CN113887454B - 基于卷积神经网络点源识别的非接触激光超声检测方法 - Google Patents
基于卷积神经网络点源识别的非接触激光超声检测方法 Download PDFInfo
- Publication number
- CN113887454B CN113887454B CN202111179674.9A CN202111179674A CN113887454B CN 113887454 B CN113887454 B CN 113887454B CN 202111179674 A CN202111179674 A CN 202111179674A CN 113887454 B CN113887454 B CN 113887454B
- Authority
- CN
- China
- Prior art keywords
- laser
- detection
- layer
- scanning
- time domain
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 140
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000005284 excitation Effects 0.000 claims abstract description 50
- 230000006378 damage Effects 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012935 Averaging Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 239000000523 sample Substances 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 24
- 229910052802 copper Inorganic materials 0.000 claims description 22
- 239000010949 copper Substances 0.000 claims description 22
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于卷积神经网络点源识别的非接触激光超声检测方法，该方法步骤包括：获取带有损伤信号的激光扫查区域时域信号矩阵并进行预处理；基于CNN‑LSTM网络提取信号的特征与训练模型，在卷积层中构建不同卷积核尺寸和深度的1维卷积通道，提取信号时序特征，将特征输入LSTM中进一步提取特征并分类，获得激光超声扫查数据损伤检测模型；导入测试数据到损伤检测模型中获得测试标签，将测试标签中同一个激励点的信号样本标签值平均，基于设定标签值阈值判断样本类型，将所有标签值转化为二维矩阵进行成像，输出激光超声扫查数据检测结果。本发明降低了大规模扫描检测的误检率，提高激光扫描检测的适用性以及激光超声损伤检测的准确率。
Description
技术领域
本发明涉及无损检测技术领域，具体涉及一种基于卷积神经网络点源识别的非接触激光超声检测方法。
背景技术
随着技术的发展，人们不再满足于利用超声波信号的幅值、频率的变化来对材料缺陷进行定性和定量分析。这种技术对工作人员的专业知识要求较高，时常还会出现漏检的情况。因此，人们希望能直接观察材料的超声波传播图像，实现对材料缺陷的可视化检测。这种激光超声成像技术主要是利用激光在材料传播过程中遇到缺陷时产生的反射、透射及散射等现象，对缺陷进行有效检测。激光超声波成像技术可实现对非金属、金属、陶瓷等材料缺陷的可视化检测。该技术在许多领域得到了广泛的应用。利用这种激光超声波成像技术可以用眼睛对材料中的损伤直观地进行位置判断，同时该技术对研究人员的专业基础知识要求不高。激光超声传播成像损伤检测方法多依靠比较与临近位置的差异，或者和基准波场的差别。通过比较临近位置差异的方法对多种类大面积的损伤可能存在误检，通过和基准波场比较的方法对适用范围有限。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种基于卷积神经网络点源识别的非接触激光超声检测方法，本发明降低了大规模扫描检测的误检率，提高了激光扫描检测的适用性，同时本发明通过对信号时序特征的提取，提高了损伤检测准确度。
本发明的第二目的在于提供一种基于卷积神经网络点源识别的非接触激光超声检测系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种基于卷积神经网络点源识别的非接触激光超声检测方法，包括下述步骤：
获取带有损伤信号的激光扫查区域时域信号矩阵，通过数据转换算法进行预处理；
