基于红外热波及卷积神经网络的复合材料损伤智能检测方法技术

本发明专利技术公开了一种基于红外热波及卷积神经网络的复合材料损伤智能检测方法，具体包括：步骤1，训练损伤位置识别模型和损伤类别分类模型；步骤2，采集待检测复合材料的红外热波数据，获得多张红外热波图像，将其分别输入损伤位置识别模型，检测其中是否含有损伤，若有则输出预测的损伤区域；步骤3，提取损伤区域的红外热波信号；步骤4，将红外热波信号输入损伤类别分类模型，获得各损伤的类型；本发明专利技术能够获得复合材料内部的损伤区域位置和类型信息，损伤检测结果准确且效率较高。损伤检测结果准确且效率较高。损伤检测结果准确且效率较高。

【技术实现步骤摘要】
基于红外热波及卷积神经网络的复合材料损伤智能检测方法


[0001]本专利技术属于复合材料损伤检测
，特别是涉及一种基于红外热波及卷积神经网络的复合材料损伤智能检测方法。

技术介绍

[0002]复合材料是指几类不同材料通过复合工艺组合而成的新型材料，由于复合材料具有绝缘性好、耐热性强、抗腐蚀性好等优良的性能，被大批应用于飞机的机身、机翼、内装件、雷达罩等结构，如欧洲A400M军用后勤飞机使用了复合材料机翼罩，F
‑
22战斗机复合材料占比超过35％，波音787客机的复合材料占比为50％，空客A350客机的复合材料占比高达52％。
[0003]复合材料在制备和应用过程中，不可避免地会出现内部分层、脱粘等各类损伤，且多数损伤难以观测，不易确定损伤的位置及破坏程度，给飞机带来严重的安全隐患，随着复合材料在飞机上的大量应用，对飞机复合材料的检测已经成为保障飞行安全的关键技术。
[0004]目前对复合材料常用的无损检测方法有X射线、超声波、声发射等，这些常规手段普遍存在着单次检测面积小，检测速度慢等缺点，综合来看都不适用于较大面积构件的损伤快速检测；红外无损检测中的主动脉冲热成像技术具有单次检测面积大、检测速度快、非接触、检测系统搭建简单、适用于现场检测等多项优点，具有广泛的研究应用，然而，红外热波成像需要人工识别，操作员利用这些图像分析部件中是否存在缺陷，判断缺陷的类型和位置，在很大程度依赖于先验知识，操作过程费时且依赖于经验主义。
[0005]在实现本专利技术过程中，专利技术人发现现有技术识别缺陷时集中于红外图像检测，并未利用红外信号，而红外图像仅反映了同一时刻平面内所有点的温度场分布情况，由此可以判断缺陷的位置和大小，但无法判断缺陷的类型；红外信号反映了固定点的温度随时间的变化，材料内部情况不同时，红外信号的变化也不同，通过研究这种变化关系能有效识别该位置的缺陷类型，有助于全面反映复合材料内部情况。

