一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法技术

本发明专利技术公开了一种基于Faster R‑CNN的多层金属点阵结构材料内部缺陷检测方法，结合卷积神经网络，通过工业CT对多层金属点阵结构材料样件进行扫描检测，得到样件内部结构的三维立体结构，截取点阵结构横向截面的二维灰度图像，对灰度图中大量的缺陷样本进行采样学习，用学习到的缺陷特征对灰度图中的缺陷进行识别定位。经过试验验证，对多层金属点阵结构材料内部缺陷检测的平均正确率达到99.5％。

【技术实现步骤摘要】
一种基于FasterR-CNN的多层金属点阵结构材料内部缺陷检测方法
本专利技术涉及多层金属点阵结构材料内部缺陷检测
，特别是一种基于FasterR-CNN的多层金属点阵结构材料内部缺陷检测方法。
技术介绍
金属点阵结构材料由有序微结构呈周期排列而成，是一种新型结构-功能一体化的有序多孔材料，能够有效解决材料的轻量化问题。金属点阵结构材料具有超轻、高比强度、高比刚度、减震、耐冲击等结构特性和高效散热隔热、耐火、吸声、电磁波吸收等功能特性，因而广泛应用于航空航天、武器装备、交通运输、医疗、机械、建筑、化工等行业。多层金属点阵结构材料在近年来得到了广泛的应用，传统的制造工艺已经不能满足其结构功能特性。不同于传统的金属的点阵结构制造技术，增材制造技术是通过自下而上对熔融材料进行逐层堆积粘合的一种制造方法，其设计和制造的自由度较大，能够有效解决复杂多层金属结构材料的制备问题，国内外对由增材制造技术制备的多层金属点阵结构材料展开了相关研究。UshijimaK等用选择性激光金属熔融技术制备了金属点阵结构，研究了不同激光功率和扫描速度对金属点阵结构力学性能造成的影响。MaskeryI等研究了由选择性激光熔融技术制备Al-Si10-Mg材质金属点阵结构在准静态负载下的力学性能，验证了热处理对于改善点阵结构结构功能特性的有效性。VanHB等对用选择性激光熔融技术制备的Ti-6Al-4V材质金刚石晶胞结构点阵材料进行研究，分析了影响点阵材料疲劳寿命的因素并提出了改善材料疲劳寿命的方法。MinesRAW等使用选择性激光熔融技术将Ti-6Al-4V钛合金制成的体心立方(BCC)点阵结构同传统铝蜂窝的机械性能进行比较，结果表明前者在结构性能上更具优势。MaskeryI等]研究了由增材制造(AM)工艺制成点阵结构的破碎行为、机械性能和能量吸收，在点阵结构两个正交方向施加压缩载荷并评估它们的机械各向异性。LiuYJ等分别对由电子束熔炼(EBM)和选择性激光熔化(SLM)制造的β型Ti-24Nb-4Zr-8Sn多孔结构进行分析，并对两种结构的微观结构，缺陷和力学行为的差异进行分析。HornTJ等用电子束熔化(EBM)技术将Ti-6Al-4V钛合金制造开孔点阵结构，并将其用于医疗类骨组织支架和低刚度植入物，对填充有不同尺寸和密度的菱形十二面体晶胞的棱柱棒进行四点弯曲测试。TaniguchiN等研究了不同孔径大小对由选择性激光熔化(SLM)制造的孔隙率恒定多孔钛植入物的影响，得出了合适的孔径尺寸。BaiL等提出了一种体心四方晶格结构，用选择性激光熔化(SLM)技术将Ti-6Al-4V钛合金制备优化的BCT结构和BCC参考结构的试验样品，并分别对其进行准静态单轴研所试验来验证理论分析结果。LiuF等]用选择性激光熔化(SLM)技术按照体积分数的不同制成多个多孔钛，并在压缩载荷下进行实验验证，确定变形和破坏机理。WarmuthF等提出了一种具有负泊松比的三维全增强多孔结构，用电子束熔化(EBM)技术将Ti-6Al-4V钛合金制成多孔金属点阵结构，并对其进行力学性能和变形行为的研究。虽然国内外专家对金属点阵结构进行了大量的研究，但是主要研究了金属点阵结构的相关制备技术、单元的结构设计、力学性能和功能特性等，而金属点阵结构内部的宏观缺陷检测也尤为重要，但是目前针对结构内部宏观缺陷检测的研究较少。