容易识别。

1 散射信号特征的选取

1.1 超声脉冲在金属材料中的散射机理

超声波和金属材料之间的相互作用与晶粒尺寸及其分布有密切关系[10-11]。超声波在金属材料中传播时，其衰减系数α(α=αα+αs)由两部分组成。一部分是吸收衰减系数αα，与晶粒尺寸无关；另一部分是散射衰减系数αs。根据金属材料的晶粒尺寸d与超声波波长λ之间的关系，αs与d及超声波的频率f满足不同的散射机理[12]：① 当πd≪λ时，属于瑞利散射，αs=C1Fd3f4；② 当πd≈λ时，属于随机散射，αs=C2Fdf2；③ 当πd≫λ时，属于扩散散射，αs=C3F/d。其中C1，C2，C3为常数，F为各向异性因数。

超声波的频率在20 MHz以下时，大多数金属材料与超声波之间的相互作用，是瑞利散射起主要作用[13]。超声波的频率一定时，由瑞利散射的衰减系数公式可以看出散射衰减系数αs和晶粒尺寸的三次方成正比，故在不同的金属材料里提取的散射信号会有不同的特征。

1.2 基于小波包变换的特征提取

作为信号的一种时频分析方法，小波分解的缺点是频率分辨率随频率升高而降低。小波包分解是一种比小波分解更为精细的分解方法，其对信号的低频部分和高频部分都能逐层分解，进一步提高了信号的时频分辨率[14-15]。

利用Mallat分解算法[15]对散射信号进行小波包四层分解，得到第四层16个节点的小波包系数。若原始信号为X，则重构后的信号记为Xi(i=0,1,…,15)。由于信号在高通滤波后再进行采样会导致频带翻转。因此，按频率范围由低到高排列各节点重构信号为X0,X1,X3,X2,X6,X7,X5,X4,X12,X13,X15,X14,X10,X11,X9,X8，计算各频带的能量为Ei。若采样点为160个，特征向量取第四层所有16个频带的能量，则相当于数据被压缩了10倍，极大地提高了识别效率。

2 分类器的优化方法

2.1 改进训练样本的归一化方法

BP神经网络也被称为误差反向传播网络，它是由非线性单元组成的前馈网络[16]。BP网络节点输入的物理量各不相同，有的数值之间相差很大，各指标训练样本之间不具备可比性，无法进行综合评估[17]；且大多数神经网络模型以s型函数作为激活函数，其极大值和极小值分别是1和0。为防止小数值信息被淹没和归一化后的网络输出值与s型函数相匹配，所以要把数据归一化到0和1之间。将数据按下式处理。

(1)

2.2 遗传算法对BP网络的优化 遗传算法(GA)是一种基于自然选择和基因遗传学原理的优化搜索方法[17-18]。GA和神经网络的结合都具有极强的解决问题的能力，这里利用GA优化其网络权值。将第一阶段利用遗传算法优化得到的网络参数作为网络训练中最优的初始权值、阈值以及伸缩和平移系数，对BP网络进行训练，从而完成对金属材料样本的防伪识别。利用遗传算法对BP网络进行优化的流程图如图1所示。

图1 利用遗传算法对BP网络进行优化的流程图

3 防伪识别试验过程

3.1 信号采集和预处理

待识别的样本选择成分相异和成分相近的金属材料，其物理参数如表1所示。图2为信号采集与预处理装置示意，脉冲发射/接收仪的型号为Panametrics-DNT 5077PR，使用10 MHz的奥林巴斯探头(晶片直径为10 mm)，示波器的型号为Tektronix-DPO5034B。

图2 信号采集与预处理装置示意

脉冲发射/接收仪的重复频率为100 Hz，电压为100 V。示波器的采样频率为50 MHz。为提高信噪比，利用示波器自带功能，采样2 000次后进行平均作为一次时域信号。试样与探头之间的耦合剂为水，采用探头固定装置保证每次在试样的同一位置处采集信号，再加汉宁窗提取不同金属试样的散射信号。

表1 金属试样的物理参数

图3 信号的特征提取过程

从图4可以看出，成分相异的金属材料的特征值之间区别明显，2A13铝合金靠目视即可识别。而对于304不锈钢和420不锈钢两者的识别，必须借助试验方法加以区分，图4中两者能量的最大值很明显处在不同的频带，其他频带的特征值也差异明显，说明提取的特征值是十分有效的，也为后面的分类器设计做好了准备。