将预处理后的数据输入到CNN-LSTM网络中，基于CNN-LSTM网络提取信号的特征与训练模型，在卷积层中构建具有不同卷积核尺寸和深度的1维卷积通道，所述卷积层用于提取信号的时序特征，将时序特征输入到长短时记忆网络进行特征提取，采用softmax函数分类，通过计算得到的标签值和实际标签值的差异对网络进行反馈训练，直到训练达到设置的迭代次数，获得激光超声扫查数据损伤检测模型；
将测试数据输入到训练好的CNN-LSTM网络进行检测，获得测试标签，将测试标签中同一个激励点的信号样本标签值进行平均，基于设定的标签值阈值判断样本类型，将所有标签值转化为二维矩阵进行成像，输出激光超声扫查数据检测结果。
作为优选的技术方案，所述获取带有损伤信号的激光扫查区域时域信号矩阵，具体步骤包括：
对激光待检测区域进行扫查检测，扫查方式为检测点固定不动，激励点以设定间距依次在扫查区域内移动激励，扫查结束后获得检测区域内的每个激励点激励时的振动信号，每个激励点多次后计算平均值，扫查后获得时域信号矩阵Tdata[M×N×T×K]，其中M和N分别是检测矩形区域长宽方向的激励点数，T是每次激励采集的数据长度，K是每个激励点采集信号的次数。
作为优选的技术方案，所述通过数据转换算法进行预处理，具体步骤包括：
采用均值化方法对原始时域信号进行平均处理；
调整激励点振动信号从振动开始保存，找到大于振动信号平均值的第一个极值点，并以第一个极值点前设定长度的点的位置作为振动起点，保存激励点振动信号，保存的信号长度为T1，T1的值由检测信号所需的时间长度决定，得到一个新的时域信号矩阵；
对新的时域信号矩阵进行零均值归一化处理，长度为T1的时域信号转换为矩阵形式；
根据每个矩阵对应的样本是否正常或损坏，得到训练标签。
作为优选的技术方案，所述采用均值化方法对原始时域信号进行平均处理，具体步骤包括：
随机生成K1次从1到K的随机排序，并对前m个信号进行平均，平均后得到每个扫描点的K1样本。
作为优选的技术方案，所述对新的时域信号矩阵进行零均值归一化处理，表示为：
其中，是归一化后的时域信号的第j个元素，/>是原始时域信号的第j个元素，/>是原始时域信号的平均值，/>是原始时域信号的标准差。
作为优选的技术方案，所述CNN-LSTM网络包括CNN模块和LSTM层，所述CNN模块设有四个1维卷积通道，其中两个通道具有1层卷积、最大池化层、卷积核大小为1的卷积层；另外两个通道具有三层卷积，每个卷积层后都是一个最大池化层，还设有卷积核大小为1的卷积层，将四个通道的特征向量连接得到一个特征向量，并进行矩阵变换，将特征输入LSTM层；
所述LSTM层用于提取时序信号特征，其中sigmoid层筛选待更新的参数值，Tanh层创建一个新候选值的向量将向量添加到状态中，进行状态更新，表示为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，Wi和bi分别表示输入门的权重矩阵和偏移值，WC和bC分别表示单元状态的权重矩阵和偏移值，[ht-1,xt]表示将两个向量连接为一个向量；
旧细胞状态Ct-1更新为新的单元状态Ct：
将细胞状态通过tanh通道并乘以sigmoid层作为输出：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，Wo和bo分别表示输出门的权值矩阵和偏移值，ht表示LSTM层输出；
将LSTM层的输出值输入到softmax层进行分类，根据每个样本的输出与标签值之间的差异，调整模型中的参数，损失函数表示为：
其中，R为响应次数，tk为目标输出值，yk为响应k的预测值。
为了达到上述第二目的，本发明采用以下技术方案：
本发明提供一种基于卷积神经网络点源识别的非接触激光超声检测系统，包括：脉冲激光发射机、扫查架、连续激光发射器、分光器、激光检测探头、激光超声接收机和计算机；
所述脉冲激光发射机设有激光激励探头，所述激光激励探头设于扫查架上；
所述连续激光发射器与分光器连接，所述激光检测探头设于待测管道表面，所述激光检测探头与激光超声接收机连接，所述激光超声接收机与计算机连接；
所述脉冲激光发射机用于通过激光激励探头发射激光，激励铜管道产生导波；
所述扫查架用于控制激励点的扫查移动；
所述连续激光发射器用于产生连续激光，通过分光器分为参考光和检测光，所述检测光通过激光检测探头照射到铜管表面，由激光检测探头接收后和参考光传输到超声接收机中，检测出铜管表面的离面位移，实现对检测点的表面振动进行检测，获取带有损伤信号的激光扫查区域时域信号矩阵；
所述计算机用于通过数据转化算法对激光扫描区域的时域信号矩阵进行预处理，通过CNN-LSTM网络卷积层和全连接层进行特征提取，通过softmax函数将特征值映射到标签值中，通过激光超声扫查数据损伤检测模型计算得到的标签值和实际标签值的差异对网络进行反馈训练，将测试数据导入到激光超声扫查数据损伤检测模型中测试，输出激光超声扫查数据检测结果。
作为优选的技术方案，所述激光激励探头的激光激励采用热弹性机制。
为了达到上述第三目的，本发明采用以下技术方案：
