标签技术可以用于识别重要物项。在众多标签技术中,超声本征标签技术采用被测物项内部固有超声特征作为标签进行识别,具有不易篡改、操作方便、成本低廉的特点,因此受到研究人员的重视。Good等[1]提出用于武器的拆卸过程中识别装备部件的超声标签技术,对该技术的一系列验证试验评估表明,其识别正确率高、可靠性好。Olinger等[2]基于特征频率共振原理,提出了利用超声共振谱对容器进行识别监测的方法,确保了存放核燃料的关键容器不被篡改。超声本征标签技术作为一种物项防篡改指示技术,已经得到了普遍认可。
国内关于超声本征标签技术研究从“十二五”中期开始,例如:文献[3-4]报道了以收发一体式的超声探头采集不锈钢的超声时域信号,加窗截取了一次和二次底面回波信号之间的背向散射信号,并将所截取的背散信号均分为2段等长时域信号,计算出局部背散信号衰减谱作为金属物项的特征量。通过比较各物项间衰减谱的相关系数与所设阈值的关系完成对不同金属的识别。刘昱等[5]提出了对陶瓷材料的超声指纹识别算法并编写了识别程序,利用超声检测卡研制了对陶瓷器件进行超声防伪识别的工控机。文献[6⇓-8]提出了幅值比识别算法和线性预测识别算法,对不同物项进行了实验验证。卢康等[9]计算了材料的声速、声衰减系数、散射信号均方差和平均峰值,以及频域上的信号主频率和幅值,利用支持向量机的二叉树分类器成功实现了对金属材料的个体识别。安笑笑等[10]计算了物项超声信号的加权欧氏距离,以此作为特征实现了对陶瓷材料的识别。目前已开展的识别实验包括:单探头超声识别金属材料和基于探头阵列(相控阵)的超声检测系统识别金属材料,但识别对信号采集的操作要求偏高,稍有偏差就可能导致错误识别,算法的鲁棒性尚待加强。
针对以上问题,本文提出了新的识别算法,计算了不同物项超声散射信号的差异,利用超声相控阵技术增强了识别算法的鲁棒性,提高了物项识别的稳定性和准确率。
1 超声本征标签识别技术原理
各种材料在加工和成型过程中,由于工艺和材料本身的差异,会造成最终成品的不同微观结构[11-12],每个成品物项的微观结构都具有唯一性。图1中的2块不锈钢物项形状相同,材料相近,但二者的微观结构有着明显差异。基于微观结构的不同,可以利用超声技术进行特定物项识别。超声波本征标签是一种基于超声波传播特性的高精度非侵入式识别技术,通过检测和分析标签在超声波信号下的独特响应特征,实现对目标物体的识别。其识别原理如图2所示,在不同物件或同一物件的固定位置发射并接收声波,超声波在物项中传播时会受到其微观结构的散射,接收到的散射信号携带有目标实体的微观特征信息,再利用特定的识别算法可识别出特定物项,从而达到防止非法动用和替换的目的。
超声波本征标签技术首先须要获取表征材料物理性质的特征信息,超声探头所接收到的时域信号主要由底面回波信号和背向散射信号组成。背向散射信号在超声探伤中通常被认为是杂波,因其会干扰正常的探伤[13-14]。 但从另一个角度看,超声背向散射信号的产生源于声波与材料显微结构相互作用,携带了金属材料微观结构的重要信息,可作为超声波表征材料组织和性能的重要参数[15-16]。超声波与金属材料之间的相互作用与超声波的波长密切相关[17-18],根据超声波在材料中传播时的散射机理:当r≪λ时,属于瑞利散射,散射衰减系数as=C1Fgr3f2;r≈λ时,属于随机散射,散射衰减系数as=C2Fgrf2;当r≫λ时,属于扩散散射,散射衰减系数as=C3Fg/r。式中C1、C2和C3为常数,Fg为各向异性因数,λ为发射的超声波长,r为晶粒半径。以金属铝为例,纵波声速约为6 300 m/s,频率为15 MHz的纵波在铝中的波长约为420 μm,而金属晶粒尺寸一般在几十到几百纳米之间,即前者远大于后者。因此,频率在20 MHz以下时,超声波在金属材料中的衰减,瑞利散射会起主要作用。超声波的衰减、散射与材料的微观结构特征密切相关[19],本文经过对各种超声信息的试验和筛选,最终将超声在金属传播的背向散射信号作为识别特征并展开着重研究。
