一种基于深度学习的蜂窝复合材料缺陷分类方法技术

本发明专利技术公开了一种基于深度学习的蜂窝复合材料缺陷分类方法，包括：获取蜂窝复合材料作为训练试件；采用高能氙灯或卤素灯对训练试件进行热激励，采用红外热像仪采集训练试件表面在受到热激励后的热图序列；将热图序列分解为训练试件表面的各像素采集点的温度时间序列；以像素采集点的温度时间序列和相应的内部缺陷类型作为训练数据，对RNN模型进行训练，得到蜂窝复合材料缺陷检测模型；获取待检测蜂窝复合材料表面的各像素采集点的温度时间序列，并输入蜂窝复合材料缺陷检测模型，得到各像素采集点的内部缺陷类型。本发明专利技术能快速识别蜂窝复合材料内部缺陷的类型，而且快速准确。

A Defect Classification Method for Honeycomb Composites Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的蜂窝复合材料缺陷分类方法
本专利技术属于材料缺陷检测领域，具体涉及一种基于深度学习的蜂窝复合材料缺陷分类方法。
技术介绍
国际上积极开展红外热成像无损检测技术的研究，一直处于该领域的前沿，在光脉冲、超声激励红外热成像方面取得了很多实际有用的研究成果，广泛应用于飞机复合材料构件内部缺陷及胶接质量的检测、冲击损伤检测以及蒙皮铆接质量检测等。90年代，美国韦恩州立大学HanX.Y.等人就将红外热成像检测技术用于飞机蜂窝结构复合材料脱粘、分层、积水、积油、冲击损伤等缺陷的检测。提取不同液体及噪声区域的降温数据并取对数，得到对数降温曲线，根据比较不同液体的对数降温曲线，实现了对表面下不同液体类型的定性区分。随着人工智能的发展，人们开始将传统机器学习引入红外无损检测技术帮助探测缺陷。科研成果表明，将传统的机器学习算法应用到红外热成像缺陷检测是可行的，不仅能有效的进行缺陷检测，还减少了人工干预，有利于缺陷检测的自动化和智能化。但是研究主要集中在将传统的机器学习算法应用于缺陷检测、缺陷深度和尺寸测量中。暂没有发现将深度学习应用于红外热成像检测复合材料皮下缺陷检测，实现缺陷检测和缺陷类型的智能化识别，对促进红外热成像技术在工业自动化检测具有十分重要的意义。蜂窝结构材料具有强度重量比高、抗疲劳性能好、制造成本低等独特的力学性能，在商用和军用飞机上有着广泛的应用。但不同类型的异常，如脱胶、粘结性差或粘结性差，都会严重影响其力学性能。同时，由于飞机零部件可能出现密封不良或表面损伤，空心芯结构容易受到液体侵入。这个问题引起了人们对飞机安全的极大关注。机身内少量进水通常是可以容忍的，而蜂窝结构舵内大量滞留水则会导致飞机控制问题。此外，蜂窝部件液压油的出现可能是液压系统故障的早期征兆，严重影响飞行安全。因此、分辨出滞留的液体是水还是油是尤为重要的。而多胶缺陷是在制造过程中产生，需要在出厂过程中淘汰。脱粘缺陷主要是因为飞机在受到冲击损伤会导致蒙皮破损影响结构的稳定性。因此，有必要研究一种深度学习模型对蜂窝复合材料的内部缺陷进行检测分类的技术。
技术实现思路
本专利技术提供一种基于深度学习的蜂窝复合材料缺陷分类方法，采用高能氙灯或卤素灯对试件施加热激励，通过红外热像仪采集训练试件的热图序列并分解为表面各像素采集点的温度时间序列，然后结合已知的训练试件的表面各像素采集点的内部缺陷类型，训练RNN模型得到蜂窝复合材料缺陷检测模型，能降低人工因素干扰对蜂窝复合材料的内部缺陷类型的检测分类，而且快速、准确。为实现上述技术目的，本专利技术采用如下技术方案：一种基于深度学习的蜂窝复合材料缺陷分类方法，包括以下步骤：步骤1，获取蜂窝复合材料作为训练试件，且已知训练试件表面的各像素采集点的内部缺陷类型；步骤2，采用高能氙灯或卤素灯对训练试件进行热激励，采用红外热像仪采集训练试件表面在受到热激励后的热图序列，其中热图序列包括一组时间连续的热图，所述热图表示训练试件表面在当前时刻的温度分布图；步骤3，将热图序列分解为训练试件表面的各像素采集点的温度时间序列；步骤4，以像素采集点的温度时间序列和相应的内部缺陷类型作为训练数据，对RNN模型进行训练，得到蜂窝复合材料缺陷检测模型；步骤5，按步骤1-3获取待检测蜂窝复合材料表面的各像素采集点的温度时间序列，并输入至步骤4得到的蜂窝复合材料缺陷检测模型，得到待检测蜂窝复合材料表面的各像素采集点的内部缺陷类型。