[发明专利]基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法

权利要求书

1.基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法，其特征在于，按照如下步骤进行：

步骤S1、获取复合材料损伤样件同一损伤的红外热波成像图以及对应的超声波C扫成像图，并使获取的复合材料损伤样件同一损伤的红外热波成像图以及超声波C扫成像图具备可重叠性；

步骤S2、对获取的复合材料损伤样件同一损伤的红外热波成像图与超声波C扫成像图进行预处理，使两者匹配；

步骤S3、对预处理后的复合材料损伤样件同一损伤的红外热波成像图与超声波C扫成像图中的损伤位置进行标记，得到复合材料的损伤样本集；

步骤S4、对复合材料的损伤样本集中的红外热波成像图与超声波C扫成像图共同进行前处理，并将前处理后的复合材料的损伤样本集分为训练集和验证集；

步骤S5、选取集成融合功能的卷积神经网络，采用训练集和验证集对集成融合功能的卷积神经网络进行训练，并在训练过程中调整该卷积神经网络的超参数，得到优化后的用于检测复合材料损伤的卷积神经网络模型；

步骤S6、获取待检测复合材料同一损伤的光学图像、红外热波成像图以及超声波C扫成像图，并使获取的待检测复合材料同一损伤的光学图像、红外热波成像图以及超声波C扫成像图具备可重叠性；

步骤S7、对待检测复合材料同一损伤的光学图像、红外热波成像图以及超声波C扫成像图进行步骤S2中所述的预处理，使待检测复合材料同一损伤的光学图像、红外热波成像图以及超声波C扫成像图三者匹配；

步骤S8、将步骤S7预处理后的待检测复合材料同一损伤的红外热波成像图以及超声波C扫成像图分别输入步骤S5中得到的用于检测复合材料损伤的卷积神经网络模型中，检测该复合材料中是否含有损伤，在检测到该复合材料中含有损伤时，输出预测的损伤类别及损伤位置，并通过可视化处理将预测的损伤类别及损伤位置在对应的待检测复合材料同一损伤的光学图像上标记出来。

2.根据权利要求1所述的基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法，其特征在于，所述步骤S5选取的集成融合功能的卷积神经网络为卷积神经网络Cascade R-CNN，并在卷积神经网络Cascade R-CNN的特征提取网络ResNet101与特征金字塔网络FPN之间加入了融合模块，每个融合模块的输入端与特征提取网络ResNet101的第二组卷积层及之后每一组卷积层的输出端一一对应连接，每个融合模块的输出端与特征金字塔网络FPN的输入端一一对应连接；利用加入了融合模块的卷积神经网络Cascade R-CNN得到优化后的用于检测复合材料损伤的卷积神经网络模型。

3.根据权利要求2所述的基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法，其特征在于，所述步骤S8将步骤S7预处理后的待检测复合材料同一损伤的红外热波成像图以及超声波C扫成像图输入步骤S5中得到的用于检测复合材料损伤的卷积神经网络模型中，检测该复合材料中是否含有损伤时，首先通过卷积神经网络Cascade R-CNN的特征提取网络ResNet101分别对输入的待检测复合材料同一损伤的红外热波成像图以及超声波C扫成像图进行特征提取；然后通过融合模块对ResNet101网络的第二组卷积层及之后每一组卷积层输出的红外热波特征图和超声C扫特征图进行融合；再通过特征金字塔网络FPN将每个融合模块输出的融合子特征图，由深层至浅层进行多尺度融合得到红外与超声融合特征图；最后利用卷积神经网络Cascade R-CNN的区域候选网络RPN以及级联检测器，对融合得到的红外与超声融合特征图进行损伤检测。

4.根据权利要求3所述的基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法，其特征在于，每个融合模块采用逐像素取均值的方法，对与其一一对应的ResNet101网络的卷积层最终提取的超声C扫特征图与红外热波特征图进行融合，得到融合子特征图；即对超声C扫特征图与红外热波特征图对应位置上的像素值取平均值，并将所得平均值作为融合所得融合子特征图对应位置上的像素值。