技术实现思路

[0006]本专利技术实施例的目的在于提供一种基于红外热波及卷积神经网络的复合材料损伤智能检测方法，通过将红外热波图像和红外热波信号结合，从空间和时间维度获取损伤区域的信息，使损伤检测结果更加准确，且检测效率较高。
[0007]为解决上述技术问题，本专利技术所采用的技术方案是，基于红外热波及卷积神经网络的复合材料损伤智能检测方法，包括以下步骤：
[0008]步骤1，基于复合材料损伤样件的红外热波数据分别训练损伤位置识别模型和损伤类别分类模型；
[0009]步骤2，采集待检测复合材料的红外热波数据，对其进行预处理，获得复合材料不同深度的多张红外热波图像，将各红外热波图像分别输入损伤位置识别模型，检测其中是否含有损伤；
[0010]以各红外热波图像左上角为坐标原点，以坐标原点向右为x轴正方向，向下为y轴正方向，以每个像素为一个单位建立坐标系，输出预测的损伤区域[x
′
min
,y
′
min
,x
′
max
,y
′
max
]，x
′
min
、y
′
min
分别为预测的损伤区域左上角的横纵坐标，x
′
max
、y
′
max
分别为预测的损伤区域右下角的横纵坐标；
[0011]步骤3，将多张红外热波图像按采样时间的先后顺序排成图像序列，提取损伤区域内各像素坐标在各红外热波图像中的辐射值，按时间顺序将同一像素坐标在各红外热波图像中的辐射值连接起来，形成一维的各像素坐标的红外热波信号；
[0012]步骤4，将损伤区域各像素坐标的红外热波信号分别输入损伤类别分类模型，获得各像素坐标的损伤类别，统计分属于各损伤类别的像素坐标占损伤区域内总像素坐标的比例，将占比最高的损伤类别作为最终的损伤类别输出，获得复合材料的损伤类别。
[0013]进一步的，步骤1所述的训练包括以下步骤：
[0014]步骤1
‑
1，采集复合材料损伤样件的红外热波数据，对红外热波数据进行预处理，获得复合材料不同深度的多张红外热波图像，将多张红外热波图像按采样时间的先后顺序排成图像序列，提取每个像素坐标在各红外热波图像中的辐射值，按时间顺序连接每个像素坐标的辐射值形成像素坐标的一维红外热波信号；
[0015]步骤1
‑
2，使用图片标注工具给红外热波图像添加损伤位置标记得到损伤图像样本集，给红外热波信号添加损伤类别得到损伤信号样本集；
[0016]所述损伤位置标记为[x
min
,y
min
,x
max
,y
max
]，其中x
min
、y
min
分别为损伤区域标记框左上角的横纵坐标，x
max
、y
max
分别为损伤区域标记框右下角的横纵坐标，所述损伤类别包括分层、脱粘、裂纹、鼓包；
[0017]步骤1
‑
3，将损伤图像样本集和损伤信号样本集都分为训练集和验证集，分别使用训练集训练损伤位置识别模型和损伤类别分类模型，使用验证集调整模型的超参数，得到优化的损伤位置识别模型和损伤类别分类模型。
[0018]进一步的，所述预处理包括：使用最小二乘法对红外热波数据进行七阶多项式拟合，再对拟合数据求一阶导。
[0019]进一步的，所述损伤位置识别模型由依次连接的CSPDarknet53网络、SSP和PAN模块、三个YOLO Head组成，所述CSPDarknet53网络用于提取输入的红外热波图像的多层级特征，所述SSP和PAN模块用于将低级特征映射与高级特征映射合并，所述三个YOLO Head用于基于合并特征对不同尺度的损伤区域进行预测。
[0020]进一步的，所述损伤类别分类模型包括五个特征提取网络，所述特征提取网络由Conv1D、BN层、Conv1D、BN层和最大池化层连接组成，第五个特征提取网络不包含最大池化层，直接与Flatten层、Linear层、BN层、Linear层、BN层、Softmax层依次连接；
[0021]所述五个特征提取网络依次提取红外热波信号的多维特征，所述Flatten层将输入的多维特征转换为一维特征信号，所述Linear层将多层级的特征连接组合，所述Softmax层根据组合的特征对损伤类别进行分类。
[0022]本专利技术的有益效果是：本专利技术实施例通过对复合材料的红外热波数据进行七阶拟合和一阶导处理，强化红外热波数据的特征，提升损伤区域与正常区域红外辐射的区分度，进而提升用其训练得到的损伤位置识别模型和损伤类别分类模型的识别能力，使检测结果更加准确。
[0023]本专利技术实施例使用卷积神经网络对红外热波数据进行处理分析，方便工作人员进行操作，减少对专业人士的依赖，降低了损伤检测成本，提高了效率。
[0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，包括以下步骤：步骤1，基于复合材料损伤样件的红外热波数据分别训练损伤位置识别模型和损伤类别分类模型；步骤2，采集待检测复合材料的红外热波数据，对其进行预处理，获得复合材料不同深度的多张红外热波图像，将各红外热波图像分别输入损伤位置识别模型，检测其中是否含有损伤；以各红外热波图像左上角为坐标原点，以坐标原点向右为x轴正方向，向下为y轴正方向，以每个像素为一个单位建立坐标系，输出预测的损伤区域[x
′
min
,y
′
min
,x
′
max
,y
′
max
]，x
′
min
、y
′
min
分别为预测的损伤区域左上角的横纵坐标，x
′
max
、y
′
max
分别为预测的损伤区域右下角的横纵坐标；步骤3，将多张红外热波图像按采样时间的先后顺序排成图像序列，提取损伤区域内各像素坐标在各红外热波图像中的辐射值，按时间顺序将同一像素坐标在各红外热波图像中的辐射值连接起来，形成一维的各像素坐标的红外热波信号；步骤4，将损伤区域各像素坐标的红外热波信号分别输入损伤类别分类模型，获得各像素坐标的损伤类别，统计分属于各损伤类别的像素坐标占损伤区域内总像素坐标的比例，将占比最高的损伤类别作为最终的损伤类别输出，获得复合材料的损伤类别。2.根据权利要求1所述的基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，步骤1所述的训练包括以下步骤：步骤1
‑
1，采集复合材料损伤样件的红外热波数据，对红外热波数据进行预处理，获得复合材料不同深度的多张红外热波图像，将多张红外热波图像按采样时间的先后顺序排成图像序列，提取每个像素坐标在各红外热波图像中的辐射值，按时间顺序连接每个像素坐标的辐射值形成像素坐标的一维红外热波信号；步骤1
‑
2，使用图片标注工具给红外热波图像添加损伤...

【专利技术属性】
技术研发人员：何卫锋，魏小龙，李才智，郭函懿，周留成，裴彬彬，罗思海，聂祥樊，汪世广，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：