一种存储介质，存储有程序，所述程序被处理器执行时实现上述基于卷积神经网络点源识别的非接触激光超声检测方法。
为了达到上述第三目的，本发明采用以下技术方案：
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现如上述基于卷积神经网络点源识别的非接触激光超声检测方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明采用CNN-LSTM网络和数据转换算法对激光扫查信号的每个激励点进行损伤检测，解决了在传统的激光扫描检测中，需要判断扫查点需要通过与周围区域的信号的差异来判断扫查点是否为损坏，降低了检测效率；同时，大面积检测可能存在误检的问题，本发明中的方法以每个扫查点信号为样本，降低了大规模扫描检测的误检率，提高了激光扫描检测的适用性。
(2)本发明CNN-LSTM网络对激光检测信号进行特征提取，解决了传统卷积神经网络忽视信号时序特性，不能够充分挖掘信号特征的问题，本发明以四个不同尺度和深度1维卷积通道对信号进行特征提取，在挖掘信号特征的同时保存了信号的时序特性，接下来通过LSTM算法进一步提取时序特征，该方法能够保留信号的时序特性，提高损伤检测精度。
附图说明
图1为本发明基于卷积神经网络点源识别的非接触激光超声检测方法的流程示意图；
图2为本发明基于卷积神经网络点源识别的非接触激光超声检测方法的数据处理过程示意图；
图3为本发明通过数据转换算法进行预处理的流程示意图；
图4为本发明的CNN-LSTM网络结构示意图；
图5为本发明基于卷积神经网络点源识别的非接触激光超声检测系统结构示意图；
图6为本发明三种损伤铜管道示意图；
图7(a)为本发明模拟裂纹损伤铜管道损伤检测结果示意图；
图7(b)为本发明模拟裂缝损伤铜管道损伤检测结果示意图；
图7(c)为本发明模拟腐蚀损伤铜管道损伤检测结果示意图。
其中，1-脉冲激光发射机，2-扫查架，3-铜管道，4-连续激光发射器，5-分光器，6-激光超声接收机，7-计算机。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1、图2所示，本实施例提供一种基于卷积神经网络点源识别的非接触激光超声检测方法，步骤包括：首先获取激光检测信号，通过数据转换算法进行预处理，将数据导入到CNN-LSTM网络中训练，获得激光超声扫查数据损伤检测模型，接着将测试数据导入到激光超声扫查数据损伤检测模型中测试，最后对激光超声扫查数据检测结果进行成像。
本实施例以铜管道损伤检测为例，进行激光扫查损伤检测。待测管道尺寸为60×65*2mm。为证明该方法的有效性，本实施例中分别进行了对带裂缝损伤(损伤尺寸3×0.5mm)、带裂纹损伤(损伤尺寸3×0.5×0.5mm)铜管道和带腐蚀损伤(面积14×13mm)铜管道。扫描面积为40×50mm，扫查间距1mm，扫查点数2000个。
本实施例基于卷积神经网络点源识别的非接触激光超声检测方法具体包括下述步骤：
S1：获取带有损伤信号的激光扫查区域时域信号矩阵并通过数据转换算法进行预处理，减少检测点位置不同对信号产生的差异。首先对信号进行平均处理，提高信号信噪比，接着从信号振动开始位置截取信号，最后对信号进行归一化。
获取带有损伤信号的激光扫查区域时域信号后，通过数据转换算法进行预处理；
首先对激光待检测区域进行扫查检测，获得检测区域内的波场信号，扫查方式为检测点固定不动，激励点以1mm为间距依次在扫查区域内移动激励，扫查结束后可获得检测区域内的每个激励点激励时的振动信号。由于激光热弹信号微弱，采集信号的信噪比低，一个激励点需多次采集后平均，扫查后最终可获得时域信号矩阵Tdata[M×N×T×K]，其中M和N是检测矩形区域长宽方向的激励点数，T是每次激励采集的数据长度，K是每个激励点采集信号的次数。这样检测区域就有(M×N)个激励点。本发明的方法可实现对其中的每个激励点进行检测，而不依靠激励点与周围信号的差异，提升了激光检测的适用性。
获得原始时域信号后，通过数据转换算法进行预处理，如图3所示，首先采用均值化方法对原始时域信号进行平均处理。p(p＝1，2，…，M×N)点信号的平均处理过程如下：该p点的矩阵Tedata[K×T]从时域信号矩阵Tdata[(M×N×K)×T](Eq.1)中提取；随机生成K1次从1到K的随机排序，并对前m个信号进行平均(Eq.2)，这样K1平均后得到每个扫描点的K1样本，K1的值由建立CNN-LSTM网络所需的样本确定，具体公式表示为：
Tedata＝(Tdata(p-1)×k+1；Tdata(p-1)×k+2；...；Tdatap×k) (1)
