TELKOM NIKA , Vol. 11, No. 12, Decem ber 20 13, pp.  7539 ~75 4 7   e-ISSN: 2087 -278X           7539      Re cei v ed  Jun e  28, 2013; Revi sed Aug u st  14, 2013; Accepted Sept em ber 2, 201 3  Ultrasonic Flaw Signal Classif i cation using Wavelet   Transform and Support Vector Machine      Yu Wang  Schoo l of Softw a r e En gin eer i ng, Cho n g q in g Univers i t y   of Arts and Scienc e s , Chong qi ng 4 021 60, Ch ina   e-mail: ll yl a b @ 126.com       A b st r a ct  T h is pap er pre s ents a ultras o n ic flaw  sign al  cla ssificati on s ystem by  usi ng wavelet transform   and  supp ort vector  mac h in e (SV M). A digital fl aw  detecto r is  first used to acqu ire the si gna ls of defec tive  carbo n  fiber re i n forced p o ly mer (CF R P) spe c imen w i th voi d , dela m in atio n and  deb on di ng. After that, the   time  do main  b a sed  ultraso n i c  sign als ca n  be pr ocesse d  by discrete  w a velet transf o rm ( D W T ), and  infor m ativ e fe atures ar e ext r acted fro m  D W T  coeffi cient s repres entati on of si gn als.  F i nal ly, featu r e  vectors select e d  by PCA  meth od are tak en a s  input to  trai n the SVM classi fier. F u rthermo re, the selecti o n   of SVM para m eters and k e rn el functio n  has  been ex a m i n e d  in deta ils. Ex peri m e n tal res u lts vali date th at  the  mo del  co u p le d w i th w a v e let tra n sfor m  and  SVM is  a  pro m is in g too l  to  dea l w i th  classificati on  for   ultraso n ic flaw  sign als.     Ke y w ords :  ultr ason ic sign al cl assificati on, su pport vector   machi ne, feature  extraction, w a velet transfor m     Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Ultra s oni c m e thod s are th e most  su cce ssful   non -de s tructive testin g (NDT ) tech nique s  for q uality asse ssm ent  an d dete c tion  of  flaws in  en gi neeri ng  mate rials.  Co nvent ional  ultra s on ic  testing techni que s, however, are  ba sed  on manu al  o r  experi ential  pattern ide n tification, whi c h   easily b r in gs about  co stl y , lengthy a nd e rra ti c a nalysi s . Co n s ide r abl e a d v ancem ent a nd  developm ent  in the l a st fe w d e cade s  h a ve en able d   ultrasoni c te sting to  cha n g e  from  a Bl ack- Smith profe s sion to  an a d vanced mul t idisci plin a r y  engin eeri ng profe ssi on. Mode rn sign al   pro c e ssi ng te chni que s  and  artifici al intell igen ce to ols  can  be  integ r ated a s   auto m atic  ultra s o n ic  sign al cla s sif i cat i on  sy st em s (A US CS ) [ 1 ] .  I n  A U S C S,  ultrasoni c fla w  sig nal s acq u ired in  a form  of digitized d a ta are p r ep roce ssed firstl y, and in form ative feature s  are extra c te d usin g vario u s  digital si gnal  pro c e ssi ng  and p a ttern  recognitio n  tech niqu es. F i nally, the set of sele cte d   feature s  be comes the b a s is of flaw id entificati on b y  training the  prope r cl assifier. Therefo r e,  extraction of f eature s  an d d e sig n  of cla s sifier play criti c al role s in AUSCS.  The o b jectiv e of this  con t ribution i s  t o   sh ow th at advan ced  sig nal processin g  an d   pattern re cog n ition  techniq ues ca n  aid ultrasoni c testing to co rre c tly identify different fla w s  found in  carbon fibe r rei n forced p o lymers (CFRP s ).  The  re st of this pap er is org ani zed  a s   follows. Secti on 2 reviews  the previo us  related  work.  Section 3  de scrib e s th e me thodolo g ies o f   wavelet tran sform (WT )  and sup p o r t vector m a chi ne (SV M ). Section  4 describe s  the  experim ental  pro c ed ure an d se ction  5 a nalyze s   the  e x perime n tal result s. Sectio n 6 a ddresse s  t he con c lu sio n s.       2.   Rela ted W o rk   The potential  of signal proce s sing an d patte rn re cog n ition an alysis on ult r ason i c   testing ha s b een inve stiga t ed by severa l authors.  Lee criti c ally reviewed pop ular  fe ature  e x trac tion te ch nique s in  AUSCS, incl udin g  fast   Fouri e r tra n sform (FF T ) a nd discrete  wavelet tra n sform (DWT),  identified cri t ical issue s  i n   feature  extra c tion, an d  compa r ed th e  rep o rted  ap proa ch es to  dra w  thei r  stren g ths an d   w e ak ne ss es  [2 , 3 ] .   