从图5可以得出，2Cr13钢和1Cr17Ni2钢的特征向量分布很相似，但在数值上还存在一定区别；相反自身在经过高温热处理后2Cr13钢的特征值有很大变化，可见高温热处理会给金属的微观组织结构造成很大影响。

3.3 模式识别

先采用BP神经网络分类器，设置其网络的结构为3层，输入层维数为7，隐含层的节点数为10，输出层的维数为3。隐含层的神经元传递函数采用logsig，输出层神经元的传递函数采用purelin，最大训练次数为1 000次，最小均方误差为1×10-8。

之后采用遗传算法优化的BP神经网络(GA-BP)分类器，这里只优化BP网络的网络参数，其拓扑结构和神经元之间的传递函数不变，种族规模为20，迭代次数为100，交叉概率为0.4，突变概率为0.2，误差精度为0.001。经过遗传算法的优化，将解码所得各参数作为BP网络模型最优的初始权值、阈值以及伸缩平移系数,进行第二阶段的网络训练。

图4 成分相异金属试样的散射信号及其对应的特征值

图5 成分相近金属试样的散射信号及其对应的特征值

分类器的使用包括训练和识别两个部分。在分类器训练阶段，分别提取每种金属试样的散射信号60次，其中任取40次作为训练样本，其余20次作为测试样本。分类器经过40×3组特征向量训练后，若作为测试样本输入分类器的输出结果与测试目标一致，说明对不同的金属试样进行了正确归类。

使用上述两种分类器分别对成分相异和成分相近的这两组金属材料试样进行分类识别，每种金属试样分别提取30次散射信号进行试样测试并进行结果对比，结果如表2所示，可以看出采用遗传算法优化后的BP网络分类器能有效提高金属试样的识别率；在成分相异金属材料的识别中，304不锈钢、420不锈钢、2A13铝合金的识别率分别最高可达93.3%，96.7%，100%，说明此方法有效；在成分相近金属材料的识别中，1Cr17Ni2和2Cr13的识别率最高可达86.7%，经高温热处理的2Cr13钢识别率最高可达96.7%，可以看出，相比于成分相近的金属材料，同种金属经高温热处理后更容易识别。

表2 成分相异与成分相近金属的识别结果

4 未知金属的防伪识别

在金属文物的存放运输中，经常会遇到不法分子复制出和真品一模一样的赝品，从而进行替代达到以假乱真，有时专家都很难做到快速鉴别。可以尝试文中的方法，在金属文物的某一位置上提取超声散射信号，经小波包变换后取得该位置的特征向量，相当于“防伪标签”，可多次采集多组特征向量输入到设计好的分类器中，进行训练测试以备识别。鉴别该文物真假时，在原位置同样提取散射信号并得到特征向量，后输入分类器中即可识别真伪。图6为金属文物防伪识别的流程图。为保险起见，可在金属文物的不同位置提取散射信号，制作多个“防伪标签”，避免金属文物遭磨损无法在原位置取得散射信号。

图6 金属文物防伪识别流程图

5 结语

以三种成分相异(304不锈钢、420不锈钢、铝合金2A13)和三种成分相近(1Cr17Ni2钢、2Cr13钢、经高温热处理的2Cr13钢)的金属材料为试样，运用小波包变换和基于遗传算法优化的BP神经网络分类器，对这些试样进行了正确的分类识别。在特征提取上，运用了小波包变换，较大地降低了特征量的维数，提高了分析效率且保证了较高的识别率。通过采用遗传算法优化后的分类器，有效地提高了识别率。文中不仅对成分相异的金属进行了防伪识别，而且进一步对成分相近的金属做了正确分类，发现相比于成分相近未经热处理的金属材料，同种金属经高温热处理后更容易识别。最后举例说明了该方法在文物保护方面的应用，在工业生产、军事装备等众多领域也有一定的参考价值。

[1] 田彦平,贺西平,张宏谱,等.基于声参量的金属材料辨识方法[J].陕西师范大学学报(自然科学版),2014, 42(3): 34-40.