增材制造的本质就是将材料加热至熔融状态再进行逐层堆积冷却成型，而材料在加热熔融后又快速凝固产生了急剧的热变化，从而导致大量的残余应力造成结构翘曲、裂纹、气孔等不良效应。常用的无损检测方法有射线检验(RT)、超声检测(UT)、磁粉检测(MT)、液体渗透检测(PT)、涡流检测(ECT)、声发射检测(AE)、热像/红外(TIR)等，但对于具有复杂结构的多层金属点阵结构，这些方法的检测对象和检测精度限制了其内部的缺陷检测，因此需要一种能够对复杂结构的多层金属点阵结构内部缺陷进行检测的检测方法。工业CT是在射线检测的基础上发展起来的，当射线束穿过被测物体时，射线会发生衰减，衰减的程度随着被测物内部的材质和结构不同而发生改变，通过射线接收器接收衰减后的射线，并对射线的衰减程度进行判别，通过旋转被测物体和相应的算法来实现被测物体内部结构的呈现。深度学习(DeepLearning)是由GeoffreyHinton等在2006年提出的，不同于早期只有一层或是没有隐层节点的浅层机器学习模型，深度学习具有多隐层人工神经网络，且通过“逐层初始化”对原始数据进行训练学习。深度神经网络分为以下三类：前馈深度网络(feed-forwarddeepnetworks，FFDN)、反馈深度网络(feed-backdeepnetworks，FBDN)、双向深度网络(bi-directionaldeepnetworks，BDDN)。深度学习在众多领域都有应用，如语音识别、人脸识别、唇语识别、图像分类识别、纹理识别、实时多人动作预测、医疗病患识别、自动驾驶、精准推荐等。最近几年，属于前馈深度网络的卷积神经网络(ConvolutionalNeuralNetwork，CNN)得到了广泛关注和研究，得到了很多典型的CNN模型。LeNet-5模型[16]是上世纪末用来识别手写邮政编码的CNN模型，是CNN首次在简单图形自动检测识别中的应用，由于受到电脑硬件的限制，一直到2012年的ImageNet大规模视觉识别挑战赛(ImageNetLargeScaleVisualRecognitionChallenge，ILSVRC)，AlexNet模型首次将CNN应用到赛事中便获得了冠军(top-5错误率16.4％)，且远优于第二名，在2013年的ILSVRC中，ZFNet模型对AlexNet模型进行改进获得了冠军(top-5错误率11.2％)，在2014年的ILSVRC中，GoogLeNet模型和VGGNet模型采用了CNN的相关算法分别获得了冠军和季军(top-5错误率分别为6.7％和7.3％)，在2015年的ILSVRC中，ResNet[21]模型采用了很深的CNN架构获得了冠军(top-5错误率3.57％)。由于卷积神经网络具有优异识别分类能力，一些相关的CNN架构和算法被应用到了各个领域并取得了良好的效果。但是，目前尚未发现针对由增材制造技术制备的多层金属点阵结构内部的宏观缺陷进行检测的研究。
技术实现思路
本专利技术的目的是要解决现有技术中存在的不足，提供一种基于FasterR-CNN的多层金属点阵结构材料内部缺陷检测方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种基于FasterR-CNN的多层金属点阵结构材料内部缺陷检测方法，包括以下步骤：step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，取得的样件截面图有效区域大小为1474*1583*3，选取各样件截面图中有缺陷的部位作为训练样本图片，每张训练样本图片大小为351*351*3，训练样本图片至少选取300个，所有训练样本图片构成训练样本集；step2、设计卷积神经网络FasterR-CNN整体网络架构，输入图像尺寸为351本文档来自技高网...

