【技术实现步骤摘要】
针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统
本专利技术涉及无损检测和评估
，特别是一种针对小样本数据集的航天复合材料夹杂缺陷图像的faster-rcnn检测网络模型检测方法及系统。
技术介绍
碳纤维增强复合材料(carbonfiberreinforcedplasticsCFRP)相比传统的金属材料及其合金，具有非常出色的热性能和物理特性，包括高强度和高刚度重量比、低热膨胀系数、高抗疲劳性、固有耐腐蚀性及低电磁反射率。因此其越来越多的被用于航空航天等高新
然而，在这些复合材料生产过程和使用过程中会产生一些缺陷，比如在其生产过程中由于操作不小心导致的夹杂缺陷、孔洞缺陷和疏松缺陷，以及使用这种复合材料制作的飞机零部件在飞机服役时因意外事故导致的冲击损伤如脱粘缺陷、分层缺陷和裂纹缺陷等。为了保证使用这些复合材料制作的航空器等设备的安全，各类无损检测技术(NondestructivetestingNDT)被用于这些缺陷的检测。然而，没有任何一种无损检测技术能针对所有缺陷都以最高的精度检测出来，由于X...
【技术保护点】
1.针对小样本的航天复合材料夹杂缺陷的深度学习检测方法，其特征在于：包括以下步骤：/n构建faster-rcnn检测网络，以及获取用于faster-rcnn检测网络特征提取的目标领域的夹杂缺陷图像的目标图像数据集；/n构建迁移学习特征提取网络并通过对迁移学习特征提取网络的训练获取目标领域的夹杂缺陷图像的具有领域不变性的目标特征；/n将具有领域不变性的目标特征嵌入到faster-rcnn检测网络；/n通过faster-rcnn检测网络对目标图像数据集进行处理，获得目标图像数据集中的夹杂缺陷及其位置。/n
【技术特征摘要】
1.针对小样本的航天复合材料夹杂缺陷的深度学习检测方法，其特征在于：包括以下步骤：
构建faster-rcnn检测网络，以及获取用于faster-rcnn检测网络特征提取的目标领域的夹杂缺陷图像的目标图像数据集；
构建迁移学习特征提取网络并通过对迁移学习特征提取网络的训练获取目标领域的夹杂缺陷图像的具有领域不变性的目标特征；
将具有领域不变性的目标特征嵌入到faster-rcnn检测网络；
通过faster-rcnn检测网络对目标图像数据集进行处理，获得目标图像数据集中的夹杂缺陷及其位置。
2.如权利要求1所述的方法，其特征在于：所述步骤S2中的迁移学习特征提取网络形成目标特征是按照以下步骤进行的：
获取用于迁移学习特征提取网络训练的训练数据集，所述训练数据集包括采集到的目标领域的夹杂缺陷图像的正常训练数据集以及与夹杂缺陷图像匹配的辅助领域的辅助训练数据集；
将训练数据集通过卷积神经网络层进行处理得到特征向量图；
将特征向量图输入到类别分类器中进行处理得到缺陷类别预测向量；
将特征向量图输入到领域判别器中进行处理得到领域类别预测向量；
将特征向量图输入到距离优化器中进行处理得到的目标领域中的特征向量，所述特征向量具有同类之间距离最小、不同类之间距离最大的特性。
3.如权利要求2所述的方法，其特征在于：所述类别分类器通过全连接神经网络层来接收所述迁移学习特征提取网络输出的特征向量；所述类别分类器通过softmax函数进行归一化处理得到缺陷类别预测向量；或
所述领域判别器通过全连接神经网络层来接收所述迁移学习特征提取网络输出的特征向量；所述领域判别器通过softmax函数进行归一化处理得到领域类别预测向量；或
所述距离优化器包括不同领域的相同类别之间的距离优化和不同领域的不同类别之间的距离优化。
4.如权利要求2或3所述的方法，其特征在于：所述类别分类器的损失函数按照以下公式进行计算：
其中，Ltotal表示总的损失函数；
其中，Gf(xi；θf)表示特征提取网络；
Gy(Gf(xi；θf)；θy)表示标签类别分类器；
L(Gy(Gf(xi；θf)；θy),yi)表示实例样本xi经特征提取网络和标签类别分类器后预测的类别标签与真实的类别标签yi之间的损失；
所述领域判别器的损失函数表示为如下：
其中，Gf(xi；θf)表示特征提取网络；
Gd(Gf(xi；θf)；θd)表示领域类别分类器；
L...
【专利技术属性】
技术研发人员：罗钧，龚燕峰，董学金，邵红亮，曾伟，宋文成，李志学，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。