[发明专利]一种基于FCN与GRU的3D编织复合材料缺陷检测方法

说明书

本发明涉及一种基于FCN与GRU的3D编织复合材料缺陷检测方法，该方法包括：1)利用超声相控阵设备搭建用于采集3D编织复合材料的超声信号扫描系统；2)采集3D编织复合材料的超声信号，利用采集到的超声A信号构建数据集；3)使用改进好的FCN+GRU网络对数据集进行训练；4)采集待检测3D编织复合材料的超声A信号，用训练好的网络模型检测3D编织复合材料是否存在缺陷。与传统图像检测方案相比，本发明方法避免了复杂的A扫图像处理，能够直接对超声信号的序列数据进行检测。

技术领域

本发明涉及一种基于FCN与GRU的3D编织复合材料缺陷检测方法，该检测能够对超声信 号进行准确提取，利用其特征检测是否是缺陷，属于人工智能领域，可应用于信号识别分类 与语音识别领域。

背景技术

研究表明，三维(3D)编织复合材料内部缺陷导致其强度下降、承载力降低，在实际应 用中带来了安全隐患，因此研究3D编织复合材料的内部缺陷检测方法具有重要的意义。基 于深度学习的检测方法以其非接触性、实时性等优点，成为缺陷检测的一个重要方法。

基于深度学习的缺陷检测系统应用中，采集到的A扫信号特征是缺陷检测的重要指标。 由于搭建的采集系统是超声系统，因此，选择适合提取超声信号特征的网络是缺陷检测的关 键问题。

传统缺陷检测的方法有很多种，但由于以往采用的都是基于图像的信息判断缺陷类型， 耗时、检测效率低实时性差。而加入GRU(门控循环单元)模块的FCN(全卷积网络)对超 声信号特征有更好的提取能力、作为时间序列分类的一种，全卷积神经网络可以实现高效可 视化，能产生特征的层次化结构，并且可以接受任何尺寸的输入。

发明内容

本发明的目的是克服现有技术的上述不足，自主设计构建了超声采集系统获得测试和训 练图像，利用FCN+GRU网络检测3D编织复合材料内部缺陷。

提出一种有较好的提取超声特征、识别准确率高的缺陷检测网络，并应用特定的深度学 习网络(FCN+GRU)完成对3D编织复合材料内部缺陷的检测，最终使用该网络识别采集到 的3D编织复合材料的A扫信号作为输入进行概率计算，完成缺陷检测。

为此，本发明采用如下的技术方案：

1.采用超声相控阵设备(Olympus Omniscan MX2)、楔块(SNW1-OL-WP5)、编码器和耦合剂，搭建用于采集3D编织复合材料(厚14mm)超声A扫信号的信号采集系统， 用所搭建的系统采集超声A信号样本，其中3D编织复合材料试件由碳纤维 (T700-12K)和环氧树脂(LT-5080-OS)制备，大小为215×140×7mm；

2.利用1中搭建的采集系统获得信号输入，以训练集测试集验证集为6∶2∶2的比例构建 数据集，并以此作为模型输入；

3.设置损失函数理想值，通过将GRU模块与FCN模块相结合形成FCN+GRU网络， 将2中得到的A扫信号数据集输入FCN+GRU网络中进行深度学习网络训练，训练 中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；

4.使用3中训练出的网络模型完成超声A信号的检测，输出3D编织复合材料的超声A 信号检测结果。

与现有技术相比，本发明的有益效果是：

准确性高。本发明基于FCN+GRU的检测方法，通过结合特定设计的全卷积神经网络和 GRU模块检测计算，使得该检测方法准确率达99％以上，相比其他的检测方法，有较为明显 的提高；

适用范围广。该方法对超声设备采集到的信号检测率得到保障，在测试过程中将该类型 的检测准确率提高到99.72％；

通过将采集到的A扫信号序列作为数据集，降低了计算量、减少了运行时间。

附图说明