其中，函数Rsort()表示数字的随机排序。由于扫描区域内不同位置的信号在CNN-LSTM网络中进行训练，因此有必要消除激励位置对检测信号的影响。扫描区域不同点的振动起始时间不一致，因此需要调整不同激励点的信号起始时间。调整振动信号从振动开始保存，为了消除噪声干扰，找到大于振动信号平均值的第一个极值点，并以极值点前15个点的位置作为振动起点。从振动开始到第一个极值位置，有1～2μs，信号采样率为5MHz，因此从振动信号第一个极值位置前15点保存，就可以保存完整的振动信号。保存的信号长度为T1。T1的值由检测信号所需的时间长度决定。这样就可以得到一个新的时域信号矩阵T2data[(M×N×K1)×T1]。然后，实现数据归一化，以减少不同样本的统计差异。在此步骤中，使用零均值归一化。对于时域信号T2dataq(q＝1,2,...,M×N×K1)，零均值归一化的计算可描述如下：
其中是归一化后的时域信号的第j个元素，/>是原始时域信号的第j个元素，/>是原始时域信号的平均值，/>是原始时域信号的标准差。归一化后得到矩阵T3data[(M×N×K1)×T1]。由于CNN-LSTM网络的导入样本为图像格式，因此长度为T1的时域信号随后转换为n×n矩阵形式(n×n＝T1)。矩阵格式转换为Fdata[(M×N×K1)×n×n]。最后，根据每个矩阵对应的样本是否正常或损坏，得到训练标签Labeltrain[(M×N×K1)×1]。正常样本的标签为0，受损样本的标签为1。在本实施例中，T1的值为4000，矩阵格式转化为T3data[4000×48×48]，训练标签集表示为：labeltrain[4000×1]。
S2：利用CNN-LSTM网络提取信号的特征与训练模型，在卷积层中设计了四个具有不同卷积核尺寸和深度的1维卷积通道。卷积层可以提取信号的时序特征。然后将特征输入长短时记忆(LSTM)进行特征提取，并采用softmax函数分类。通过模型计算得到的标签值和实际标签值的差异对网络进行反馈训练，直到模型训练达到设置的迭代次数，获得激光超声扫查数据损伤检测模型。
如图4所示，CNN-LSTM网络由CNN模块和LSTM层组成，在CNN模块中，数据被输入到4个1维卷积通道。其中两个通道具有1层卷积，卷积核大小分别为3和5，接下来是最大池化层，最后通过卷积核大小为1的卷积层。另外两个通道具有三层卷积，卷积核大小分别为3和5，每个卷积层后都是一个最大池化层，最后通过卷积核大小为1的卷积层。通过多尺度一维卷积特征提取，可以对信号特征进行深度挖掘，各通道的输出特征保持原始信号的时序特征。然后将四个通道的特征向量连接起来得到一个长的特征向量，并进行矩阵变换。然后，将特征输入LSTM层，进一步提取特征。
LSTM层是循环层结构，可以提取时序信号特征。LSTM中的第一步是决定要从单元格状态中丢弃哪些信息。这个决定是由一个叫做“遗忘门”的sigmoid层做出的。它查看ht-1和xt，并为细胞状态Ct-1中的每个数字输出0到1之间的数字。
ft＝σ(Wf·[ht-1,xt]+bf) (4)
其中Wf和bf分别表示遗忘门的权重矩阵和偏移值。[ht-1,xt]表示将两个向量连接为一个向量。下一步是决定单元状态中要存储哪些新信息。称为“输入门”的sigmoid层决定哪些值将被更新。然后，Tanh层创建一个新候选值的向量该向量可以添加到状态中。在下一步中，将结合这两种方法来创建状态更新。
it＝σ(Wi·[ht-1,xt]+bi) (5)
其中Wi和bi分别表示输入门的权重矩阵和偏移值。WC和bC分别表示单元状态的权重矩阵和偏移值。旧细胞状态Ct-1更新为新的单元状态Ct。旧状态乘以ft，然后加上这实际上是放弃关于旧细胞状态的信息并添加新信息。
接下来，决定要输出什么，此输出将基于单元格状态，但将是一个过滤版本。一个sigmoid层决定细胞状态的哪些部分将输出。然后，将细胞状态通过tanh通道并乘以sigmoid层作为输出。
ot＝σ(Wo·[ht-1,xt]+bo) (8)
ht＝ot*tanh(Ct) (9)
其中Wo和bo分别表示输出门的权值矩阵和偏移值。
在LSTM层，由于重复输入和更新，可以获得具有时序信息的特征。通过LSTM层后，可以获得输出ht。然后将ht输入softmax层，通过输出的值对其进行分类。根据每个样本的输出与标签值之间的差异，调整模型中的参数。损失函数如下所示
其中R为响应次数，tk为目标输出值，yk为响应k的预测值。
通过模型计算得到的标签值和实际标签值的差异对网络进行反馈训练，直到模型训练达到设置的迭代次数，获得激光超声扫查数据损伤检测模型。
S3：将测试数据输入到训练好的CNN-LSTM网络进行检测。获得测试标签，将测试标签中同一个激励点的信号样本标签值进行平均，基于设定的标签值阈值判断样本类型，将所有标签值转化为二维矩阵进行成像，输出激光超声扫查数据检测结果。
获得激光超声损伤检测模型后，将测试数据T4data[(M×N×K2)×n×n]输入模型进行检测，则可获得测试标签labeltest[(M×N×K2)×1]，然后将标签中同一个激励点的信号样本标签值进行平均，当预测标签值小于0.5时，表示该样本为正常样本；当标签值大于0.5时，表示样本是损伤样本。最后将所有标签值转化为M×N的二维矩阵进行成像，实现损伤检测可视化。
实施例2
