一种融合机器学习的复合粘接构件界面缺陷检测方法技术

本发明专利技术公开了一种有效孔径下融合机器学习的复合粘接构件界面缺陷检测方法，属于复合粘接构件界面缺陷检测技术领域。针对复合构件界面缺陷检测问题，先确定有效孔径下的全矩阵数据集，提取全矩阵数据集的频域特征，实现界面脱粘缺陷的全聚焦C扫描成像。搭建基于选择注意区域增强的2

【技术实现步骤摘要】
一种融合机器学习的复合粘接构件界面缺陷检测方法


[0001]本专利技术属于复合粘接构件界面缺陷检测
，具体涉及一种有效孔径下融合机器学习的复合粘接构件界面缺陷检测方法。

技术介绍

[0002]复合粘接构件是航空航天领域常用的结构形式，粘接界面产生的脱粘缺陷对构件的安全性产生了极大的威胁，对粘接界面进行有效的脱粘缺陷检测具有十分重要的意义。基于超声阵列的相控阵检测技术具有声束控制灵活、扫查范围大、扫查速度快等优点，在复合构件缺陷检测中有巨大的发展潜力和应用前景。在目前的超声相控阵检测系统实现脱粘缺陷检测时，通常是技术人员根据成像结果进行进一步的判读及决策从而确定是否存在缺陷，系统智能化程度不高，单一的识别方式会限制缺陷检测的可靠性及准确性。机器学习是近年来发展非常迅速的一门多领域交叉学科技术，在计算机视觉、生物特征识别、医学诊断等领域取得了一定的研究进展和应用。本专利技术将机器学习引入到超声检测中的界面缺陷识别应用中，提出一种融合机器学习的复合构件界面缺陷检测方法，将融合超声阵列有效孔径下界面缺陷成像检测结果与机器学习得到的缺陷检测结果进行最终的有效决策，从而提高复合构件界面缺陷检测的正确率与准确性，提升复合构件界面缺陷成像系统的检测性能。

