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。