如图5所示，本实施例提供一种基于卷积神经网络点源识别的非接触激光超声检测系统，包括：脉冲激光发射机1、扫查架2、连续激光发射器4、分光器5、激光检测探头、激光超声接收机6和计算机7；脉冲激光发射机1设有激光激励探头，激光激励探头设于扫查架2上；连续激光发射器4与分光器5连接，激光检测探头设于待测铜管道3表面，激光检测探头与激光超声接收机6连接，激光超声接收机6与计算机7连接；首先由Nd：YAG脉冲激光发射机1在连续触发模式下工作，通过激光激励探头发射激光，激励铜管道3产生导波，为了避免损伤管道，激光激励采用热弹性机制。发射脉冲值为8ns，能量为30mJ，光斑直径为1mm，激励点的扫查移动由扫查架2控制实现。检测部分由连续激光发射器4、分光器5和激光超声接收机6三部分组成。检测的原理是先通过连续激光发射器产生连续激光，再通过分光器分为参考光和检测光，其中检测光通过激光检测探头照射到铜管表面，再由激光检测探头接收后和参考光传输到激光超声接收机6中，通过双频干涉的原理检测出铜管表面的离面位移，实现对检测点的表面振动进行检测。激光检测系统接收到的信号由数据采集卡采集，传输到计算机7中。激光信号的采样率为5MHz，采样点数为6k，扫查区域长度和宽度方向的点数分别为40和50，每个激励点重复采样50次，则可得到信号矩阵Tdata[(40×50×50)×6000]。在获得激光扫描区域的时域信号后，通过数据转化算法对其进行预处理。首先进行平均处理，每次从50次样本中随机取出40次进行平均计算。每个损伤铜管道都获取4000个样本，其中包括2000个正常样本和2000个损坏样本。为了便于结果成像，扫描区域中的所有激光激发点都包含在正常样品和测试样品中。由于对扫描区域中的所有位置信号进行了测试，因此每个测试数据集有2000个正常样本。为了减少单个信号造成的随机性，为损伤信号的每个点随机生成1000个样本，裂纹损伤管道和裂缝损伤管道的损伤位置有两个激励点，总共2000个损伤样本。由于腐蚀损伤检测中损伤点数量较多，扫描区域内每个点随机生成2个样本，共产生4000个样本。接下来将训练数据导入CNN-LSTM网络，通过卷积层和全连接层进行特征提取，再通过softmax函数将特征值映射到标签值中，通过模型计算得到的标签值和实际标签值的差异对网络进行反馈训练，直到迭代结束，本训练模型设置的迭代次数为50次。获得激光超声损伤检测模型后，将用相同的方法从原始数据中获取一组检测数据输入模型进行检测。
如图6所示，为三种损伤铜管(裂缝损伤管道、裂纹损伤管道、腐蚀损伤管道)，管道上左侧的圆圈内是激光检测点，右侧的方框内是激光扫查区域，即检测区域。三根管道在检测区域内的损伤位置都在检测区域内。
对三跟损伤铜管道进行检测，检测结果如图7(a)-图7(c)所示，三种损伤的检测准确率都达到了99％以上。裂缝损伤管道、裂纹损伤管道、腐蚀损伤管道的重构图和损伤图像，图中共有40*50个像素点，实现了对损伤的准确检测。同时该检测结果是依据每个点源的信号进行检测的，并没有依赖检测点信号与周围点信号的差异。本实施例验证了本发明非接触激光超声损伤检测方法的有效性。
实施例3
本实施例提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等各种可以存储程序代码的储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现实施例1的基于卷积神经网络点源识别的非接触激光超声检测方法。
实施例4
本实施例提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例1的基于卷积神经网络点源识别的非接触激光超声检测方法。
处理器可实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑装置(PLD)、现场可编辑逻辑门阵列(FPGA)、控制器、微控制器、电子装置、以及其他经设计以执行本发明所描述的功能的电子单元或其组合内。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络点源识别的非接触激光超声检测方法，其特征在于，包括下述步骤：
获取带有损伤信号的激光扫查区域时域信号矩阵，通过数据转换算法进行预处理；
将预处理后的数据输入到CNN-LSTM网络中，基于CNN-LSTM网络提取信号的特征与训练模型，在卷积层中构建具有不同卷积核尺寸和深度的1维卷积通道，所述卷积层用于提取信号的时序特征，将时序特征输入到长短时记忆网络进行特征提取，采用softmax函数分类，通过计算得到的标签值和实际标签值的差异对网络进行反馈训练，直到训练达到设置的迭代次数，获得激光超声扫查数据损伤检测模型；
所述CNN-LSTM网络包括CNN模块和LSTM层，所述CNN模块设有四个1维卷积通道，其中两个通道具有1层卷积、最大池化层、卷积核大小为1的卷积层；另外两个通道具有三层卷积，每个卷积层后都是一个最大池化层，还设有卷积核大小为1的卷积层，将四个通道的特征向量连接得到一个特征向量，并进行矩阵变换，将特征输入LSTM层；