技术实现思路

[0003]针对提高复合粘接构件界面缺陷检测能力的问题，本专利技术提供了一种融合机器学习的复合构件界面缺陷检测方法，通过融合超声阵列有效孔径下界面缺陷成像检测结果与机器学习得到的缺陷检测结果进行最终的有效决策，从而提高复合构件界面缺陷检测的正确率与准确性，提升复合构件界面缺陷成像系统的检测性能。
[0004]为了达到上述目的，本专利技术采用了下列技术方案：
[0005]一种融合机器学习的复合粘接构件界面缺陷检测方法，包括以下步骤：
[0006]步骤1，采集基于超声阵列的复合粘接构件界面检测数据；
[0007]步骤2，基于超声阵列的复合粘接构件界面缺陷成像；
[0008]步骤2.1，基于全矩阵数据集中两个回波信号间的相关系数建立相关系数矩阵；
[0009]步骤2.2，根据步骤2.1中相关系数矩阵确定有效孔径下的全矩阵数据集；
[0010]步骤2.3，提取有效孔径下的全矩阵数据集中的频域特征；
[0011]步骤2.4，有效孔径下基于全矩阵数据集中频域特征的界面缺陷成像；
[0012]步骤3，将采集到的超声回波信号标准化处理；
[0013]步骤4，超声界面回波信号到超声图像的转换；
[0014]步骤5，搭建基于选择注意区域增强的2
‑
D卷积神经网络；
[0015]步骤6，有效孔径下融合机器学习的复合构件界面缺陷检测。
[0016]进一步，所述步骤1采集基于超声阵列的复合粘接构件界面检测数据的具体方法
是：将阵元数目为N的一维线性阵列中的每个阵元以阵元所在行为方向，依次激励各个阵元，完成一次线性扫描，得到N组回波信号；设扫描检测区域为长为L，宽为W的矩形区域，线性阵列长度为D，则完成扫描共得到(L/D)*N*W组回波信号，构成线性扫描数据集；
[0017][0018]其中，H表示全矩阵数据集，h
ij
表示第i个阵元发射超声波，第j个阵元接收回波信号，i＝1,2
……
N，j＝1,2
……
N。
[0019]进一步，所述步骤2.1中相关系数矩阵表示为：
[0020][0021]其中，k
ij
表示回波信号hii与回波信号hij间的相关系数矩阵，hii表示第i个阵元发射超声波由第i个阵元接收的回波信号，hij表示第i个阵元发射超声波由第j个阵元接收的回波信号，M表示信号的采样点个数。
[0022]进一步，所述步骤2.2，根据步骤2.1中相关系数矩阵确定有效孔径下的全矩阵数据集具体包括如下步骤：
[0023]步骤2.2.1，根据相关系数矩阵进行归一化处理，|k
ij
|≥0.6的设为1，|k
ij
|＜0.6的设为0，获得归一化矩阵；
[0024]步骤2.2.2，统计归一化矩阵中每行为1的个数，并选取最小个数作为超声阵列脱粘检测的有效孔径个数S；
[0025]步骤2.2.3，从相关系数矩阵中每行按照相关系数从大到小依次选取S个，形成强相关系数矩阵；
[0026]步骤2.2.4，根据强相关系数矩阵确定有效孔径下的全矩阵数据集，表示为：
[0027][0028]其中，H1表示有效孔径下的全矩阵数据集，h'
NS
表示第N行第S列对应的有效孔径下的全矩阵数据。
[0029]进一步，所述步骤2.3，提取有效孔径下的全矩阵数据集中的频域特征的具体方法是：对有效孔径下的全矩阵数据计算其离散傅立叶变换从而得到相应的频谱，频谱幅度值表示为：
[0030][0031][0032]其中，h
i,j
(n)表示数据集中超声检测信号在采样点的信号幅值，N表示信号采样点数；X(k)表示对相应的超声检测信号进行离散傅立叶变换后得到的信号频谱，P
i,j
表示对应的频谱幅度值。
[0033]进一步，所述步骤2.4，有效孔径下基于全矩阵数据集中频域特征的界面缺陷成像的具体方法是：成像区域为超声阵列下方界面位置区域，从1号阵元下方开始，以阵元间距大小d为步进，到N号阵元下方位置结束，共有N个成像位置；
[0034]在成像位置1处；从有效孔径下的全矩阵数据集H1中选取第一行数据，依次提取有效孔径下的全矩阵数据h
′
11
‑
h
′
1S
界面位置处的频域特征幅值，记作I
11
‑
I
1S
，从而得到位置1处的声压总幅值其中，I
1i
表示成像位置1处第i个数据的频域特征幅值，S表示有效孔径下的全矩阵数据集H1中总列数；
[0035]在成像位置2处；从有效孔径下的全矩阵数据集H1中选取第二行数据，依次提取有效孔径下的全矩阵数据h
′
21
‑
h
′
2S
界面位置处的频域特征幅值，记作I
21
‑
I
2S
