一种基于Transformer的复合材料缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于Transformer的复合材料缺陷检测方法及系统，对基于Transformer的复合材料进行扫描，采集复合材料的超声信号；将超声信号划分为训练数据集X和验证数据集Y；构建基于Transformer的特征学习与分类模型；将划分的训练数据集X输入搭建的基于Transformer的特征学习与分类模型中对特征学习与分类模型进行训练，再将划分的验证数据集Y输入训练好的特征学习与分类模型中，得出基于Transformer的复合材料缺陷。本发明专利技术通过深度学习的方法将采集到的复合材料超声信号进行特征学习和分类，实现了对复合材料缺陷类型的准确判断。的准确判断。

【技术实现步骤摘要】
一种基于Transformer的复合材料缺陷检测方法及系统


[0001]本专利技术属于复合材料缺陷检测
，具体涉及一种基于Transformer的复合材料缺陷检测方法及系统。

技术介绍

[0002]随着工艺的成熟和性能的提升，复合材料从最初在航空航天和军事领域的应用，到近期在工业领域上获得大规模的发展，其中汽车、电子等领域成为了非常有前景的应用领域。但是复合材料制作过程或使用过程中会形成各种形式的缺陷，这些缺陷的存在势必会影响材料的性能指标，使复合材料的使用受到一定的限制，造成经济损失和安全问题。所以，准确、快速、有效、及时地检测出有缺陷的复合材料对现代工业生产有重大的意义。
[0003]超声检测作为一种常规的无损检测技术，其穿透能力强、探测灵敏度高、易于操作、快捷方便，在不损伤被检测对象的条件下，探测材料表面或者内部的缺陷。但是其局限性也很大，超声检测要求被测表面较光滑，对于形状复杂的材料或者工件检测较难，另外对复合材料的厚度有一定要求。
[0004]基于循环神经网络的检测方式必须根据信号前后位置按顺序处理，这导致了两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer的复合材料缺陷检测方法，其特征在于，包括以下步骤：S1、对基于Transformer的复合材料进行扫描，采集复合材料的超声信号；S2、将步骤S1得到的超声信号划分为训练数据集X和验证数据集Y；S3、构建基于Transformer的特征学习与分类模型；S4、将步骤S2划分的训练数据集X输入步骤S3搭建的基于Transformer的特征学习与分类模型中对特征学习与分类模型进行训练，再将步骤S2划分的验证数据集Y输入训练好的特征学习与分类模型中，实现基于Transformer的复合材料的缺陷检测。2.根据权利要求1所述的方法，其特征在于，步骤S1中，采样范围为0～10mm。3.根据权利要求1所述的方法，其特征在于，步骤S2中，将采集的超声信号中的80％划分为训练数据集X，将数据集中剩余的20％划分为验证数据集Y。4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：S301、搭建位置编码网络，对超声信号进行位置编码；S302、搭建多头自注意力网络，通过自注意力机制进行并行运算，提取不同维度的特征；S303、搭建残差网络，使最开始的输入和经过多头自注意力网络处理的结果相加，对相加的结果再使用层标准化处理；S304、搭建前馈网络，包括两个全连接层，前馈网络的输入和输出再次相加然后经过层标准化送入下一个网络结构处理；S305、重复步骤S302～S304，将多头自注意力网络、残差网络和前馈网络连接得到单个Encoder，将若干单个Encoder连接得到多个Encoder网络；S306、搭建分类网络，使用全连接网络修改最后一个Encoder的输出维度为缺陷类型数；S307、对处理后的结果采用二分类交叉熵损失函数计算交叉熵损失；S308、利用步骤S307的交叉熵损失函数，选择Adam优化方法，每完成一个批次训练验证一次，保存训练过程的交叉熵损失、训练准确率、验证交叉熵损失、验证准确率；S309、将步骤S301的位置编码网络、步骤S305的多个Encoder网络、步骤S306的分类网络以及步骤S307的交叉熵损失构建完成基于Transformer的特征学习与分类模型。5.根据权利要求4所述的方法，其特征在于，步骤S301中，搭建位置编码网络的编码方式为：式为：其...

【专利技术属性】
技术研发人员：魏小龙，何卫锋，杨淑媛，冯志玺，徐浩军，裴彬彬，胡启春，李才智，伍欣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：