2 算法设计
信号的功率是反映超声散射信号特征的一个重要参量,为提取所采集的信号中各采样点的功率特征,本文计算了时域回波信号的功率,并利用(1)式计算出各采样点的功率占比作为频谱特征量,记为Pi(j),均值信号的频谱特征量记为Pv(j)。
Pi(j)= 。
式中:N为每个回波信号的采样点总个数。令获取的标准物项的时域超声信号(M次),记为Xi(j)(其中:j为每个时域信号的采样点数,i表示所采集信号的编号,i =1,2,3,……)。再求出M次标准信号的均值信号,记为 (j)。利用(2)式对M次标准信号( (j)~ (j))以及1个均值信号 (j)作归一化处理
Ai(j)= 。
在上述定义基础上,进一步利用(3)式计算各个标准信号的识别特征量Fi。
Fi= 2 。
式中:N为超声信号采样点数。对于M次标准信号,便提取出了各自所对应的识别特征量,量化了每个物项中超声波的反射、散射信号特征。
Q= +3σ。
式中:m为标准信号的个数;σ为这m个信号识别特征量的标准差σ= ,F= ,F为识别特征量的均值。当待识别信号的识别特征量小于这个阈值时便判定为“目标物项”,大于这个阈值时则判定为“干扰物项”,该阈值即为超声本征标签。
3 实验测试
3.1 测试系统
基于阵列的超声本征标签原理样机由中国科学院声学研究所生产的超声相控阵主机(UTstation)、超声相控阵探头、计算机系统3部分组成。超声相控阵的数据采集系统可以精准地控制相控阵探头中每个阵元的收发状态和时间延迟,这使得数据采集的形式和方法更为灵活,可根据不同成像算法编写对应的聚焦法则,进而获得所需的数据形式。本文所用采集方式为线性扫描,利用聚焦法则对阵元进行等数量分组,每组1个阵元,控制激励脉冲的延时,令每组阵元按顺序完成超声信号的发射和接收,等同于在不移动探头位置的条件下采集了一定区域的B扫描信号。
3.2 实验测试
本文进行了数千组辨识实验,物项种类包括但不限于:1Cr17Ni2钢、2Cr13钢、3Cr13钢、304不锈钢、2A12铝、1060铝、陶、白瓷和彩瓷等。将图4所示的3个相同形状的不锈钢罐记为A组物项进行了识别试验,在每个罐子的表面各取了a、b、c和d共4个识别点,分别进行了不同点位的识别实验,图中直角形贴片为探头定位片。
表1 A组物项的超声本征标签Tab.1 Ultrasonic intrinsic labels of items of group A |
| 物项 | 阵元1 | 阵元2 | 阵元3 | 阵元4 | 阵元5 | 阵元6 | 阵元7 | 阵元8 |
|---|---|---|---|---|---|---|---|---|
| 阈值 | 20.130 4 | 20.108 3 | 21.081 0 | 19.513 5 | 22.604 9 | 17.726 9 | 18.072 3 | 19.994 0 |
| 1# | 13.272 6 | 13.645 8 | 13.694 4 | 14.865 9 | 14.854 2 | 19.830 4 | 13.634 3 | 17.067 8 |
| 2# | 39.410 7 | 40.429 9 | 44.777 7 | 42.440 3 | 47.767 5 | 43.023 3 | 43.853 8 | 49.630 7 |
| 3# | 98.096 8 | 101.484 5 | 113.141 1 | 115.277 3 | 119.910 5 | 119.395 2 | 113.633 6 | 113.662 6 |
由表1可见物项1#的待辨信号特征量在阈值范围内,识别为“目标物项”;物项2#、3#的待辨信号特征量远超出阈值,识别为“干扰物项”,识别结果准确。