本方案通过红外热像仪采集蜂窝复合材料表面的热图序列，并分解得到蜂窝复合材料表面各像素采集点的温度时间序列，即温度变化曲线，而蜂窝复合材料的内部缺陷改变对应的表面像素采集点的温度变化曲线，因此以已知内部缺陷类型的像素采集点的温度时间序列作为样本数据，训练得到的蜂窝复合材料缺陷检测模型，可以自动识别蜂窝复合材料表面各像素采集点的内部缺陷类型，避免人工因素对检测结果的影响。进一步地，在步骤3之前还包括对热图序列中的热图进行图像预处理，其中图像预处理的具体处理方法为以下任意一种：减背景、热信号重建、系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析。本方案对热图序列进行减背景等预处理，可以降低非内部缺陷造成的热不均匀现象，降低环境因素对检测结果的影响，提高检测结果的信噪比，有利于RNN模型对缺陷特征的识别，进而提高训练得到的蜂窝复合材料缺陷检测模型对缺陷检测分类的正确率。进一步地，所述缺陷类型包括：积水、积油、脱胶、多粘和无缺陷。进一步地，所述高能氙灯或卤素灯对蜂窝复合材料进行热激励的加热能量、热图序列的采集时间及采集频率，均根据检测内部缺陷的深度、蜂窝复合材料的热传导系数进行设置。进一步地，所述RNN模型包括隐藏层和输出层，输出层的神经元数量与内部缺陷类型的数量相同，通过训练RNN模型确定蜂窝复合材料缺陷检测模型的偏差和权重。进一步地，在步骤3之前包括将得到的所有温度时间序列分组为训练集和验证集；步骤4对RNN模型进行训练包括：使用训练集对RNN模型进行训练得到训练集正确率，使用验证集对训练得到的蜂窝复合材料缺陷检测模型进行验证得到验证集正确率，根据训练集正确率和验证集正确率，验证蜂窝复合材料缺陷检测模型是否合格：若训练集正确率和验证集正确率均位于预设范围内，则执行步骤5；否则调整隐藏层的层数、每个隐藏层的神经元数量、正则化和训练数据的数量，返回步骤4，重新训练蜂窝复合材料缺陷检测模型。进一步地，所述RNN模型具体采用LSTM模型。有益效果本专利技术通过红外热像仪采集蜂窝复合材料表面的热图序列，并分解得到蜂窝复合材料表面各像素采集点的温度时间序列，即温度变化曲线，而蜂窝复合材料的内部缺陷改变对应的表面像素采集点的温度变化曲线，因此以已知内部缺陷类型的像素采集点的温度时间序列作为样本数据，训练得到的蜂窝复合材料缺陷检测模型，可以自动识别蜂窝复合材料内部缺陷类型，避免人工因素对检测结果的影响。附图说明图1为本专利技术所述方法的流程示意图；图2为本专利技术实施例中待检测蜂窝复合材料真实的缺陷标签表面映射图；图3为本专利技术实施例第一次实验得到的内部缺陷分类位置示意图；图4为本专利技术实施例第一次实验得到的分类正确率混淆矩阵图；图5为本专利技术实施例第二次实验得到的内部缺陷分类位置示意图；图6为本专利技术实施例第二次实验得到的分类正确率混淆矩阵图。具体实施方式下面对本专利技术的实施例作详细说明，本实施例以本专利技术的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本专利技术的技术方案作进一步解释说明。本专利技术提供一种基于深度学习的蜂窝复合材料缺陷分类方法，如图1所示，包括以下步骤：步骤1，获取已知内部缺陷位置和类型的蜂窝复合材料作为训练试件；其中，已知训练试件表面各像素采集点所对应的内部缺陷类型，缺陷类型包括：积水、积油、脱胶、多粘和无缺陷，缺陷可能分布于任意位置处。在所有训练试件的所有表面像素采集点中，要求涵盖每种内部缺陷类型；且每种内部缺陷类型均对应试件表面数百个像素采集点。步骤2，采用高能氙灯或卤素灯对训练试件进行热激励，采用红外热像仪采集训练试件表面在受到热激励后的原始热图序列，其中原始热图序列包括一组时间连续的热图，所述热图表示训练试件表面在当前时刻的温度分布图；采用高能氙灯或卤素灯对训练试件进行热激本文档来自技高网...

