一种用于红外热成像瑕疵识别的多层神经网络优化方法技术

本发明专利技术涉及一种用于红外热成像瑕疵识别的多层神经网络优化方法，其包括如下工艺步骤：1)，热成像数据前处理；2)，搅拌摩擦焊接瑕疵特征提取；3)，焊接瑕疵/非瑕疵图像数据准备；4)，红外成像多层神经网络建模；5)，多层神经网络模型优化。本发明专利技术的多层神经网络优化方法通过对搅拌摩擦焊接区域的热成像信号进行检测识别，提高了金属热成像图的信噪比和探伤深度，实现了红外成像在金属焊接瑕疵检测中的应用。应用。应用。

【技术实现步骤摘要】
一种用于红外热成像瑕疵识别的多层神经网络优化方法


[0001]本专利技术涉及一种金属焊接瑕疵检测方法，具体涉及一种用于红外热成像瑕疵识别的多层神经网络优化方法，属于红外检测


技术介绍

[0002]铝合金具有优异的比强度和比刚度，良好的铸造性能和塑性加工性能，在航空航天、交通运输、建筑、机电等领域有着广泛的应用。随着铝合金应用的不断扩大，以及对降低制造成本的需求的增加，推动了人们寻找一种可行的、具有成本效益的铝合金焊接技术。其中，搅拌摩擦焊利用摩擦热量使材料熔化并挤压形成致密的固相焊缝，尤其适用于铝合金的焊接。然而，采用机械化、自动化的搅拌摩擦焊在不当的运行条件下容易引入表面或内部缺陷。因此，为了提高搅拌摩擦焊接质量以及优化运行参数，急需提供针对搅拌摩擦焊接缺陷的实时高速无损检测技术。
[0003]常用的无损检测技术包括涡流法、超声波、X射线和红外热成像。涡流法适用于微米级的表面缺陷，超声波方法限于小范围接触式检测，X射线技术限于成本和安全不适用于现场实时检测。而红外热成像法具有响应快、无扰动、非接触、全天候目标检测等突出优势，适用于搅拌摩擦焊接区域的表面或内部缺陷检测。然而，热信号在高导热铝合金材料中的对比度较低，给厚板材料缺陷定位和内部缺陷检测带来极大挑战。红外热成像技术在金属领域的应用受到低信噪比和低深度的限制。
[0004]因此，为解决上述技术问题，确有必要提供一种创新的用于红外热成像瑕疵识别的多层神经网络优化方法，以克服现有技术中的所述缺陷。

技术实现思路

>[0005]本专利技术的目的在于提供一种用于红外热成像瑕疵识别的多层神经网络优化方法，其能对搅拌摩擦焊接效果进行实时瑕疵检测，改善红外热成像瑕疵/非瑕疵的信噪比
[0006]为实现上述目的，本专利技术采取的技术方案为：一种用于红外热成像瑕疵识别的多层神经网络优化方法，其包括如下工艺步骤：
[0007]1)，热成像数据前处理；
[0008]2)，搅拌摩擦焊接瑕疵特征提取；
[0009]3)，焊接瑕疵/非瑕疵图像数据准备；
[0010]4)，红外成像多层神经网络建模；
[0011]5)，多层神经网络模型优化。
[0012]本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法进一步为：所述步骤1)具体步骤为：
[0013]1‑
1)，转换原始RGB图片数据为64位灰度图，识别并裁剪目标物区域，去除无效背景，采用高斯滤波增加瑕疵像素和无瑕疵像素之间的对比度，样本核为13
×
13，标准差为3.0；高斯滤波图像序列为G(j,i,t)，G为t时刻的图像，j和i分别为列号和行号；高斯滤波后
的图像数据对时间的偏导数为
[0014]1‑
2)，将三维图像数据转化为二维矩阵N
×
P；其中，行数N为红外图像像素数，包含空间变化；列数P记录红外图像数量，包含时间变化。
[0015]本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法进一步为：所述步骤2)具体步骤为：
[0016]2‑
1)，热成像信号线性建模，将瞬时热成像图像序列压缩为四幅图像，同时保留空间和时间信息；
[0017]2‑
2)，采用单变量多项式对每个像素点进行高斯滤波，滤波后的灰度值关于时间的函数如下：G(j，i，t)≈a0(j，i)+a1(j，i)t，其中a0(j，i)和a1(j，i)为多项式参数；灰度值斜率随时间变化的函数如下：其中b0(j，i)和b1(j，i)为多项式参数：由此，将高斯滤波后的三维灰度数据转化为由多项式系数形成的两幅多项式系数图，分别是a0(j，i)和a1(j，i)；
[0018]2‑
3)，采用最小二乘法对多项式参数(a0，a1，b0，b1)进行重加权，当精度达到10
‑3时停止重加权计算，获得响应的权重矩阵和偏差矩阵，其图像灰度范围在[0,255]。
[0019]本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法进一步为：所述步骤3)具体步骤为：
[0020]3‑
1)，数据准备过程包括数据标记、转换、采样和分割：首先，利用缺陷的位置和大小对数据进行分类和标记；然后，对输入数据特征进行按列排列，采用z
‑
score标准化方法，缩小特征间的欧氏距离，使每个特征的平均值和单位标准差为零；
[0021]3‑
2)，将无缺陷和有缺陷的数据样本按照比例1:1建立数据集；
[0022]3‑
3)，将数据集随机划分成等量的两份，保证充足的训练集和测试集。
[0023]本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法进一步为：所述步骤4)具体步骤为：
[0024]4‑
1)，采用二分类方法[0,1]进行监督学习方法，即0代表无缺陷，1代表有缺陷；
[0025]4‑
2)，输入层由10个神经元组成，隐藏层包括一个非线性激活函数输出层由一个神经元和一个逻辑斯蒂激活函数组成。
[0026]本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法进一步为：所述步骤5)具体步骤为：
[0027]5‑
1)，随机选取神经网络初始权重，采用交叉熵损失函数，如下：其中n是数据点，y
i
和z
i
分别是第i个输入向量的预测值和目标值；
[0028]5‑
2)，利用L2正则化进行权重惩罚，如下：其中ω是模型权重向量；
[0029]5‑
3)，将交叉熵损伤函数和L2正则化方法结合后的完全损伤函数，如下：J
total
＝J
cc
+ρJ
reg
，其中ρ为正则化参数，且ρ≥0；
[0030]5‑
4)，采用标度共轭梯度反向传播方法最小化损伤函数并进行权重寻优，其具有两个停止准则，分别是目标函数的精度和求解处的权值；
[0031]5‑
5)，采用K倍交叉验证提高全局最小值选取。
[0032]本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法还可为：所述步骤5
‑
3)中，ρ＝0.225；步骤5
‑
4)中，取10
‑3为停止准则；步骤5
‑
4)中，K＝10。
[0033]与现有技术相比，本专利技术具有如下有益效果：
[0034]1.本专利技术的用于红外热成像瑕疵识别的多层神经网络优化方法通过建立多层神经网络模型，实时对搅拌摩擦焊接区域的热成像信号进行检测识别，改进了焊接区域红外成像瑕疵/非瑕疵的信噪比和探伤深度，提高了焊接瑕疵检测深度和精度；
[0035]2.本专利技术通过神经网络模型的不断迭代，优化权重，可以高效准确的进行焊接缺陷实时检测并反馈，提高检测效率，进而为搅拌摩擦焊接参数优化提供奠定基础，更好地满足实际应用需求。
【附图说明】
[0036本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于红外热成像瑕疵识别的多层神经网络优化方法，其特征在于：包括如下工艺步骤：1)，热成像数据前处理；2)，搅拌摩擦焊接瑕疵特征提取；3)，焊接瑕疵/非瑕疵图像数据准备；4)，红外成像多层神经网络建模；5)，多层神经网络模型优化。2.如权利要求1所述的用于红外热成像瑕疵识别的多层神经网络优化方法，其特征在于：所述步骤1)具体步骤为：1
‑
1)，转换原始RGB图片数据为64位灰度图，识别并裁剪目标物区域，去除无效背景，采用高斯滤波增加瑕疵像素和无瑕疵像素之间的对比度，样本核为13
×
13，标准差为3.0；高斯滤波图像序列为G(j,i,t)，G为t时刻的图像，j和i分别为列号和行号；高斯滤波后的图像数据对时间的偏导数为1
‑
2)，将三维图像数据转化为二维矩阵N
×
P；其中，行数N为红外图像像素数，包含空间变化；列数P记录红外图像数量，包含时间变化。3.如权利要求1所述的用于红外热成像瑕疵识别的多层神经网络优化方法，其特征在于：所述步骤2)具体步骤为：2
‑
1)，热成像信号线性建模，将瞬时热成像图像序列压缩为四幅图像，同时保留空间和时间信息；2
‑
2)，采用单变量多项式对每个像素点进行高斯滤波，滤波后的灰度值关于时间的函数如下：G(j,i,r)≈a0(j,i)+a1(j,i)t,其中b0(j，i)和a1(j，i)为多项式参数；灰度值斜率随时间变化的函数如下：其中b0(j，i)和b1(j，i)为多项式参数：由此，将高斯滤波后的三维灰度数据转化为由多项式系数形成的两幅多项式系数图，分别是a0(j，i)和a1(j，i)；2
‑
3)，采用最小二乘法对多项式参数(a0，a1，b0，b1)进行重加权，当精度达到10
‑3时停止重加权计算，获得响应的权重矩阵和偏差矩阵，其图像灰度范围在[0,255]。4.如权利要求1所述的用于红外热成像瑕疵识别的多层神经网络优化方法，其特征在于：所述步骤3)具体步骤为：3
‑
1)，数据准备过程包括数据标记、转换、采样和分割：首先，利用缺陷...

【专利技术属性】
技术研发人员：应志平，孙雪岩，朱训明，刘旦，胡旭东，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：