CN110297041A - 一种基于fcn与gru的3d编织复合材料缺陷检测方法 - Google Patents
一种基于fcn与gru的3d编织复合材料缺陷检测方法 Download PDFInfo
- Publication number
- CN110297041A CN110297041A CN201910584117.1A CN201910584117A CN110297041A CN 110297041 A CN110297041 A CN 110297041A CN 201910584117 A CN201910584117 A CN 201910584117A CN 110297041 A CN110297041 A CN 110297041A
- Authority
- CN
- China
- Prior art keywords
- gru
- fcn
- woven composite
- signal
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2698—Other discrete objects, e.g. bricks
Abstract
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。
Description
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
图1为本发明的流程图。
图2(a)为超声A信号采集系统示意图。
图2(b)为3D编织复合材料试件。
图3为FCN+GRU网络结构。
图4为GRU的原理图。
具体实施方式
为了能进一步说明本发明的结构、特征及其他目的,现结合所附较佳实施例详细说明如 下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
本发明的流程如图1所示,首先,采用超声设备扫描3D编织复合材料并提取A信号,选出脱粘缺陷(1500)和无缺陷(2100)的超声A信号,将这些信号按照训练集测试集验证 集为6∶2∶2的数据量构建数据集;然后将这些数据集同时输入到GRU模块和FCN模块中,将 FCN卷积层、池化层基本结构构造和GRU模块连接起来,通过对超声信号卷积、权值共享 对神经网络结构进行优化以获得全新的特定的神经网络,使其能够更好的提取其特征,并应 用该网络训练出高准确率缺陷检测模型;最终,输出该模型对3D编织复合材料超声A信号 的检测结果。下面结合附图,对本发明技术方案的具体实施过程加以说明。
1.构建超声A信号采集系统
对通常的超声A扫图进行检测识别准确率较低且耗时。本方法直接将采集到的超声A扫 信号序列数据输入到网络检测。图2(a)为基于超声相控阵设备的3D编织复合材料A扫信号 采集系统,图2(b)为3D编织复合材料试件。
2.构建A扫信号样本集
此数据集使用本方法的超声相控阵采集系统采集并选取了2100个无缺陷超声A信号和 1500个脱粘缺陷超声A信号。按照训练集测试集验证集6∶2∶2的比例分配。训练集2160个, 测试集720个,验证集720个,包含360个无缺陷的和360个有缺陷的信号。信号的采样长度为320。
3.基于FCN+GRU的缺陷检测
本发明中使用的模型包括两部分:FCN模块和GRU模块。FCN模块包含6个时域卷积层作为主要特征提取器。在模型中两个GRU层用于增强FCN的性能,将这些超声信号同时 输入到FCN和GRU模块中。图3是本方法所研究的FCN+GRU网络结构。
3.1 FCN的卷积层
FCN直接以一维序列为输入,包括卷积层、全局平均池化层。核心思想是通过卷积、权 值共享和池化对神经网络结构进行优化,减少网络中神经元个数以及权值。下面以FCN基本 的网络结构的顺序,首先对FCN卷积层的组成进行说明。
卷积层是全卷积神经的核心结构。采用权值共享的方式,减少权值的数量,使得网络易 于优化。不同的一维卷积核通过“滑动窗口”的方式提取输入信号不同位置的特征。通过网 络的训练,一维卷积核可提取出某些有意义的特征。卷积层之后有一个标准化BN层和ReLU 激活层,对本方法而言,卷积运算是由六个尺寸分别为{128,512,256,128,128,128}滤波器, 卷积核的尺寸分别为{8,5,5,3,3,3}的卷积块构成。基本的卷积块是
s=BN(y)
h=ReLU(s)
其中,是卷积运算。
常用的非线性激活函数有Sigmoid函数和Tanh函数,但是为了克服容易出现梯度消失的 问题,在FCN模块中采用修正线性单元ReLU(Rectified linear unit),GRU模块中的激活函数 为Tanh函数,ReLU激活函数的定义为:
ReLU(x)=max(0,x)
Tanh函数的定义为
3.2全卷积神经网络的全局平均池化
在卷积层后的全局平均池化替代了全连接层,主要是将最后一层的特征图进行整张图的 一个均值池化,形成一个特征点组成最后的特征向量,进而送入到softmax的分类中计算。
3.3 GRU模型
GRU是LSTM网络的一种效果很好的变体,GRU模型中只有更新门和重置门。
更新门中,在时间步t,更新门zt是由以下公式计算:
zt=σ(W(z)xt+U(z)ht-1)
其中,xt为第t个时间的输入向量,即输入序列X的第t个分量,ht-1保存的是前一个时间 步t-1的信息。
重置门主要决定了有多少过去的信息需要遗忘,在重置门的使用中,新的记忆内容将使 用重置门储存过去相关的信息,计算为:
其中,⊙是重置门rt与ht-1的Hadamard乘积,这个乘积将确定所保留与遗忘的以前信息。 由以上函数可知,GRU会保留相关的信息并传递到下一个单元不会随时间而清除以前的信 息。GRU的原理图如图4。本方法中加入了两个GRU层,在训练时采取dropout的策略,以 一定的概率p=0.5输入到全局池化层。最后通过一个连接层连接FCN输出的特征和GRU模 块的输出。
3.4确定网络结构和参数
对本方法而言,设置的网络参数如表1所示。将构建的训练数据集按相应迭代学习次数, 推荐次数300次,训练FCN+GRU,最终生成可使得识别率呈缓慢变化,分类性区域稳定的 网络模型。在验证数据下3D编织复合材料的检测准确率为99.72%。