Yamani et al. developed a  databa se of ultr asoni c A-scan si gnal s by using  an  out-of- servi c e  pressure  vessel  with lots  of hi gh te m peratu r e hydro gen  attach defe c ts.  Th e  b a si c  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  753 9 – 7547   7540 feature  extra c tion m e thod  co uple d  wit h  pri n ci pal  compon ent a n a lysis (P CA) we re  used  to  rep r e s ent th ese  sets  of  A-scan  si gna ls. Exper im e n tal re sult s  showed th at  a pri o ri  train ed  cla ssifie r  b a sed o n  ne arest-neigh bo r cri t erion  ca n di stingui sh  accurately the  h y droge n atta ck  from geom etrically simila r  defect s  [4].  ISA et al. provided a conti nuou s  syste m  for  oil  an d gas pipelin e con d ition  mo nitoring.  The raw ultraso n ic  sig nal s were first  pro c e s sed  using DWT  an d then  cla s si fied usi ng S V M.  Prelimina r y tests  sh owed  that the SVM algorith m   wa s abl e to cla s sify the sig n a l s a s  abn orm a l   in the pre s en ce of wall thin ning [5].  Matz et al. u s ed th e DWT  based meth od for filterin g of ultra s oni c si gnal to  suppress  the ech o e s  from grai ns. S V M was u s e d  to automat i c ally cla s sify ultrasoni c sig nals, with fau l t  ech o , ech o  from wel d  and  back-wall  ech o , measur e d   on mate rial u s ed fo r con s tructing ai rpl a n e   engin e s [6].  Anasta ssopo ulos  et al. condu cted  an  ext ensive di scrimin a tion  study on  ultraso n ic  sign als very  simila r to  e a ch  othe r o b tained  from  artificial  in serts i n  a  CFRP pl ate.  The  perfo rman ce   of fifteen cla s sificatio n  sch e mes con s isti ng of n on-pa rametri c  patte rn recognitio n   and A r tificial  Neu r al  Net w ork (A NN)  al gorithm s  wa s asse ssed,  a nd a n  u ppe r bou nd fo r t h e   cla ssifi cation  error expe cte d  with simila r ultr asoni c sig nals  wa s defi ned.  Moreove r , the Wilk’ s   Λ   crite r ion  wa s proved effici e n t for featur e  sele ction in th eir expe rimen t s [7].  Ca cci ola  et a l . pro p o s ed  a n  he uri s tic a ppro a ch fo r  cla ssifying  th e ultrasonic  ech o e s   measured on  defective CF RP. The prop ose d  me tho d  was  ba sed o n  the use of DWT and P C A  for featu r e  extraction  an d  selectio n [8]. Experim e n tal result s a s sure d go od p e rfo r mances of th e  impleme n ted  SVM cla ssifie r . They al so  develop ed  a softwa r e pa ckag e,  whi c h  allowes users  to  perfo rm the cross wavelet tran sform, the  wavele t coh e r en ce an d the fuzzy infere n c e sy stem for  impleme n ting  a data-ind e p ende nt cla ssif i er [9].   Sambath  et al. improved t he  sensibility of fl aw detection in  ultrasonic testing by  usi ng  an ANN  and  sig nal p r o c e ssi ng te chni q ue. Wavelet  transfo rm  wa s u s e d  to d e r ive a fe ature  vector whi c h contai ns  t w o-dimen s ion a l  i n formatio n o n  four type s  of defect s , n a mely po ro sity,  lack of  fusi on , tungste n i n clu s ion  an d  non  defe c t. T hese ve ctors we re  then   classified  by a n   ANN traine d  with the b a ck pro pagatio n  algorith m .  Using the  wavel e t feature s  a nd ANN, go o d   cla ssifi cation  at the rate of 94% wa s obt ained [10].   Schul z et al . focuse d o n  the autom atic  evaluati on of the b a ckscatte red  signal s  received  by the ultrasoni c  sen s o r s.  T he evaluation sy stem wa s  ba sed on a  stati s tical cla s sifier  usin g mo st di scrimin a tive feature s   extra c ted  from the  backscattere d echo  sign al s a c cording t o   their  am plitu des, conto u r,   co rrel a tion and regi on.   By this mea n s th ey impl emented  reli able   defect dete c ti on for an aut omatic  cha r a c teri zation of  the CF RP ma terial [11].  Liu et  al. pro posed  algo rithms for  defe c t  dete c tion  based on discrete  wavelet   pa cket  transfo rm  an d BP network. Furthe rmo r e ,  the re co nf ig urabl e a r chite c ture  of the  d e fect d e tectio n   in embed de d system  was di scusse d .  