所述LSTM层用于提取时序信号特征，其中sigmoid层筛选待更新的参数值，Tanh层创建一个新候选值的向量将向量添加到状态中，进行状态更新，表示为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，Wi和bi分别表示输入门的权重矩阵和偏移值，WC和bC分别表示单元状态的权重矩阵和偏移值，[ht-1,xt]表示将两个向量连接为一个向量；
旧细胞状态Ct-1更新为新的单元状态Ct：
ft＝σ(Wf·[ht-1,xt]+bf)
其中，Wf和bf分别表示遗忘门的权重矩阵和偏移值；
将细胞状态通过tanh通道并乘以sigmoid层作为输出：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，Wo和bo分别表示输出门的权值矩阵和偏移值，ht表示LSTM层输出；
将LSTM层的输出值输入到softmax层进行分类，根据每个样本的输出与标签值之间的差异，调整模型中的参数，损失函数表示为：
其中，R为响应次数，tk为目标输出值，yk为响应k的预测值；
将测试数据输入到训练好的CNN-LSTM网络进行检测，获得测试标签，将测试标签中同一个激励点的信号样本标签值进行平均，基于设定的标签值阈值判断样本类型，将所有标签值转化为二维矩阵进行成像，输出激光超声扫查数据检测结果。
2.根据权利要求1所述的基于卷积神经网络点源识别的非接触激光超声检测方法，其特征在于，所述获取带有损伤信号的激光扫查区域时域信号矩阵，具体步骤包括：
对激光待检测区域进行扫查检测，扫查方式为检测点固定不动，激励点以设定间距依次在扫查区域内移动激励，扫查结束后获得检测区域内的每个激励点激励时的振动信号，每个激励点多次后计算平均值，扫查后获得时域信号矩阵Tdata[M×N×T×K]，其中M和N分别是检测矩形区域长宽方向的激励点数，T是每次激励采集的数据长度，K是每个激励点采集信号的次数。
3.根据权利要求1所述的基于卷积神经网络点源识别的非接触激光超声检测方法，其特征在于，所述通过数据转换算法进行预处理，具体步骤包括：
采用均值化方法对原始时域信号进行平均处理；
调整激励点振动信号从振动开始保存，找到大于振动信号平均值的第一个极值点，并以第一个极值点前设定长度的点的位置作为振动起点，保存激励点振动信号，保存的信号长度为T1，T1的值由检测信号所需的时间长度决定，得到一个新的时域信号矩阵；
对新的时域信号矩阵进行零均值归一化处理，长度为T1的时域信号转换为矩阵形式；
根据每个矩阵对应的样本是否正常或损坏，得到训练标签。
4.根据权利要求3所述的基于卷积神经网络点源识别的非接触激光超声检测方法，其特征在于，所述采用均值化方法对原始时域信号进行平均处理，具体步骤包括：
随机生成K1次从1到K的随机排序，并对前m个信号进行平均，平均后得到每个扫描点的K1样本。
5.根据权利要求3所述的基于卷积神经网络点源识别的非接触激光超声检测方法，其特征在于，所述对新的时域信号矩阵进行零均值归一化处理，表示为：
其中，是归一化后的时域信号的第j个元素，/>是原始时域信号的第j个元素，/>是原始时域信号的平均值，/>是原始时域信号的标准差。
6.一种基于卷积神经网络点源识别的非接触激光超声检测系统，其特征在于，包括：脉冲激光发射机、扫查架、连续激光发射器、分光器、激光检测探头、激光超声接收机和计算机；
所述脉冲激光发射机设有激光激励探头，所述激光激励探头设于扫查架上；
所述连续激光发射器与分光器连接，所述激光检测探头设于待测管道表面，所述激光检测探头与激光超声接收机连接，所述激光超声接收机与计算机连接；
所述脉冲激光发射机用于通过激光激励探头发射激光，激励铜管道产生导波；
所述扫查架用于控制激励点的扫查移动；
所述连续激光发射器用于产生连续激光，通过分光器分为参考光和检测光，所述检测光通过激光检测探头照射到铜管表面，由激光检测探头接收后和参考光传输到超声接收机中，检测出铜管表面的离面位移，实现对检测点的表面振动进行检测，获取带有损伤信号的激光扫查区域时域信号矩阵；
所述计算机用于通过数据转化算法对激光扫描区域的时域信号矩阵进行预处理，通过CNN-LSTM网络卷积层和全连接层进行特征提取，通过softmax函数将特征值映射到标签值中，通过激光超声扫查数据损伤检测模型计算得到的标签值和实际标签值的差异对网络进行反馈训练，将测试数据导入到激光超声扫查数据损伤检测模型中测试，输出激光超声扫查数据检测结果；
所述CNN-LSTM网络包括CNN模块和LSTM层，所述CNN模块设有四个1维卷积通道，其中两个通道具有1层卷积、最大池化层、卷积核大小为1的卷积层；另外两个通道具有三层卷积，每个卷积层后都是一个最大池化层，还设有卷积核大小为1的卷积层，将四个通道的特征向量连接得到一个特征向量，并进行矩阵变换，将特征输入LSTM层；
