[发明专利]一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

权利要求书

1.一种基于深度学习的疲劳裂纹扩展速率测试装置，其特征在于，所述疲劳裂纹扩展速率测试装置包括采集单元、处理单元和显示单元；

所述采集单元用于获取被测试件的图片；

所述显示单元用于展示裂纹检测结果，在裂纹试件图片中显示出裂纹的位置并输出检测到的裂纹长度；

所述处理单元用于加载双尺度裂纹试件数据集、双尺度识别模块和疲劳裂纹扩展速率与应力强度因子关系拟合模块；

所述双尺度裂纹试件数据集包括全局尺度数据集和局部尺度数据集，所述全局尺度数据集存储试件裂纹扩展试验中全景图像，所述局部尺度数据集储试件裂纹扩展试验中仅包含裂纹信息的图像；

所述双尺度识别模块包括全局尺度识别模块和局部尺度识别模块；所述全局尺度识别模块通过所述全局尺度数据集进行训练，用于识别长裂纹的位置和长度，或短裂纹的初步检测结果；所述局部尺度识别模块通过所述局部尺度数据集进行训练，用于识别短裂纹的位置和长度；

所述疲劳裂纹扩展速率与应力强度因子关系拟合模块用于获取任意裂纹试件在裂纹扩展路径上的应力强度因子，构建裂纹扩展速率与应力强度因子的函数；

所述全局尺度识别模块和局部尺度识别模块均采用Faster-RCNN网络，所述Faster-RCNN网络包括基础CNN网络、RPN网络和Fast-RCNN 网络；

所述基础CNN网络采用对数据集进行特征图提取，基础CNN网络分别连接RPN网络和Fast-RCNN 网络；

所述RPN网络训练过程中，RPN网络同时与双尺度裂纹试件数据集连接获取标注信息，为生成建议框；

所述Fast-RCNN 网络包括RoI 池化层和全连接层，分别连接基础CNN网络和RPN网络；基于基础CNN网络的特征图和RPN网络的建议框，由建议框包围的特征被称为生成感兴趣的区域；所述区域进一步被输入到RoI 池化层提取预设大小的特征向量；所述特征向量被送入全链接层，通过全连接层对图像中的目标进行分类，确定裂纹边界框的中心坐标，以及它们的高度和宽度。

2.根据权利要求1所述疲劳裂纹扩展速率测试装置，其特征在于，所述双尺度识别模块依据输出的图像中裂纹像素尺寸，通过预设的像素与真实尺寸关系计算裂纹长度。

3.根据权利要求1所述疲劳裂纹扩展速率测试装置，其特征在于，所述疲劳裂纹扩展速率与应力强度因子关系拟合模块的疲劳裂纹扩展速率与应力强度因子的函数可表达如下：

其中， 和m为裂纹扩展常数， 为应力强度因子变化幅值；

在常幅载荷F下，应力强度因子随裂纹扩展长度而变化的关系可表达如下：

式中：

式中F为常幅载荷，B为试样厚度，W为试样标距段长度，为裂纹扩展长度，f为与试样几何尺寸相关形状因子，, , , 和为待定系数。

4.一种基于权利要求1-3中任一项所述深度学习的疲劳裂纹扩展速率测试装置的疲劳裂纹扩展速率测试方法，其特征在于，所述疲劳裂纹扩展速率测试方法包括以下步骤：

步骤1，采集训练用试件照片，构建双尺度裂纹试件数据集；

步骤2，通过双尺度裂纹试件数据集对双尺度识别模块进行训练；

步骤3，实时获取待测试件图片，并通过训练后的双尺度识别模块判断是否存在裂纹和裂纹长度；

步骤4，通过不同载荷循环周次下的疲劳裂纹长度，获得裂纹扩展速率随裂纹长度的关系。

5.根据权利要求4所述疲劳裂纹扩展速率测试装置，其特征在于，在步骤3中，还包括以下步骤：

步骤31，在裂纹扩展试验中采用摄像头进行拍摄，进行数据集的收集工作；

步骤32，将数据集中全局图片输入全局尺度模型中判断被测试件是否产生裂纹，若为长裂纹全局尺度模型计算裂纹长度；

步骤33，若为短裂纹，生成裂纹局部图像输入局部尺度模型，计算裂纹长度。

6.根据权利要求5所述疲劳裂纹扩展速率测试装置，其特征在于，在步骤32中，若裂纹长度大于6mm，则判定为长裂纹，否则为短裂纹。