基于U-net网络的微动疲劳裂纹长度计算方法技术

本发明专利技术公开了一种基于U

【技术实现步骤摘要】
基于U
‑
net网络的微动疲劳裂纹长度计算方法


[0001]本专利技术涉及裂缝检测
，具体为基于U
‑
net网络的微动疲劳裂纹长度计算方法。

技术介绍

[0002]机械部件在长期的高频微动工况下，局部易产生微动疲劳裂纹，且随着载荷和循环次数的增加，裂纹扩展速率会不断增加，早期微小的疲劳裂纹将继续发展形成显著裂缝，削弱部件局部刚度，甚至诱发局部破坏，威胁整体机械结构安全。因此，对微动疲劳裂纹的长度进行监测，有利于量化微动裂纹对设备性能的具体影响，这对于机械结构整体的安全寿命预测具有重要意义。
[0003]现有技术中，公开号为CN111445446B的专利文献开了一种基于改进的U
‑
net的混凝土表面裂缝检测方法，该方法使用的神经网络模板计算量相对较大，且只能获得长裂纹；公开号为CN113284107A的专利文献公开了一种引入注意力机制改进型U
‑
net的混凝土裂缝实时检测方法，但该检测模型只能获取细微裂缝，无法获得细微裂缝的长度信息。
[0004]总体而言，目前已有利用深度学习的方式来识别裂缝，但由于微动疲劳裂纹尺寸通常较为细微，一般在一百微米到几百微米之间，由于其长宽尺寸都极其微小，与试样表面无法产生明显区分，现有基于深度学习的裂缝检测技术无法有效识别微小疲劳裂纹，因此，需要发展适合发动机叶片榫头试样等微小疲劳裂纹的识别方法用于识别微小裂纹，从而实现微动疲劳裂纹的早期识别。

技术实现思路

[0005]鉴于上述问题，本专利技术的目的在于提供一种基于U
‑
net网络的微动疲劳裂纹长度计算方法，适用于监测发动机叶片榫头试样等部件不同循环次数的微动中所产生的微动疲劳裂纹长度。
[0006]本专利技术的技术方案如下：
[0007]一种基于U
‑
net网络的微动疲劳裂纹长度计算方法，包括如下步骤：
[0008]S1、用某类微动疲劳裂纹原始图像训练优化后的U
‑
net网络得到训练后的U
‑
net网络模型，具体包括如下步骤：
[0009]S11、获取某类微动疲劳裂纹的原始图像，由于不同设备、不同运动方式产生的微动裂纹并不相同，因此，要求获取的原始图像是同类设备采取同种运动方式获得的微动疲劳裂纹，比如均为发动机叶片榫头试样受到循环应力产生的微动疲劳裂纹、比如均为钢丝受到循环应力产生的微动疲劳裂纹，比如均为高速列车车轴受到循环应力产生的疲劳裂纹。
[0010]S12、对所述原始图像中的裂纹区域进行逐像素标注使得裂纹区域形成封闭图形，具体的标准软件有多种，比如LabelMe、labelimg和rolabelimg。
[0011]S13、使用图像分割套件将标注后的原始图像批量整理为完整的数据集格式并作
为优化后的U
‑
net模型的训练集、测试集、验证集，训练优化后的U
‑
net模型得到训练后的U
‑
net网络模型。此步骤的图像分割套件不限于PaddleSeg和vox数据集。
[0012]S2、获取与步骤S1同类的微动疲劳裂缝图像作为实验图像；采用训练后的U
‑
net网络模型对实验图像进行分割检测识别实验图像中的微动疲劳裂缝得到分割检测结果图。
[0013]S3、测量分割检测结果图中微动疲劳裂纹的长度，具体的测量方式有多种，本专利技术的提供了一种具体的测量方法，包括如下步骤：
[0014]S31、通过中轴线算法在分割检测结果图中生成微动疲劳裂纹的中轴线；
[0015]S32、计算中轴线的长度即得到微动疲劳裂纹的长度：对微动疲劳裂纹中轴线进行像素点个数统计，并根据分割检测结果图的分辨率尺寸，由像素点总数经过单位换算后得到微动疲劳裂纹的中轴线的总长度。
[0016]在U
‑
net网络结构中，下采样会降低像素被正确标记的概率，U
‑
Net网络的上采样对恢复特征信息的能力有限，使得裂纹的宽度信息不明显，无法检测到细小裂纹的现象，本专利技术专利提出一种优化后的U
‑
net网络，其将最大池化层、上采样层和卷积核为小尺寸的深度可分离卷积进行相加融合，构建一种全新的模块扩大分辨率，扩展网络深度来增大感受野，通过多尺度连接维持感受野与分辨率平衡的状态。在最大感受野的前提下，保持最大分辨率，从而实现对细小裂纹的检测，具体而言，所述优化后的U
‑
net网络包括。
[0017]优化后的U
‑
net网络包括上采样模块、Concatenate操作、下采样模块和位于上采样模块底部、下采样模块底部之间的层融合模块；
[0018]层融合模块包括依次连接的第一卷积池化层组和融合层；第一卷积池化层组包括并联的1个深度可分离卷积模块、4个第一卷积池化层，每个第一卷积池化层包括步长为2的最大池化层、1
×
1的深度可分离卷积模块和2
×
2的上采样层；下采样模块输出的特征图输入第一卷积池化层组中，融合层对输入的图像特征进行相加融合且融合层输出的特征图输入上采样模块中；本U
‑
net网络采用非线性激活函数ReLU对每一层的输出结果进行处理，能够提高网络的非线性表达，减少卷积过程中的梯度消失现象。
[0019]U
‑
net网络的特征向量的深度为2048，上采样模块、下采样模块均包括五个依次连接的第二卷积层组，每个第二卷积层组均包括依次连接的残差块、注意力机制模块和2个转置卷积层；
[0020]残差块包括深度可分离卷积、转置卷积层和BN层，残差块的输入通过skipconnection与残差块卷积过后的输出在相加层融合；
[0021]注意力机制模块包括编码块和解码块，编码块包括最大池化层和卷积层，解码块包括上采样层和卷积层；将残差块输出的特征信息输入到注意力机制中，软注意力机制在训练时会过度参数化，注意力机制模块的输入通过一个skipconnection与注意力机制模块中Sigmoid函数分类后的输出进行融合，两者融合后作为一个输出，这解决软注意力机制中冗余的参数计算问题，对卷积神经网络进行了优化。
[0022]Concatenate操作将上采样模块产生的特征图与下采样的特征图用np.concatennate函数进行拼接，Concatenate操作中在非线性激活函数ReLU之前添加BN层，缓解上一层的输入分布向非线性函数的两端缓慢靠近，BN层对输入数据做一个N(0，1)的正态分布的归一化处理，最后输入到激活函数ReLU，在反向传播中可以产生更明显的梯度，有效帮助网络进行收敛以此改善梯度弥散的现象。
[0023]有益效果：
[0024](1)本专利技术的方法能够对微小的疲劳裂纹进行准确识别的识别方法并测定裂缝的长度。
[0025](2)本专利技术的U
‑
net网络结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于U
‑
net网络的微动疲劳裂纹长度计算方法，其特征在于，包括以下步骤：S1、用某类微动疲劳裂纹原始图像训练优化后的U
‑
net网络得到训练后的U
‑
net网络模型；S2、获取与步骤S1同类的微动疲劳裂缝图像作为实验图像；采用训练后的U
‑
net网络模型对实验图像进行分割检测识别实验图像中的微动疲劳裂缝得到分割检测结果图；S3、测量分割检测结果图中微动疲劳裂纹的长度；所述优化后的U
‑
net网络包括上采样模块、Concatenate操作、下采样模块和位于上采样模块底部、下采样模块底部之间的层融合模块；其中，层融合模块包括依次连接的第一卷积池化层组和融合层；第一卷积池化层组包括并联的1个深度可分离卷积模块、4个第一卷积池化层，每个第一卷积池化层包括步长为2的最大池化层、1
×
1的深度可分离卷积模块和2
×
2的上采样层；下采样模块输出的特征图输入第一卷积池化层组中，融合层对输入的图像特征进行相加融合且融合层输出的特征图输入上采样模块中；本U
‑
net网络采用的非线性激活函数为ReLU；U
‑
net网络的特征向量的深度为2048，上采样模块、下采样模块均包括五个依次连接的第二卷积层组，每个第二卷积层组均包括依次连接的残差块、注意力机制模块和2个转置卷积层；残差块包括深度可分离卷积、转置卷积层和BN层，残差块的输入通过skipconnection与残差块卷积过后的输出在相加层融合；注意力机制模块包括编码块和解码块，编码块包括最大池化层和卷积层，解码块包...

【专利技术属性】
技术研发人员：蔡振兵，俞延庆，张泽伍，宫健恩，方修洋，周龙龙，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：