Accordi ng  to the experiments of  ult r asoni c sig n al  pro c e ssi ng, su ch archite c ture   could  provide   a fle x ible and  efficient  sol u tion to em bed d e d   reconfigu r a b le sign al pro c essing  syste m  [12].  As mention e d  above, there  are two  strate gi es for featu r e extraction i n  AUSCS.   (1)  Ch oose feature s  from  different do m a ins  of  ultra s onic  sign als.  The de rived f eature s   mainly incl ud e statisti cal  para m eters e x tracted  from  statistical m o ments of th e time-d omai n  or/and  freq u ency-dom ain  based  ultra s onic  sig nal s, su ch  as  me an, varia n ce, skewne ss a nd  kurto s i s . Usin g su ch  strate gy, users n e ed effect ive f eature  sel e cti on sch e me s  to evluate th e   discrimi nation  of features, redu ce the  re d unda ncy an d optimize the f eature  set.   (2)  Use  dire ct ly the wh ole  sign al sectio n  deriv e d  from  the ultra s o n i c   sca ns a s  in put to  the classifie r . The input feature s  mainly  in clude FF T  coefficient s and DWT co efficients. Su ch  strategy  dem and s mi nimu m prep ro ce ssing, i.e ., no t  much  featu r e sel e ctio n scheme s  are   employed. Howeve r, coeff i cient feat ure s  are ofte n high dimen s io n a l.   More over, there a r e two  convention a l cl as sifiers used  in AUSCS, namely ANN a nd  SVM. Genera lly, SVM has sup e rio r  predi ction an d gen erali z ation p e r forma n ce in view of small  sampl e  si ze p r oble m .             Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Ultra s oni c Fla w  Signal Cl assificatio n  usi n g Wa velet Transfo rm  and Suppo rt… (Y u Wan g )    7541 3. Methodol og y   3.1. Wav e let Trans f orm   Fouri e r t r an sf orm  ca n b e   use d  to im prove  the  perf o rma n ce of f eature  extra c tion for  flaws by m a pping the ti me domai n  based si gnal s into fre que ncy dom ain  based si gnal s.  Ho wever, the  frequen cy d o main c haracteristics of trans i ent sign a l s wo uld not be refle c ted  by  Fouri e r tran sform d ue to it s glo bal p r op erty. Yet wa velet transfo rm (WT) i s  a  kind  of time - freque ncy  do main meth od  with multi - resol u tion a n a lysis,  whi c h  can  adju s t  the time an d  freque ncy p r o perty as requi red. The d e compo s ed p a rt s of the sign a l  are re solved  such that the  highe r the fre quen cy, the f i ner th e re sol u tion   [13]. WT ha s po we rful ability for  denotin g lo ca l  sign al ch ara c teristics both  in time and freque nc y dom ain. WT can  be co nsi dere d  as a spe c ia l  filtering ope ration, and th e frequ en cy segm entatio n  is obtaine d by dilating the wavelet. It is a   wind owin g te chni que  with  variable  si ze d re gion s,  wh ich  allows th e  use of l ong ti me inte rvals to   obtain mo re pre c ise low f r equ en cy informatio n and  shorte r re gi ons  whe r e h i gh frequ en cy  informatio n is neede d.   Note that as  a fast algorith m  to obtain the  wavelet transfo rm of a discrete time  sign al,  discrete  wavelet tran sform (DWT ) h a s been  wid e ly   use d  in the  u l traso n ic si gn al analy s is. T h e   DWT analyzes the sig n a l  by decomp o sin g  it  into its coarse  approximatio n and detail ed  informatio n, whi c h is a c compli sh ed  by usi ng su ccessive hig hpa ss  an d lowp ass filtering   operation s  in  the frequ en cy domain [1 4]. The o r iginal  sign al  x [ n ] i s   first pa ssed t h rou gh a  half - band hig hpa ss filter  g [ n ] and lowpa s s filter  h [ n ], where  g [ n ] an d  h [ n ] are quadrature mirro r   filters of each other. After the  filtering ,  half of  the sample s of the two outp u t signal s are   discarded  by  downsamplin g sin c e th e si gnal s no w h a v e a ban dwi d th of  π /2 ra di ans i n ste ad o f   π . This con s titutes one lev e l of decom p o sition  a nd it is expre s sed  mathemati c al ly as:    [] [ ] [ 2 ] high n y kx n g k n          ( 1 )     [] [ ] [ 2 ] low n y kx n h k n          ( 2 )     Whe r e  y high [ k ] and  y low [ k ]  are the o u tp uts of the hi ghpa ss and l o wp ass filters after  downsamplin g by  2. Th e a bove p r o c e d u r e i s   re peat e d  for furth e r d e com p o s ition  of the  lo wpa ss  filtered sig nal s.    3.2. Support  Vector Ma ch ine  Suppo rt vect or ma chin e (SVM) is a  struct u r al  risk  based lea r ni ng ma chin e, whi c h   c o ns tr uc ts   N -dime n si onal  hyperpl ane  to optimally sepa rate th e input data  into differe nt  categ o rie s . A sigmoi d ke rn el function  m odel of SVM is equival ent  to a two-l a yer, feed-forwa r d  neural net work. Furth e rm ore, SVM can  use  polynomi a l functio n  or radial  ba sis f unctio n  (RBF )  in whi c h the  weig hts of th e netwo rk are f ound by solving a qua dratic  pro g ra mming p r obl em   with lin ear co nstrai nts [1 5]. Since  SVM i s  robu st in  hi gh dim e n s ion a l spa c e s   with a  sp arse  set  of sample s, it may be use d  either to cl assify  or pre d ict som e  arbitrary patterns from a set of  labele d  data  while avoidi n g  over-fitting t he data at the  convergen ce  of the training   [16, 17].    Let { x i , y i } be a dataset, where  x i  is a  d -dim ensional sample ( i = 1 ,2,… l ) and  y i  is  the  corre s p ondin g  bipola r  la b e l ( y i {-1,1} ). Assu me tha t  we hav e d e fined a lin e a r sepa ratin g   hyperpl ane b y   w x + b  for training  sampl e s, then it sh ould meet:     ( ) 1 ,    { 1 , 2 , . ., } ii y wx b i l          ( 3 )     The optimal  separating hyp e rpla ne (OSH) can  n o t only corre c tly sep a rate the  sam p les,  but also maxi mize the ma rgin between t he clo s e s t po sitive sampl e s and n egativ e sampl e s.  The se pa rabl e margi n  ca n be cal c ul ated  as follow:     {| 1 } {| 1 } 11 2 (, ) m i n m a x || || || || || | | | | || || || ii ii ii xy xy wx b w x b dw b ww w w w        ( 4 )   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  753 9 – 7547   7542 Obviou sly the maximum  of  (, ) dw b  may be   achi eved th rough th e mi nimizatio n  of   || w || 2 /2.  By u s ing a nu mb er of nonn eg ative slack variabl es  i , the trainin g  o f  SVM can be   formulate d  as solving a qu adrati c  optim al probl em:     2 1 ,, 1 mi n | | | |   s . t .     ( ) 1 ,     0 2 i l ii i i i i wb wC y w x b        ( 5 )     Acco rdi ng to Lagrangi an theory, it yields  ii i i wy x  with c o ns traints   0 i C   and   0 ii i y , where  i =1, 2 , … l . Note that  i  can  be fou nd aft e r the  follo wing  proble m  is  maximized:    , 1 2 D ii j i j i j ii j Ly y x x            ( 6 )     The samples w i th value  i >0 a r e  calle d  sup port ve ctors  (SVs). Th e de cisi on fu nction   can b e  derive d  as follo w:    1 ( ) sg n( ) s gn ( ) s N ii i i f x w xb y x xb         ( 7 )     Whe r e,  N s  is t he numb e r of  SVs.  Linea r sepa ration of data s ets can not b e  achi eved  succe ssfully al l the time. Therefo r e   the point s in  origin al spa c e sh ould  be  expand ed to   a feature spa c e  with hig h e r  dime nsi onal ity  and  hen ce  li near  sepa rati on  can  be  retried  [18].  This expa nsi on p r o c e s s i s   reali z ed   wi th   operator  ()  and the OSH turns into th e form  () () f xwx b  . We may consi d er an   augme n ted space by utilizi ng ke rnel fun c tion in the fo rm of  (, ) ( ) ( ) ii Kx x x x    [19].      4. Experimental proc edu r e  4.1. Specimens   Carbon fibe r reinfo rced po lymers (CF R Ps)  are man u factured by mixing carbo n  fibers  and pla s tic re sin und er p r e s cribe d  co ndi tions. The m o st com m on f o rm of CF RP s is the cro ss- ply laminate, su ch a s  layin g  up a sequ e n ce of uni dire ctional pli e s   [ 21]. The mat e rial s have hi gh   elasti c modul us an d tensil e stren g th wit h  low den sity as well a s  thermal exp a n s ion. They have   been  wi dely  use d  for vari ous compo n e n ts a nd  stru ct ure s ,  such a s  aircraft fusel age  as well a s   wing structures, helicopter roto rs and windmill bl ades,  due to  their  excell ent  properties.  Ho wev e r, the  CF RPs a r e  r e lativ e ly  brittle co mpa r ing  with metallic   materials  [22] . Flaws  in form  of void, delamination an d  debo nding m a y occur in  CFRPs d u ri ng  the manufa c t u ring p r o c e ss or   unde r co mple x environme n t s and loa d in g states.    In this stu d y, two CF RP  specim en s we re u s ed fo r e x perime n t. An artificial  de fective   CFRP  spe c i m en m e a s ures  300m m 3 00mm 5mm,  with void ( 3mm), top  del amination,  mi ddle   delamin ation  and bottom  delamin ation, which ar e  depicte d  in  Figure  1. Another  defe c tive  CFRP  spe c i m en is a pa n e l with natura l  debon ding.         Figure 1. The  Specime n  wi th Void and   Delaminatio n   5  300   T op delam i nation  M i ddle delam i nation   Botto m  dela m i nati on 300 Void 3 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Ultra s oni c Fla w  Signal Cl assificatio n  usi n g Wa velet Transfo rm  and Suppo rt… (Y u Wan g )    7543 4.2. Signal Acquisition   A PXU T227  digital flaw  detecto r was use d   to s end ultras onic   waves  into the CFRP  spe c ime n s u nder test th rough  a tran sducer  ope rati ng at the  ce ntral freque n c y of 5M Hz.  An   ec ho was  reflec ted back  eac h  time when the ultr ason ic wave en co untere d  a discontin uity in the   prop agatio n  medium. T he  A-scan  si gnal  wa s  digitise d  at a  sam p lin g freq uen cy o f  100 M H z a n d   sampl e  len g th of 4 k  u s in g a Son o tek STR 8 100  A/D boa rd, a nd then  sto r ed in a  pe rsona l   comp uter (P C). The ult r a s onic te sting system is sho w n in Figu re  2.           Figure 2. The  Ultrasoni c T e sting Syste m       As the  data s et for furth e r  cla ssifi cat i on expe rim ents, the  co llected  sig n a l s a r e   comp osed by :  (1) 30  ultra s onic pul se s  affected  by  delamin ation-like fla w s at  the top, mi d d le a n d   bottom of the in-stu dy spe c i m en re pe ctively;  (2) 2 0  ultra s o n ic pul se s de scribin g  void of the in-stud y  specim en;   (3) 2 0  ultra s o n ic pul se s de scribin g  deb o nding of the i n -stu dy spe c i m en;  (4) 3 0  ultra s o n ic pul se s sh owin g ab sen c e of defect.    4.3. Featur e Extrac tion a nd Selection   After pre - pro c e ssi ng, the  sign als d e scribing  differen t  flaws can b e  cha r a c teri zed by  wavelet coefficient s whi c h  are the succe ssive  conti nuation of th e app roximat i on co efficien ts  and detail co efficients by usin g DWT. In this st udy, each sign al wa s decomp o se d into 3 levels  usin g Daub e c hie s   wavele t. The sig nal s for th re e types of fla w s (delami nati on, void an d  debo nding ) a nd  the   re pre s entation of  th eir co rre sp on ding 512 sa m p les  of DWT  coeffici ents  a r e   s h ow n in   F i gu r e  3  to F i gu r e  5   r e s p ective ly. O b vio u s ly, th es e  D W T   c o e ffic i e n t s   c o mp le te ly  descri be the  macro-t r en d of each  sign a l .        Figure 3. Ultraso n ic Sign al  for Delami na tion and its DWT Coefficie n ts Re pre s e n tation      Figure 4. Ultraso n ic Sign al  for Void  and  its DWT Co efficients  Rep r e s entatio n   0 500 1 000 150 0 200 0 2 500 30 00 3500 4 000 0 50 100 150 200 250 300 De l a m i n a t i o n 0 50 10 0 150 20 0 25 0 30 0 35 0 40 0 45 0 500 - 300 - 200 - 100 0 100 200 300 cD 3 0 500 1000 1500 200 0 25 00 3000 350 0 400 0 0 50 10 0 15 0 20 0 25 0 30 0 vo i d 0 50 100 150 20 0 25 0 300 350 40 0 45 0 50 0 - 300 - 200 - 100 0 100 200 300 cD 3 Per s onal Co m puter   Digitizer c a rd   Ultrasonic f l aw det ector Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  753 9 – 7547   7544   Figure 5. Ultraso n ic Sign al  for Debo ndin g  and its DWT Coefficie n ts Representati o n       Eight inform a t ive feature s   were extra c te d fr om th e DWT  coeffici en ts re pre s e n ta tion of  each sig nal:   (1) Me an valu e:  1 1 N i i A VG x N   (2) Stand ard deviation:  2 1 1 () 1 N i i STD x AV G N    (3) Maxim u m amplitude   (4) Mini mum  amplitude   (5) Maxim u m energy  (6) Average freque ncy   (7) F r eq uen cy of minimum energy samp les  (8)  Half point  (HaPo ) : the frequen cy that di vides u p  the spe c trum into two parts o f   s a me  ar ea .  More over, th e conve n tion al time-dom ai n based  stati s tical p a ra me ters of ea ch  sign al,  inclu d ing the  mean value,  root mean  square value,  standa rd d e v iation and a b sol u te value ,   were also cal c ulate d  and t a ke n as a not her fou r  featu r es.    Due to the  still large  dimensionality of feat ure space, t he P C A method  was  exploi ted to  redu ce th e n u mbe r  of inp u ts into cl assi fier  by only consi deri ng th e prin cip a l co mpone nts (P Cs)  who s e contri bution s  to total variation of the w hole se t of PCs are greate r  than  2%. Finally, the   input numb e r  of elements f o r cla s sifier h a s be en re du ced fro m  12 to 6.    4.4. SVM Classifica tion   The trai ning  set an d test  set for  cla ssi fication exp e r iment s were  comp osed b y  100   sign als  colle cted in sectio n 4.2. Six PCs m entio n e d  in sectio n 4.3 we re ta ken a s  the in put  vector for trai ning SVM cl assifier. We con d u c ted th e one -agai nst-one meth od  for multi-cl a s s  cla ssif i cat i on  (6 cla s s e s  in t h is st udy ,  i. e. , top delamination, m i ddle dela m ination, bottom   delamin ation,  void, debon ding, no defe c t) and a dopt ed five fold cross validatio n asse ssm en t  for traini ng.  First, the  sa mples we re  randomly divi ded into five  grou ps. In th e trainin g   sta ge,  one  gro u p  wa s left  out a s  t e st  sam p le s f o r ve rifying th e SVM  cla ssif i er, a nd th e ot her re mainin g  four g r ou ps  were u s ed  a s  trai ning  sa mples.  T he p r ocess  did n o t terminate  until every g r ou p   wa s take n as test sample  set. Finally, average of the  five recorde d  results was taken a s  the   result of the trained SVM cl assifier.       5. Results a nd Analy s is  In this  s t udy, three c l ass i c a l k e rnel func ti ons u s e d  for SVM training  were as follo ws:   (1) Li nea r ke rnel:  (, ) ii K xx x x    (2) Polyno mi al kernel:  (, ) ( 1 ) p ii Kx x x x    (3) RBF  ke rn el:  2 ( , ) e xp( || || ) ii Kx x x x    The re cog n ition rate s and  training time s of SVMs with various kernel fun c tio n s are   resume d in T able 1. As is  sho w n in the  tabl e, the mean recogniti on rate s of SVMs with  RBF   kernel s  are  h i gher tha n  th ose  with  line a r  and  polyn omial  ke rnel s. Ho weve r, S V Ms  with  RB F  0 500 10 00 1 500 2 000 2500 3000 35 00 40 00 0 50 100 150 200 250 300 D e b ondi ng 0 50 100 150 200 250 30 0 35 0 40 0 45 0 500 - 300 - 200 - 100 0 100 200 300 cD 3 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Ultra s oni c Fla w  Signal Cl assificatio n  usi n g Wa velet Transfo rm  and Suppo rt… (Y u Wan g )    7545 kernel s  had  the m a ximum  training  time s due  to th eir  expone ntial  computation a l  compl e xity. Let  us fo cu s o n   the SVMs  wi th polynomi a l  ke rnel  ( p =3 )  and RBF kernel   ( =0.1),  denote d  a s   Poly3SVM and RBF0.1S V M resp ectiv e ly. Poly3S VM achieve s   97.5% of training re co gniti on  rate  within  81.4s .  In this c a s e , t w o t op de lamin a tion  flaws of  the CFRP spe c ime n  we re   cla ssifie d   a s  middle delam ination  fla w s, whi c h wa s n o t  affected  by false  po sitive  or n egative  at   all. Co mpa r e d  to  RBF0.1 SVM, 98.75 % of trai ning  re co gnition  rate withi n  2 7 0 .1s, Poly3S VM  gain s  230% improvem ent  for training  efficiency where a s 1.2 5 % loss for reco gnition ra te.  Therefore, P o ly3SVM ca n perfe ctly achi ev e the  trade -off b e twee n the  comp utatio nal  compl e xity and cla ssifi catio n  perfo rman ces.       Table 1. Re cognition  Rate s and T r aini n g  Times of S V Ms with Diff erent Kernel  Functio n s  Kernel function  Recognition rate    of training data  ( % )   Recognition rate    of test data ( % )   Training time (s)   Linear ( C =1 )  91.25   87.5  21  Poly nomial,  p =2 ( C =0.1)  95  90  67.5  Pol y no mial,  p =3  ( C =0.1)   97.5 92.5 81.4  Poly nomial,  p =4 ( C =0.1)  97.5  93.75   101.3   RBF,  =10 ( C =1 )  96.25  91.25   218.5   RBF,  =1 ( C =1 )  97.5 92.5  230.3   RBF,  =0.1 ( C =1 )  98.75  93.75   270.1       For fu rthe r compa r ation,  we al so  impl ement ed  the  back p r o pag ation (BP) ne twork b y   usin g MATLA B  NN To olbo x for cla ssifyi ng the flaw  si gnal s from  CFRP spe c ime n . The outp u t of  BP network wa s a 6 com pone nt vector. A compone nt value in the 1± δ  in ter v a l  w a s  co ns id er ed  as 1  and  a  compon ent val ue in the  0± δ  in te r v a l   w a s   c o ns ide r ed  as  0 ,   w h er e   δ >0. Th e opti m al  BP  netwo rk architectu