为验证所提出的方法是否适用于陶瓷物项,本文将图5所示的形状、材料、生产批次均相同的3个陶瓷物项记为B组物项,分别编号为4#、5#和6#物项并进行了识别试验,令4#物项为目标物项,5#和6#为干扰物项。
以相同的方法对4#物项采集20次超声信号,计算得到识别阈值,再将4#物项与5#、6#物项混放并分别采集7次待识别超声信号,计算得到待识别超声标签。前8个阵元的数据如表2所示。
表2 B组物项的超声本征标签Tab.2 Ultrasonic intrinsic label of items of group B |
| 物项 | 阵元1 | 阵元2 | 阵元3 | 阵元4 | 阵元5 | 阵元6 | 阵元7 | 阵元8 |
|---|---|---|---|---|---|---|---|---|
| 阈值 | 26.634 3 | 30.067 0 | 31.440 1 | 34.477 9 | 46.710 8 | 38.175 2 | 56.982 9 | 64.300 4 |
| 4# | 9.756 8 | 11.027 9 | 10.832 3 | 10.494 2 | 21.395 0 | 12.345 6 | 14.670 2 | 29.889 6 |
| 5# | 111.421 8 | 110.375 5 | 114.861 9 | 117.362 8 | 122.798 4 | 120.646 8 | 126.477 0 | 130.494 1 |
| 6# | 125.195 1 | 134.176 4 | 141.380 9 | 141.112 5 | 152.336 1 | 150.024 0 | 153.902 9 | 165.574 5 |
由表2可见,干扰物项的待识别超声标签明显超出识别阈值,利用本文所提出的方法可实现对陶瓷物项的准确识别。
本文基于阵列的超声标签技术进行了135次识别实验,包括异质金属物项识别、同质金属物项识别、三个金属容器的识别、陶瓷物项的识别,结果为准确识别133次、误报1次(将干扰物项识别为目标物项)、漏报1次(未识别出目标物项),识别正确率为98.52%、误报率为0.74%、漏报率为0.74%,取得了较为满意的结果。相较于以往方法,本文算法同时考虑了超声信号在时域和频域上的差异,更加全面地对物项的信号特征进行了识别,提高了识别准确率。此外,以往方法中的阈值计算方法为特征量的最大值和最小值的差,但采集信号过程中难以避免地会产生操作误差,导致某个信号与其余信号差异过大,进而导致阈值范围过大,影响到识别的正确性。而本文方法结合了统计学的算法,基于Pauta准则确定了科学、准确的识别阈值,提高了识别的准确性,如文献[22]所提方法准确率为93.33%。本文方法平均单次物项采样识别时间约为135 s,较以往方法减少了完整识别所需时间,可满足未来特定场景需求。
需要说明的问题是,根据目前的决策识别算法,阈值是基于Pauta准则,由20个特征量的平均值加上3倍的标准差得到。随着试验样本的扩充和环境适应性试验的加入,测量数据偏差也逐渐增加,此时标准差已经存在一个动态的变化范围。对于这样的情况,需将所加标准差的倍数进行适当的扩大以实现精准测试的目的。可首先进行小样本测试并根据测试数据调整阈值,然后再进行大样本识别,算法即可获得满意的识别结果。
4 结论
本文研究了基于阵列技术的超声本征标签技术原理样机设计、算法等关键技术问题,以及相关的实验验证工作,结论如下:
1)样机测试系统试验表明,本文实现了一种有效的超声本征标签技术。从原理样机识别的正确率、误报率、漏报率及识别过程耗时来看,该技术识别效果及时间效率均基本满足未来特定场景下应用需求。
2)本文算法具有较好的容错率和识别稳定性。在实际应用中,可借鉴机器学习的理论方法,把物项分为训练集和分类集,通过经验数据并进一步学习训练集获得阈值,然后用于测试分类,可使系统识别的可靠性和科学性提升到更高水平。