表1 FCN+GRU网络结构参数
Claims (6)
1.一种基于FCN与GRU的3D编织复合材料缺陷检测方法,所述方法包括下列步骤:
步骤1:采用超声相控阵设备搭建用于采集待测试件的超声信号扫描系统;
步骤2:利用步骤1中搭建的采集系统获得A扫信号,构建A扫信号数据集;
步骤3:设置损失函数理想值,通过将FCN模块与GRU模块相结合形成FCN+GRU网络,将步骤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;
步骤4:采集待检测3D编织复合材料的超声A信号,利用步骤3中训练好的网络模型检测3D编织复合材料是否存在缺陷。
2.如权利要求1所述的方法,其特征在于,步骤1中,搭建的超声信号扫描系统由超声相控阵设备、探头、楔块、编码器成。
3.如权利要求1所述的方法,其特征在于,步骤2中,构建的A扫信号数据集由序列格式的数据组成。
4.如权利要求1所述的方法,其特征在于,步骤2中,将构建的数据集按照6∶2∶2的数据量比例分为训练数据、测试数据和验证数据。
5.如权利要求1所述的方法,其特征在于,步骤3中,通过加入GRU模块的FCN网络训练模型进行检测来提高缺陷检测的准确率,将样本数据同时输入到GRU模块和FCN模块中,FCN模块是由6个卷积层和1个平均池化层组成,GRU模块由2个用来增强FCN的性能的GRU层和1个平均池化层组成。
6.如权利要求1所述的方法,其特征在于,步骤4中,利用加GRU模块的全卷积深度模型检测3D编织复合材料中的缺陷,将检测结果输出为有缺陷1、无缺陷0两种类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584117.1A CN110297041A (zh) | 2019-07-01 | 2019-07-01 | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584117.1A CN110297041A (zh) | 2019-07-01 | 2019-07-01 | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110297041A true CN110297041A (zh) | 2019-10-01 |
Family
ID=68029675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910584117.1A Pending CN110297041A (zh) | 2019-07-01 | 2019-07-01 | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297041A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044617A (zh) * | 2019-11-28 | 2020-04-21 | 东南大学 | 一种基于深度学习与声发射技术的拉索损伤识别方法 |
CN111110228A (zh) * | 2020-01-17 | 2020-05-08 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
CN111257422A (zh) * | 2020-02-28 | 2020-06-09 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111272870A (zh) * | 2019-12-31 | 2020-06-12 | 中国航空制造技术研究院 | 一种用于编织复合材料超声检测的编织系数的确定方法 |
CN115375952A (zh) * | 2022-10-18 | 2022-11-22 | 沃图水泵(上海)有限公司江苏分公司 | 一种芯片胶层缺陷分类方法 |
EP4180197A4 (en) * | 2020-07-08 | 2023-12-27 | Teijin Limited | MOLDED ARTICLE REGION INSPECTION PROGRAM, MOLDED ARTICLE REGION INSPECTION METHOD, AND MOLDED ARTICLE REGION INSPECTION DEVICE |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002013056A (ja) * | 2000-06-28 | 2002-01-18 | Mitsui Chemicals Inc | 伸縮性不織布複合体 |
CN102109498A (zh) * | 2009-12-28 | 2011-06-29 | 天津工业大学 | 一种对三维编制复合材料的无损检测系统及检测分析方法 |
CN102564290A (zh) * | 2010-12-27 | 2012-07-11 | 天津工业大学 | 一种基于碳纳米管三维编织复合材料的健康监测方法 |
CN106649984A (zh) * | 2016-11-09 | 2017-05-10 | 魏东 | 基于可控微结构的编织复合材料物性参数设计方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN108072698A (zh) * | 2016-11-15 | 2018-05-25 | 中国科学院沈阳计算技术研究所有限公司 | 一种水浸超声探伤系统及方法 |
CN109272497A (zh) * | 2018-09-05 | 2019-01-25 | 深圳灵图慧视科技有限公司 | 产品表面缺陷检测方法、装置和计算机设备 |
-
2019
- 2019-07-01 CN CN201910584117.1A patent/CN110297041A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002013056A (ja) * | 2000-06-28 | 2002-01-18 | Mitsui Chemicals Inc | 伸縮性不織布複合体 |