所述LSTM层用于提取时序信号特征，其中sigmoid层筛选待更新的参数值，Tanh层创建一个新候选值的向量将向量添加到状态中，进行状态更新，表示为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，Wi和bi分别表示输入门的权重矩阵和偏移值，WC和bC分别表示单元状态的权重矩阵和偏移值，[ht-1,xt]表示将两个向量连接为一个向量；
旧细胞状态Ct-1更新为新的单元状态Ct：
ft＝σ(Wf·[ht-1,xt]+bf)
其中，Wf和bf分别表示遗忘门的权重矩阵和偏移值；
将细胞状态通过tanh通道并乘以sigmoid层作为输出：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，Wo和bo分别表示输出门的权值矩阵和偏移值，ht表示LSTM层输出；
将LSTM层的输出值输入到softmax层进行分类，根据每个样本的输出与标签值之间的差异，调整模型中的参数，损失函数表示为：
其中，R为响应次数，tk为目标输出值，yk为响应k的预测值。
7.根据权利要求6所述的基于卷积神经网络点源识别的非接触激光超声检测系统，其特征在于，所述激光激励探头的激光激励采用热弹性机制。
8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5任一项所述基于卷积神经网络点源识别的非接触激光超声检测方法。
9.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1-5任一项所述基于卷积神经网络点源识别的非接触激光超声检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179674.9A CN113887454B (zh) | 2021-10-11 | 2021-10-11 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179674.9A CN113887454B (zh) | 2021-10-11 | 2021-10-11 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887454A CN113887454A (zh) | 2022-01-04 |
| CN113887454B true CN113887454B (zh) | 2024-04-30 |
Family
ID=79005917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111179674.9A Active CN113887454B (zh) | 2021-10-11 | 2021-10-11 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887454B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444550B (zh) * | 2022-04-02 | 2022-07-29 | 中国人民解放军火箭军工程大学 | 结构化数据解析方法、装置、电子设备及存储介质 |
| CN116879910B (zh) * | 2023-09-06 | 2023-11-28 | 杭州智屹科技有限公司 | 激光扫描测距装置及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567558A (zh) * | 2019-08-28 | 2019-12-13 | 华南理工大学 | 一种基于深度卷积特征的超声导波检测方法 |
| CN112326800A (zh) * | 2020-10-22 | 2021-02-05 | 北京卫星环境工程研究所 | 基于激光超声和空耦超声的非接触式损伤检测系统及方法 |
| CN113077444A (zh) * | 2021-04-01 | 2021-07-06 | 复旦大学 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
-
2021
- 2021-10-11 CN CN202111179674.9A patent/CN113887454B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567558A (zh) * | 2019-08-28 | 2019-12-13 | 华南理工大学 | 一种基于深度卷积特征的超声导波检测方法 |
| CN112326800A (zh) * | 2020-10-22 | 2021-02-05 | 北京卫星环境工程研究所 | 基于激光超声和空耦超声的非接触式损伤检测系统及方法 |