【技术保护点】
1.一种基于FasterR‑CNN的多层金属点阵结构材料内部缺陷检测方法，其特征在于，包括以下步骤：step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，取得的样件截面图有效区域大小为1474*1583*3，选取各样件截面图中有缺陷的部位作为训练样本图片，每张训练样本图片大小为351*351*3，训练样本图片至少选取300个，所有训练样本图片构成训练样本集；step2、设计卷积神经网络FasterR‑CNN整体网络架构，输入图像尺寸为351*351*3，第一层卷积层包含32个大小为7*7的卷积核，以步长为2填充宽度为0对其进行卷积运算，得到大小为173*173*32卷积层，分别用Relu激活函数和LRN(LocalResponseNormalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为0对卷积层进行最大池化，得到大小为86*86*32的池化层；第二层卷积层包含64个大小为5*5的卷积核，以步长为2填充宽度为1对第一层卷积层得到的输出层进行卷积运算，得到大小为42*42*64卷积层，同样用Relu激活函数和LRN(LocalResponseNormalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为1对卷积层进行最大池化，得到大小为21*21*64池化层；第三层卷积层包含64大小为3*3的卷积核，以步长为1填充宽度为2对第二层卷积层的输出层进行卷积运算，得到大小为21*21*64的卷积层，用Relu激活函数增强网络的非线性；在得到第三层卷积层特征层之后，RPN和FastR‑CNN共享其特征参数，结合特征图，经过RPN网络得到了区域建议和区域得分，其中，RPN网络是由3*3的滑动窗口在得到的特征图上进行滑动，每滑动一个位置采用三个面积尺寸和三种不同的长宽比例进行窗口截取，每个滑动窗口得到9个不同的建议区域，分别计算每个区域的位置坐标9*4和区域为目标或背景的得分9*2，共得到21*21*9共3969个建议窗口，选取得分最高的300个建议窗口，通过RoiPooling层得到大小统一的矩形建议框，送入全连接层判定目标的类别和最终精确位置；step3、将训练样本集导入整个FasterR‑CNN网络进行训练，最终得到训练好的模型；step4、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，将取得的样件截面图有效区域导入训练好的模型中进行检测，经过检测得到每张样件截面图中可能成为目标的位置和成为目标的概率，设定一个阈值使得所有输出目标概率大于此值即识别出样件截面图中缺陷位置。...

【技术特征摘要】
1.一种基于FasterR-CNN的多层金属点阵结构材料内部缺陷检测方法，其特征在于，包括以下步骤：step1、通过工业CT对多层金属点阵结构材料样件进行扫描得到样件内部的三维立体结构，从得到的三维立体结构竖直方向有效区域底部到顶部等距离截取若干张样件截面图，取得的样件截面图有效区域大小为1474*1583*3，选取各样件截面图中有缺陷的部位作为训练样本图片，每张训练样本图片大小为351*351*3，训练样本图片至少选取300个，所有训练样本图片构成训练样本集；step2、设计卷积神经网络FasterR-CNN整体网络架构，输入图像尺寸为351*351*3，第一层卷积层包含32个大小为7*7的卷积核，以步长为2填充宽度为0对其进行卷积运算，得到大小为173*173*32卷积层，分别用Relu激活函数和LRN(LocalResponseNormalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为0对卷积层进行最大池化，得到大小为86*86*32的池化层；第二层卷积层包含64个大小为5*5的卷积核，以步长为2填充宽度为1对第一层卷积层得到的输出层进行卷积运算，得到大小为42*42*64卷积层，同样用Relu激活函数和LRN(LocalResponseNormalization)增强网络的非线性和进行归一化处理，用大小为3*3步长为2填充为1对卷积层进行最大池化，得到大小为21*21*64池化层；第三层卷积层包含64大小为3*3的卷积核，以步长为1填充宽度为2...

【专利技术属性】
技术研发人员：张玉燕，李永保，张芝威，温银堂，张松，孙玉容，潘钊，贾斌，付凯，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北,13