CN102109498A (zh) * | 2009-12-28 | 2011-06-29 | 天津工业大学 | 一种对三维编制复合材料的无损检测系统及检测分析方法 |
CN102564290A (zh) * | 2010-12-27 | 2012-07-11 | 天津工业大学 | 一种基于碳纳米管三维编织复合材料的健康监测方法 |
CN106649984A (zh) * | 2016-11-09 | 2017-05-10 | 魏东 | 基于可控微结构的编织复合材料物性参数设计方法 |
CN108072698A (zh) * | 2016-11-15 | 2018-05-25 | 中国科学院沈阳计算技术研究所有限公司 | 一种水浸超声探伤系统及方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN109272497A (zh) * | 2018-09-05 | 2019-01-25 | 深圳灵图慧视科技有限公司 | 产品表面缺陷检测方法、装置和计算机设备 |
Non-Patent Citations (10)
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044617A (zh) * | 2019-11-28 | 2020-04-21 | 东南大学 | 一种基于深度学习与声发射技术的拉索损伤识别方法 |
CN111044617B (zh) * | 2019-11-28 | 2022-08-02 | 东南大学 | 一种基于深度学习与声发射技术的拉索损伤识别方法 |
CN111272870A (zh) * | 2019-12-31 | 2020-06-12 | 中国航空制造技术研究院 | 一种用于编织复合材料超声检测的编织系数的确定方法 |
CN111272870B (zh) * | 2019-12-31 | 2023-03-14 | 中国航空制造技术研究院 | 一种用于编织复合材料超声检测的编织系数的确定方法 |
CN111110228A (zh) * | 2020-01-17 | 2020-05-08 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
CN111257422A (zh) * | 2020-02-28 | 2020-06-09 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111257422B (zh) * | 2020-02-28 | 2023-09-08 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
EP4180197A4 (en) * | 2020-07-08 | 2023-12-27 | Teijin Limited | MOLDED ARTICLE REGION INSPECTION PROGRAM, MOLDED ARTICLE REGION INSPECTION METHOD, AND MOLDED ARTICLE REGION INSPECTION DEVICE |
CN115375952A (zh) * | 2022-10-18 | 2022-11-22 | 沃图水泵(上海)有限公司江苏分公司 | 一种芯片胶层缺陷分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN109087274A (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN110045015A (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
Gao et al. | A novel deep convolutional neural network based on ResNet-18 and transfer learning for detection of wood knot defects | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
Li et al. | Image quality assessment using deep convolutional networks | |
CN108052909A (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN116109621B (zh) | 一种基于深度模板的缺陷检测方法和系统 | |
Ziabari et al. | Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
CN116363075A (zh) | 一种光伏组件热斑检测方法、系统和电子设备 | |
CN107341798A (zh) | 基于全局‑局部SPP Net的高分辨SAR图像变化检测方法 | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN114529519A (zh) | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及系统 | |
CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
CN114972153A (zh) | 一种基于深度学习的桥梁振动位移视觉测量方法及系统 | |
CN114821079A (zh) | 一种基于变分自编码器的岩石裂缝信息识别方法及系统 | |
CN114299421A (zh) | 检测螺栓松动的方法、卷积神经网络、训练方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191001 |