re wa s sele cted   ba sed on  th e average  of  the be st cl assificatio n  results  for the 6 cla s ses of flaws. The value s  of  all para m eters for training the B P  network a r e  resume d in  Table  2. Tab l e 3 di spl a ys the cl assification a c curacy results  obt ained  by u s i n g   SVMs an d B P  netwo rk. O b viously, the   SVM cla ssifie r  yield s  b e tter  classificatio n  pe rform a n c e  than that of t he BP ne ural  network. In t he  CFRP fl a w  ide n tificatio n  case, we  can  con c lud e  t hat  the SVM o u tperfo rms the BP network due  to  its high er  gene rali zatio n  ca pability  for  cla ssifi cation  probl em with  small sampl e  size.      Table 2. The  Paramete rs o f  BP Network  Parameters  Val ues   No. of input featu r es  6  Activation functio n  at hidden la y e r   tan-sigmoid trans fer function  Activation functio n  at output la yer   tan-sigmoid trans fer function  Training algorith m   trainscg  No. of neu rons at  hidden la y e r   13  Performance g o a l   0.001   Net w ork structu r e  6-13-6       Table 3.   Co m pari s on b e tween BP Network a nd SVM s  Classifier   Recognition rate   of training data  ( % )   Recognition rate   of test data ( % )   Training time (s)   BP net w o rk   91.25   86.25   85  Standard SVM   98.75   93.75   170.5       6. Conclusio n   In this pape r, we u s ed the  digital flaw de tector to a c qu ire ultra s o n ic  sign als from CF RP   spe c ime n   with void, d e lam i nation  and  d ebon di ng, an d  utilized adv anced sig nal pro c e ssi ng a n d   pattern  re co g n ition te chni q ues to im ple m ent a u toma tic cl assification fo r the s e  flaw  sig nal s.  DWT an d PCA we re first u s ed  for fe ature extra c ti on a nd sele ct ion.  I n   cla s sif i cat i on  p r o c e ss,  we   trained th e SVM to identify different flaws. Mo re over, the sel e ction of kerne l  function  wa s  discussed detailly so as to train the SVM clas sifier with the best co mprehensiv e performance.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  753 9 – 7547   7546 Experimental  result s sh owed that  the propo sed SVM can effici ently  classify different ultrason i c   flaw sig nal s with high recognition rate.      Ackn o w l e dg ements   This  wo rk is  sup porte d by  the Natural   Scien c e F o u ndation  of Ji ang Xi Province  (No.   20122BAB201039), the F ound ation of  Key Laboratory of Nond estructive Testi ng (Nanchang   Han g kong University),  Mi nistry  of Ed ucatio n (No.  ZD2 0122 90 03), the S c i entific Resea r ch   Found ation  o f  Educatio n  Dep a rtme nt of Jian gXi  Province  (No.  GJJ13 515 ) a nd the S c ient ific  Re sea r ch Fo undatio n of Chong qing Mu nicip a l Educa t ion Commi ssion (No. KJ11 1218 ).      Referen ces   [1]  Lee  K, Estivil l - Castro V. F e ature  e x tractio n   a nd  gati n g  techn i qu es f o r ultr ason ic  shaft sig n a l   classification.  Appl ied S o ft Computi n g . 20 0 7 ; 7(1): 156-1 6 5 .  [2] K y u ngm i  L ee.  F eature  extrac tion sch e m es f o r ultras onic  si gna l pr ocessi n g . Proce edi ngs  of the  5th  Internatio na l C onfere n ce  on   Comp uter Sci e nces  and  C o n v erge nce I n for m ation  T e chno log y . S e o u l.  201 0: 366- 372.   [3]  K y u ngm i Le e. F eature E x traction Sc hem es for  Ultrasonic Non-destructive T e sting Inspections.   Advanc es in In formati on Sci e nces an d Servi c e Scienc es . 2011; 3(3): 1 25- 135.   [4] Ahmed  Yamani,  Mo hame d  Derich e.  Auto matic  Det e ctio n of  Hig h T e mp eratur e Hy drog en Atta c k   defects from U l trason ic A-sca n Sign als . Pro c eed ings  of the 4th Midd le E a st NDT  Conferenc e an d  Exh i b i tion. Ne w   York. 2 007:  58-6 1 .  [5]  Isa D, Rajk um ar R.  Pip e li ne  Defect Detecti on Us ing  Sup p o rt Vector Mac h in es . Proce e d i ngs  of th e   6th Internati o n a l Co nfere n ce  on Circ u its, S y stems, Electronics, Contro l a nd Sig n a l  Proc essin g . Cair o.   200 7: 162- 168.   [6]  Vaclav  Matz,  Marcel  Krei dl,  Radis l av  Sm id.  Cl assificati on   of ultras on ic si gna ls.  Intern ati ona l Jo urn a l   of Materials a n d  Product T e ch nol ogy . 20 06; 27(3- 4): 145-1 55.   [7]  Anastasso po ul os A, N i kol a i d is V, P h il ip pi di s T .  A Co mparativ e Stu d y  of P a ttern  Rec ogn itio n   Algorit hms  for  Classific a tio n  o f   Ultraso nic Si gna ls.  Ne ura l  Co mp uting   & Appl icatio ns .  1 999; 8(1): 53- 66.   [8]  Caccio l a M, C a lca gno  S, Mo rabito F .  Com p utatio n a l  intel l i genc e as pects  for defect cl as sificatio n  in   aero nautic  co mposites  b y  u s ing  ultras onic  puls e s.  IEEE  Transactions on Ultras onics,  Ferroelectric s   and F r eq ue ncy  Control . 20 08;  55(4): 870- 87 8.  [9]  Caccio l a M,  C a lca gno  S, Me gali  G.  W a vele t Coher enc e a nd F u zz y  S ubtr a ctive C l uster i ng for  Defect   Classific a tio n  i n  Aer o n autic  C F RP . Procee di ngs  of Intern ati ona l C onfer en ce o n   Comp le x, Inte lli ge nt   and Soft w a r e  Intensiv e S y ste m s.   Krako w . 2 010: 10 1-1 07.   [10]  Sambath S, Nagar aj P, Selv akumar N. Au tomatic Defect Classi ficati on  in Ultrason i c NDT  Using   Artificial Intelligence.  Jour na l of nond estructi ve eval uati o n . 201 1; 30(1): 20 -28.  [11]  Ra ymo nd Sc h u lz, H e rman n   Rohl in g.  Auto matic  Eva l uati o n of A e ros pace  CF RP Structu r es Bas ed  o n   Ultraso nic Ech o  Sign als . Proc eed ings  of the 9th Europ e a n  C onfer ence  on  NDT . Hambur g. 2006: 1- 9.  [12]  Liu Sh oush an,  Chen Ya n, Bi Liju n.  Reco nfig urab le arch itec ture of  ultraso n ic defect dete c tion bas ed   on w a ve let  pa cket an d  back  pro p a gatio n  artificial  n eur al  netw o rk . Pro c eed ings  of I n ternati o n a l   Confer ence  on  Comput er an d Commu nic a tion T e chno lo gi es in Agr i cultu r e Engi ne erin g .  Chen gdu .   201 0: 498- 501.   [13]  Gang Qi, Alan  Barhorst, Java d Hash emi, Girish  Kama la. Di screte  w a ve let decom positi on  of acousti c   emission s i gnals from  carb on-fiber-reinfor c ed c o mpos ites.  Co mp osites   Scie nce an d T e chno logy .  199 7; 57(4): 38 9-40 3.  [14]  K y u ngm i Le e. F eature E x traction Sc hem es for  Ultrasonic Non-destructive T e sting Inspections.   Advanc es in In formati on Sci e nces an d Servi c e Scienc es . 2011; 3(3): 1 25- 135.   [15]  Elan gova n  M,  Sugum aran  V,  Ram a cha ndr a n  K,  R a vik u mar S. Effect of  SVM ker nel  f unctio n s  on   classificati on o f  vibration si g nals of a sin g l e  poi nt cutting  tool.  Expert Systems w i th Appl icatio ns .  201 1; 38(1 2 ): 1520 2-15 20 7.  [16]  A y at N, C heri e t M, Suen C. Automatic mo de l  selecti on for t he o p timizati on  of SVM kernel s.  Pattern  Reco gniti on . 2 005; 38( 10): 17 33-1 745.   [17]  Rush di Sal eh,  Martin-Val divi a. Exp e rime nts  w i t h  SVM to classif y  o p i n io ns in d i fferent doma i ns .   Expert Systems w i th Applicati ons . 201 1; 38( 12): 147 99- 148 04.   [18]  Ergun Gum u s ,  Ni yazi Ki lic,  Ahmet Sertb a s,  Osman N  Ucan. Eva l u a tion  of face  recog n itio n  techni qu es usi ng PCA,  w a ve lets an d SVM.   Expert Syste m s w i th Ap plic ations . 20 10 ;  3 7 ( 9 ) : 64 04 - 640 8.  [19]  Ron an Co llo be rt, Samy  Be ng io. SVMT o rch: Support Vect or Machin es for Larg e -Scal e  Regressi on   Probl ems.  Jour nal of Mach in e Lear nin g  Res e arch . 200 1; 1(9 ) : 143-16 0.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Ultra s oni c Fla w  Signal Cl assificatio n  usi n g Wa velet Transfo rm  and Suppo rt… (Y u Wan g )    7547 [20]  Yiqi ang Z h an,  Ding g a ng S h e n . An ad aptive  error  pe nal iza t ion meth od fo r trainin g  a n  efficient a n d   gen eral ize d  SVM.  Pattern Recogn ition . 2 006;  39(3): 342- 35 0.  [21]  Qing-Qua n  L i u .  Coord i n a ted  Motion  Co ntrol   of Auto nomo u s  an d Sem i aut onom ous M obi le Ag ents .   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2012; 1 0 (8): 1 929- 193 5.   [22]  Junfan g Li, B u -ha n  Z han g. Limitati on of Sma ll- w o rld T o p o lo g y  for Ap pli c ation i n  Non- domi nate d   Sorting D i ffere ntial Ev oluti on.   T E LKOMNIKA Indon esia n  Journ a l of El e c trical Eng i n e e r ing . 2 012;  10(2): 40 0-4 0 8 .   Evaluation Warning : The document was created with Spire.PDF for Python.