[2] BADIDI B A,LEBAILI S,BENCHAALA A.Grain size influence on ultrasonic and attenuation[J].Independent Nondestructive Testing and Evaluation International,2003,36(1):1-5.

[3] ISMALL H. Mean grain size determination in marbles by ultrasonic first back-wall echo height measurements[J]. Independent Nondestructive Testing and Evaluation International, 2006,39(1): 82-86.

[4] 林莉,李孟喜.超声波频谱分析技术及其应用[M].北京:机械工业出版社,2009:15-21.

[5] LI J,YANG L,ROKHLIN S I.Effect of texture and grain shape on ultrasonic backscattering inpolycrystals[J].Ultrasonics,2014,54(7):1789-1803.

[6] 刘小荣,贺西平,张宏谱,等.金属材料的超声衰减特征及辨识的新方法[J].科学通报:2016,61(8):844-854.

[7] 卢康,贺西平,崔东,等.一种基于计算相关系数的相近金属材料的超声辨识方法[J].云南大学学报(自然科学版),2015,37(3):410-414.

[8] 刘小荣,贺西平,崔东,等.基于超声衰减谱的金属材料无损辨识[J].无损检测, 2015,37(11):47-50.

[9] THOMPSON R B,MARGETAN F J,HALDIPURP,et al.Scattering of elastic waves in simple and complex polycrystais [J].Wave Motion,2008,45(5):655-674.

[10] LOBKIS O I,ROKHLIN S I.Characterization of ploycrystals with elongated duplex microstructure by inversionof ultrasonic backscattering data[J].Applied Physics Letters,2010,96(16):1-3.

[12] 贺西平,田彦平,张宏普.超声无损评价金属材料晶粒尺寸的研究[J].声学技术,2013,32(6):445-451.

[14] 刘文贞,陈红岩,袁月峰,等.基于遗传算法的小波神经网络在多组分气体检测中的应用[J].传感技术学报,2016,29(7):1109-1114.

[15] 施成龙,师芳芳,张碧星.利用深度神经网络和小波包变换进行缺陷类型分析[J].声学学报,2016,41(4):499-505.

[16] 于亚萍,孙立宁,张峰峰,等.基于小波变换的多特征融合sEMG模式识别[J].传感技术学报,2016,29(4):512-517.

[11] 美国无损检测学会编.美国无损检测手册[M].北京:世界图书出版社,1996.

[13] 卢康,贺西平,卢炬,等.基于超声衰减系数谱辨识金属材料方法的适应性研究[J].陕西师范大学学报(自然科学版),2016, 44(5): 46-52.

[17] 傅荟璇,赵红.MATLAB神经网络应用设计[M].北京:机械工业出版社,2010:89-90.

[18] 邱忠超,张卫民,果艳,等.基于GA-BP神经网络的微裂纹漏磁检测定量化评价[J].无损检测, 2016,38(2):1-4.

Ultrasonic Anti-counterfeiting Identification for Metal Material Based on Wavelet Packet Transform

LU Kang1, HE Xiping1, AN Xiaoxiao1, HE Shengping2, NI Tao2

(1.Shaanxi Key Laboratory of Ultrasonics, College of Physics and Information Technology, Shaanxi Normal University,Xi′an 710119, China; 2.Baoji Research Institute of High Technology, Baoji 721013, China)

Three kinds of metal materials with different composition and three kinds of metal materials with similar composition are taken for samples in this work, and the 10 MHz ultrasonic scattering signal in the samples of the materials was extracted. The anti-counterfeiting features in the scattering signal can be got by the wavelet packet transform. The genetic algorithm was used to optimize BP neural network as classifier. Results show that the metal materials with different composition and the metal materials with similar composition can be identified successfully. Compared with the similar composition of metal materials without heat treatment, the heat treated ones are easier to be identified. Also this method can be used in the anti-counterfeiting identification of unknown metal, and it has therefore a certain practicality.

wavelet packet transform; metal material; scattering signal; BP neural network

2016-10-11

国家自然科学基金资助项目(11374201)

卢 康(1991-)，男，硕士研究生，主要研究方向为信号处理

贺西平(1965-)，男，教授，博士研究生导师，主要从事超声检测和功率超声研究,hexiping@snnu.edu.cn

10.11973/wsjc201707005

O426.9；TG115.28

A

1000-6656(2017)07-0023-05