[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

说明书

本发明公开了一种基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法，获取具备可重叠性的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，并对两者进行预处理使其匹配；进行损伤位置标记得到复合材料的损伤样本集，并在进行前处理后将复合材料的损伤样本集分为训练集和验证集；选取集成融合功能的卷积神经网络，采用训练集和验证集进行训练，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；采用用于检测复合材料损伤的卷积神经网络模型对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扫成像图进行损伤检测，并将输出预测的损伤类别及损伤位置在对应的光学图像上标记出来。降低成本，提高效率。

技术领域

本发明属于复合材料损伤检测技术领域，涉及一种基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法。

背景技术

复合材料是由两种或两种以上物理、化学性质不同的物质，经人工组合而得到的多相固体材料。复合材料具有比强度高、比模量高、材料性能可设计强等优异性能，已在航空航天、船舶、汽车、医疗器械等工程领域得到了广泛的应用。但是在加工制备和使用过程中不可避免地会产生气泡和损伤，这些会对结构的安全构成一定的威胁。

复合材料的损伤类型除基本的夹杂、裂纹、缺层、孔隙之外，还包括磨损、划伤及纤维卷曲等，其中较为常见的缺陷是夹层、孔隙，并且复合材料中的缺陷可能只存在一种，也可能是多种缺陷并存。在使用过程中，复合材料的复杂的损伤情况，使得损伤检测难度较大，因此需要一种有效的损伤检测手段进行复合材料的损伤检测，保证复合材料结构的安全性和可靠性。

复合材料损伤大部分为内部损伤，需要通过各类检测方法实现内部特征的还原。目前，对复合材料的损伤检测主要采用红外无损检测法、超声无损检测法、涡流无损检测法、射线无损检测法等。但由于红外、超声、涡流和射线检测法对专业人士依赖度较高，造成了检测成本高，效率低等问题，且易因人为因素造成错判、漏判，降低了检测的准确度。

目前，已经有研究将卷积神经网络应用到物体损伤检测中，然而目前的研究大多是基于物体的单类型检测结果，如红外无损检测、超声无损检测等。红外无损检测检测速度快，成像结果直接、操作简单，但对环境变化更为敏感，对细微损伤的检测效果不佳。超声检测结果能清晰反映材料内部的状态且稳定性好，但检测的表面存在盲区且检测复杂，对人员的要求更高。

发明内容

本发明实施例的目的在于提供一种基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法，以解决现有的复合材料的损伤检测方法对专业人士依赖度较高、检测成本高、效率低的问题。

本发明实施例所采用的技术方案是：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，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扫成像图分别进行前处理，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；