【技术保护点】
1.一种基于深度学习的蜂窝复合材料缺陷分类方法，其特征在于，包括以下步骤：步骤1，获取蜂窝复合材料作为训练试件，且已知训练试件表面的各像素采集点的内部缺陷类型；步骤2，采用高能氙灯或卤素灯对训练试件进行热激励，采用红外热像仪采集训练试件表面在受到热激励后的热图序列，其中热图序列包括一组时间连续的热图，所述热图表示训练试件表面在当前时刻的温度分布图；步骤3，将热图序列分解为训练试件表面的各像素采集点的温度时间序列；步骤4，以像素采集点的温度时间序列和相应的内部缺陷类型作为训练数据，对RNN模型进行训练，得到蜂窝复合材料缺陷检测模型；步骤5，按步骤1‑3获取待检测蜂窝复合材料表面的各像素采集点的温度时间序列，并输入至步骤4得到的蜂窝复合材料缺陷检测模型，得到待检测蜂窝复合材料表面的各像素采集点的内部缺陷类型。

【技术特征摘要】
1.一种基于深度学习的蜂窝复合材料缺陷分类方法，其特征在于，包括以下步骤：步骤1，获取蜂窝复合材料作为训练试件，且已知训练试件表面的各像素采集点的内部缺陷类型；步骤2，采用高能氙灯或卤素灯对训练试件进行热激励，采用红外热像仪采集训练试件表面在受到热激励后的热图序列，其中热图序列包括一组时间连续的热图，所述热图表示训练试件表面在当前时刻的温度分布图；步骤3，将热图序列分解为训练试件表面的各像素采集点的温度时间序列；步骤4，以像素采集点的温度时间序列和相应的内部缺陷类型作为训练数据，对RNN模型进行训练，得到蜂窝复合材料缺陷检测模型；步骤5，按步骤1-3获取待检测蜂窝复合材料表面的各像素采集点的温度时间序列，并输入至步骤4得到的蜂窝复合材料缺陷检测模型，得到待检测蜂窝复合材料表面的各像素采集点的内部缺陷类型。2.根据权利要求1所述的方法，其特征在于，在步骤3之前还包括对热图序列进行预处理，其中预处理的具体处理方法为以下任意一种：减背景、热信号重建、系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析。3.根据权利要求1所述的方法，其特征在于，所述缺陷类型...

【专利技术属性】
技术研发人员：段玉霞，胡偲琦，刘石财，戴小标，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43