[发明专利]一种基于深度学习的蜂窝复合材料缺陷分类方法

权利要求书

1.一种基于深度学习的蜂窝复合材料缺陷分类方法，其特征在于，包括以下步骤：

步骤1，获取蜂窝复合材料作为训练试件，且已知训练试件表面的各像素采集点的内部缺陷类型；

步骤2，采用高能氙灯或卤素灯对训练试件进行热激励，采用红外热像仪采集训练试件表面在受到热激励后的热图序列，其中热图序列包括一组时间连续的热图，所述热图表示训练试件表面在当前时刻的温度分布图；

步骤3，将热图序列分解为训练试件表面的各像素采集点的温度时间序列；

步骤4，以像素采集点的温度时间序列和相应的内部缺陷类型作为训练数据，对RNN模型进行训练，得到蜂窝复合材料缺陷检测模型；

步骤5，按步骤1-3获取待检测蜂窝复合材料表面的各像素采集点的温度时间序列，并输入至步骤4得到的蜂窝复合材料缺陷检测模型，得到待检测蜂窝复合材料表面的各像素采集点的内部缺陷类型。

2.根据权利要求1所述的方法，其特征在于，在步骤3之前还包括对热图序列进行预处理，其中预处理的具体处理方法为以下任意一种：减背景、热信号重建、系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析。

3.根据权利要求1所述的方法，其特征在于，所述缺陷类型包括：积水、积油、脱胶、多粘和无缺陷。

4.根据权利要求1所述的方法，其特征在于，所述高能氙灯或者卤素灯对蜂窝复合材料进行热激励的加热能量、热图序列的采集时间及采集频率，均根据检测内部缺陷的深度、蜂窝复合材料的热传导系数进行设置。

5.根据权利要求1所述的方法，其特征在于，所述RNN模型包括隐藏层和输出层，输出层的神经元数量与内部缺陷类型的数量相同，通过训练RNN模型确定蜂窝复合材料缺陷检测模型的偏差和权重。

6.根据权利要求1所述的方法，其特征在于，在步骤3之前包括将得到的所有温度时间序列分组为训练集和验证集；步骤4对RNN模型进行训练包括：使用训练集对RNN模型进行训练得到训练集正确率，使用验证集对训练得到的蜂窝复合材料缺陷检测模型进行验证得到验证集正确率，根据训练集正确率和验证集正确率，验证蜂窝复合材料缺陷检测模型是否合格：若训练集正确率和验证集正确率均位于预设范围内，则执行步骤5；否则调整隐藏层的层数、每个隐藏层的神经元数量、正则化和训练数据的数量，返回步骤4，重新训练蜂窝复合材料缺陷检测模型。

7.根据权利要求1所述的方法，其特征在于，所述RNN模型具体采用LSTM模型。