This paper presents a novel model for ultrasonic defect identification relying on multi-feature fusion and multi-criteria feature evaluation (MFF-MCFE). Based on feature extraction, feature selection, pattern recognition and data fusion algorithm, this model analyzes ultrasonic echo signal data from single-probe ultrasonic inspection, and based on wavelet packet transform (WPT), empirical mode decomposition (EMD) and discrete wavelet transform (DWT), the main features from the collected ultrasonic echo signals are also extracted. These features are also evaluated by means of Representation Entropy (RE), Fisher’s ratio (FR) and Mahalanobis distance (MD), and the results are fused with Dempster–Shafer (D-S) evidence theory and the corresponding feature subsets are formed according to the fusion result. The support vector machine (SVM) is used as the classifier to recognize the defect signal, and the subsequent classification results are integrated by D-S evidence theory, which leads to the final recognition results. On this basis, a series of experiments were carried out to compare the performance of the developed model with that of the models using single feature sets and single feature evaluation criterion. Meanwhile, the principal component analysis (PCA) was also involved in the corresponding comparative analysis. The experimental results showed that this model is suitable for the identification and diagnosis of pipeline defects, and its classification accuracy could be reached up to 96.29% with stronger robustness and stability.

中文翻译：

---

基于多特征融合和多准则特征评价的管道超声检测缺陷识别

本文提出了一种基于多特征融合和多标准特征评估的超声缺陷识别新模型（MFF-MCFE）。该模型基于特征提取、特征选择、模式识别和数据融合算法，对单探头超声检测的超声回波信号数据进行分析，并基于小波包变换（WPT）、经验模态分解（EMD）和离散小波变换（ DWT），还从收集的超声回波信号中提取主要特征。这些特征还通过表征熵（RE）、Fisher's ratio（FR）和Mahalanobis distance（MD）进行评估，结果与Dempster-Shafer（DS）证据理论融合，根据融合结果。采用支持向量机（SVM）作为分类器对缺陷信号进行识别，将后续的分类结果通过DS证据理论进行整合，得出最终的识别结果。在此基础上，进行了一系列实验，将所开发模型的性能与使用单一特征集和单一特征评价标准的模型的性能进行了比较。同时，主成分分析（PCA）也参与了相应的比较分析。实验结果表明，该模型适用于管道缺陷的识别和诊断，其分类准确率可达96.29%，具有较强的鲁棒性和稳定性。并将随后的分类结果通过DS证据理论进行整合，从而得出最终的识别结果。在此基础上，进行了一系列实验，将所开发模型的性能与使用单一特征集和单一特征评价标准的模型的性能进行了比较。同时，主成分分析（PCA）也参与了相应的比较分析。实验结果表明，该模型适用于管道缺陷的识别和诊断，其分类准确率可达96.29%，具有较强的鲁棒性和稳定性。并将随后的分类结果通过DS证据理论进行整合，从而得出最终的识别结果。在此基础上，进行了一系列实验，将所开发模型的性能与使用单一特征集和单一特征评价标准的模型的性能进行了比较。同时，主成分分析（PCA）也参与了相应的比较分析。实验结果表明，该模型适用于管道缺陷的识别和诊断，其分类准确率可达96.29%，具有较强的鲁棒性和稳定性。进行了一系列实验，将所开发模型的性能与使用单一特征集和单一特征评估标准的模型的性能进行比较。同时，主成分分析（PCA）也参与了相应的比较分析。实验结果表明，该模型适用于管道缺陷的识别和诊断，其分类准确率可达96.29%，具有较强的鲁棒性和稳定性。进行了一系列实验，将所开发模型的性能与使用单一特征集和单一特征评估标准的模型的性能进行比较。同时，主成分分析（PCA）也参与了相应的比较分析。实验结果表明，该模型适用于管道缺陷的识别和诊断，其分类准确率可达96.29%，具有较强的鲁棒性和稳定性。