，从而得到位置2处的声压总幅值其中，I
2i
表示第2成像位置处第i个数据的频域特征幅值；
[0036]以此类推，依次计算N个成像位置处的频域特征总幅值，得到被检测区域的全聚焦C扫描成像图。
[0037]进一步，所述步骤3，将采集到的超声回波信号标准化处理的具体方法是：采用Min
‑
Max标准化方法对采集到的超声界面回波信号进行处理，将信号的幅值转换到同一量纲下的[
‑
1,1]范围内，转换函数为：
[0038][0039]其中max和min分别为原始样本数据的最大值和最小值；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合机器学习的复合粘接构件界面缺陷检测方法，其特征在于：包括以下步骤：步骤1，采集基于超声阵列的复合粘接构件界面检测全矩阵数据，构成全矩阵数据集；步骤2，基于超声阵列的复合粘接构件界面缺陷成像；步骤2.1，基于全矩阵数据集中两个回波信号间的相关系数建立相关系数矩阵；步骤2.2，根据步骤2.1中相关系数矩阵确定有效孔径下的全矩阵数据集；步骤2.3，提取有效孔径下的全矩阵数据集中的频域特征；步骤2.4，有效孔径下基于全矩阵数据集中频域特征的界面缺陷成像；步骤3，将采集到的超声回波信号标准化处理；步骤4，超声界面回波信号到超声图像的转换；步骤5，搭建基于选择注意区域增强的2
‑
D卷积神经网络；步骤6，有效孔径下融合机器学习的复合构件界面缺陷检测。2.根据权利要求1所述的一种融合机器学习的复合粘接构件界面缺陷检测方法，其特征在于：所述步骤1采集基于超声阵列的复合粘接构件界面检测数据的具体方法是：将阵元数目为N的一维线性阵列中的每个阵元以阵元所在行为方向，依次激励各个阵元，完成一次线性扫描，得到N组回波信号；设扫描检测区域为长为L，宽为W的矩形区域，线性阵列长度为D，则完成扫描共得到(L/D)*N*W组回波信号，构成线性扫描数据集；其中，H表示全矩阵数据集，h
ij
表示第i个阵元发射超声波，第j个阵元接收回波信号，i＝1,2
……
N，j＝1,2
……
N。3.根据权利要求1所述的一种融合机器学习的复合粘接构件界面缺陷检测方法，其特征在于：所述步骤2.1中相关系数矩阵表示为：其中，k
ij
表示回波信号hii与回波信号hij间的相关系数矩阵，hii表示第i个阵元发射超声波由第i个阵元接收的回波信号，hij表示第i个阵元发射超声波由第j个阵元接收的回波信号，M表示信号的采样点个数。4.根据权利要求1所述的一种融合机器学习的复合粘接构件界面缺陷检测方法，其特征在于：所述步骤2.2，根据步骤2.1中相关系数矩阵确定有效孔径下的全矩阵数据集具体包括如下步骤：步骤2.2.1，根据相关系数矩阵进行归一化处理，k
ij
≥0.6的设为1，k
ij
＜0.6的设为0，获得归一化矩阵；
步骤2.2.2，统计归一化矩阵中每行为1的个数，并选取最小个数作为超声阵列脱粘检测的有效孔径个数S；步骤2.2.3，从相关系数矩阵中每行按照相关系数从大到小依次选取S个，形成强相关系数矩阵；步骤2.2.4，根据强相关系数矩阵确定有效孔径下的全矩阵数据集，表示为：其中，H1表示有效孔径下的全矩阵数据集，h'
NS
表示第N行第S列对应的有效孔径下的全矩阵数据。5.根据权利要求1所述的一种融合机器学习的复合粘接构件界面缺陷检测方法，其特征在于：所述步骤2.3，提取有效孔径下的全矩阵数据集中的频域特征的具体方法是：对有效孔径下的全矩阵数据计算其离散傅立叶变换从而得到相应的频谱，频谱幅度值表示为：效孔径下的全矩阵数据计算其离散傅立叶变换从而得到相应的频谱，频谱幅度值表示为：其中，h
i,j
(n)表示数据集中超声检测信号在采样点的信号幅值，N表示信号采样点数；X(k)表示对相应的超声检测信号进行离散傅立叶变换后得到的信号频谱，P
i,j
表示对应的频谱幅度值。6.根据权利要求1所述的一种融合机器学习的复合粘接构件界面缺陷检测方法，其特征在于：所述步骤2.4，有效孔径下基于全矩阵数据集中频域特征的界面缺陷成像的具体方法是：成像区域为超声阵列下方界面位置区域，从1号阵元下方开始，以阵元间距大小d为步进，到N号阵元下方位置结束，共有N个成像位置；在成像位置1处；从有效孔径下的全矩阵数据集H1中选取第一行数据，依次提取有效孔径下的全矩阵数据h
...

【专利技术属性】
技术研发人员：赵霞，王召巴，陈友兴，金永，王伟，吴其洲，杨凌，
申请(专利权)人：中北大学，
类型：发明
国别省市：