| CN113077444A (zh) * | 2021-04-01 | 2021-07-06 | 复旦大学 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887454A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113887454B (zh) | 基于卷积神经网络点源识别的非接触激光超声检测方法 | |
| CN112232392B (zh) | 一种用于三维探地雷达的数据解译和识别方法 | |
| Song et al. | Super-resolution visualization of subwavelength defects via deep learning-enhanced ultrasonic beamforming: A proof-of-principle study | |
| CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
| CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
| CN105469079A (zh) | 基于多传感器信息融合的物体材质识别方法 | |
| CN111445515B (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 | |
| CN115629127B (zh) | 一种货箱缺陷分析方法、装置、设备及可读存储介质 | |
| CN113359101A (zh) | 一种地下目标探测方法、系统及计算机存储介质 | |
| CN116400426B (zh) | 基于电磁法的数据勘测系统 | |
| Li et al. | Intelligent damage recognition of composite materials based on deep learning and ultrasonic testing | |
| CN111539489A (zh) | 一种毫米波图像目标检测识别方法 | |
| Almansouri et al. | Deep neural networks for non-linear model-based ultrasound reconstruction | |
| Ahmadvand et al. | 1D-CNNs for autonomous defect detection in bridge decks using ground penetrating radar | |
| Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
| Chen et al. | Localization and imaging of internal hidden defects in concrete slabs based on deep learning of vibration signals | |
| Zhang et al. | Ultrasonic diagnosis method for stainless steel weld defects based on multi-domain feature fusion | |
| CN112485329B (zh) | 基于热成像与超声相结合检测排污口的方法、装置及系统 | |
| CN115311532A (zh) | 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法 | |
| Pyle et al. | Interpretable and explainable machine learning for ultrasonic defect sizing | |
| Pérez et al. | Integrating AI in NDE: Techniques, Trends, and Further Directions | |
| Tian et al. | Study of GPR signal propagation and imaging of multilayer rebar mesh structure | |
| Srinivas et al. | Buried pipes detection through ground penetrating radar images | |
| CN114460175B (zh) | 一种薄壁结构损伤检测方法 | |
| Li et al. | Road sub-surface defect detection based on gprMax forward simulation-sample generation and Swin Transformer-YOLOX |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |