[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

说明书

本发明公开了一种基于深度学习的蜂窝复合材料缺陷分类方法，包括：获取蜂窝复合材料作为训练试件；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；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；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；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，并输入蜂窝复合材料缺陷检测模型，得到各像素采集点的内部缺陷类型。本发明能快速识别蜂窝复合材料内部缺陷的类型，而且快速准确。

技术领域

本发明属于材料缺陷检测领域，具体涉及一种基于深度学习的蜂窝复合材料缺陷分类方法。

背景技术

国际上积极开展红外热成像无损检测技术的研究，一直处于该领域的前沿，在光脉冲、超声激励红外热成像方面取得了很多实际有用的研究成果，广泛应用于飞机复合材料构件内部缺陷及胶接质量的检测、冲击损伤检测以及蒙皮铆接质量检测等。90年代，美国韦恩州立大学Han X.Y.等人就将红外热成像检测技术用于飞机蜂窝结构复合材料脱粘、分层、积水、积油、冲击损伤等缺陷的检测。提取不同液体及噪声区域的降温数据并取对数，得到对数降温曲线，根据比较不同液体的对数降温曲线，实现了对表面下不同液体类型的定性区分。

随着人工智能的发展，人们开始将传统机器学习引入红外无损检测技术帮助探测缺陷。科研成果表明，将传统的机器学习算法应用到红外热成像缺陷检测是可行的，不仅能有效的进行缺陷检测，还减少了人工干预，有利于缺陷检测的自动化和智能化。但是研究主要集中在将传统的机器学习算法应用于缺陷检测、缺陷深度和尺寸测量中。暂没有发现将深度学习应用于红外热成像检测复合材料皮下缺陷检测，实现缺陷检测和缺陷类型的智能化识别，对促进红外热成像技术在工业自动化检测具有十分重要的意义。

蜂窝结构材料具有强度重量比高、抗疲劳性能好、制造成本低等独特的力学性能，在商用和军用飞机上有着广泛的应用。但不同类型的异常，如脱胶、粘结性差或粘结性差，都会严重影响其力学性能。同时，由于飞机零部件可能出现密封不良或表面损伤，空心芯结构容易受到液体侵入。这个问题引起了人们对飞机安全的极大关注。机身内少量进水通常是可以容忍的，而蜂窝结构舵内大量滞留水则会导致飞机控制问题。此外，蜂窝部件液压油的出现可能是液压系统故障的早期征兆，严重影响飞行安全。因此、分辨出滞留的液体是水还是油是尤为重要的。而多胶缺陷是在制造过程中产生，需要在出厂过程中淘汰。脱粘缺陷主要是因为飞机在受到冲击损伤会导致蒙皮破损影响结构的稳定性。

因此，有必要研究一种深度学习模型对蜂窝复合材料的内部缺陷进行检测分类的技术。

发明内容

本发明提供一种基于深度学习的蜂窝复合材料缺陷分类方法，采用高能氙灯或卤素灯对试件施加热激励，通过红外热像仪采集训练试件的热图序列并分解为表面各像素采集点的温度时间序列，然后结合已知的训练试件的表面各像素采集点的内部缺陷类型，训练RNN模型得到蜂窝复合材料缺陷检测模型，能降低人工因素干扰对蜂窝复合材料的内部缺陷类型的检测分类，而且快速、准确。

为实现上述技术目的，本发明采用如下技术方案：

一种基于深度学习的蜂窝复合材料缺陷分类方法，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；