CN116609441B - 一种单微裂纹定量识别方法 - Google Patents

一种单微裂纹定量识别方法 Download PDF

Info

Publication number
CN116609441B
CN116609441B CN202310861017.5A CN202310861017A CN116609441B CN 116609441 B CN116609441 B CN 116609441B CN 202310861017 A CN202310861017 A CN 202310861017A CN 116609441 B CN116609441 B CN 116609441B
Authority
CN
China
Prior art keywords
microcrack
model
dimensional
layer
neural 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.)
Active
Application number
CN202310861017.5A
Other languages
English (en)
Other versions
CN116609441A (zh
Inventor
王露
齐正磐
丁湘燕
胡宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202310861017.5A priority Critical patent/CN116609441B/zh
Publication of CN116609441A publication Critical patent/CN116609441A/zh
Application granted granted Critical
Publication of CN116609441B publication Critical patent/CN116609441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N29/44—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
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G01N2291/023—Solids
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种单微裂纹定量识别方法，属于裂纹识别技术领域，该方法包括获取第一样本集，第一样本集包括对应不同单微裂纹模型的一维数据和单微裂纹尺寸类别；一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到；阵元通道的原始信号通过对单微裂纹模型超声波作用生成；以一维数据作为输入，尺寸类别作为输出，对一维神经网络训练，得到第一网络模型；获取待测的单微裂纹模型的一维待测数据；一维待测数据通过对待测的单微裂纹模型的一个阵元通道的原始信号处理得到；将一维待测数据输入至第一网络模型中，得到待测的单微裂纹模型的单微裂纹尺寸类别。该发明通过深度学习与非线性超声无损检测技术的结合实现对单微裂纹的定量识别。

Description

一种单微裂纹定量识别方法
技术领域
本发明涉及裂纹识别技术领域，具体涉及一种单微裂纹定量识别方法。
背景技术
近年来，材料的结构类缺陷引发的安全问题备受关注，材料在制造和使用过程中都会产生各类结构缺陷，其中以裂纹最为危险，金属结构的初始裂纹尺寸很小，且在不受载荷下倾向于闭合，但服役过程中裂纹不断扩展导致材料力学性能骤降，此外，裂纹角度也会影响裂纹传播数量和扩展速率。
现有技术中，对材料的无损检测多使用线性超声技术对材料缺陷进行定性检测，检测材料的缺陷类别，例如诊断材料是否存在裂纹，也有基于裂纹图像和宏观裂纹进行定量研究，但基于裂纹数据和微观裂纹的定量识别领域鲜有研究，这极大地限制了无损检测的发展。
发明内容
鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种单微裂纹定量识别方法，包括以下步骤：
获取第一样本集；所述第一样本集包括对应不同单微裂纹模型的一维数据和单微裂纹尺寸类别；所述一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到；所述阵元通道的原始信号通过对所述单微裂纹模型进行超声波作用后生成；
以所述一维数据作为一维神经网络的输入，以所述尺寸类别作为所述一维神经网络的输出，对所述一维神经网络进行训练，得到第一网络模型；
获取待测的单微裂纹模型的一维待测数据；所述一维待测数据通过对所述待测的单微裂纹模型的一个阵元通道的原始信号处理得到；
将所述一维待测数据输入至所述第一网络模型中，得到所述待测的单微裂纹模型的单微裂纹尺寸类别。
根据本发明提供的技术方案，还包括以下步骤：
获取第二样本集；所述第二样本集包括对应不同单微裂纹模型的二维数据和单微裂纹角度类别；所述二维数据通过对单微裂纹模型的所有阵元通道的原始信号处理，再将处理后的所有阵元通道的信号并联融合得到；
以所述二维数据作为二维神经网络的输入，以所述角度类别作为所述二维神经网络的输出，对所述二维神经网络进行训练，得到第二网络模型；
获取待测的单微裂纹模型的二维待测数据，所述二维待测数据通过对所述待测的单微裂纹模型的所有阵元通道的原始信号处理，再将处理后的所有阵元通道的信号并联融合得到；
将所述二维待测数据输入至所述第二网络模型中，得到所述待测的单微裂纹模型的单微裂纹角度类别。
根据本发明提供的技术方案，所述一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到，包括以下步骤：
选取所述单微裂纹模型的一个阵元通道作为目标阵元通道，不同单微裂纹模型所选取的目标阵元通道的位置相同；
对所述目标阵元通道的原始信号进行低通滤波和带通滤波，至少得到三倍频时域信号；
将所述三倍频时域信号作为所述单微裂纹模型的所述一维数据。
根据本发明提供的技术方案，所述二维数据通过对单微裂纹模型的所有阵元通道的原始信号处理，将所述单微裂纹模型处理后所有阵元通道的信号并联融合得到，包括以下步骤：
对所有阵元通道的所述原始信号进行低通滤波和带通滤波，至少得到零频时域信号；
将所有阵元通道的所有所述零频时域信号并联融合作为所述单微裂纹模型的二维数据。
根据本发明提供的技术方案，所述单微裂纹尺寸类别的获取，包括以下步骤：
各所述单微裂纹模型的单微裂纹尺寸组成第一尺寸区间，所述第一尺寸区间内的任意相邻两个尺寸差值相同；基于所述第一尺寸区间，每间隔第一预设阈值划分一个所述单微裂纹尺寸类别。
根据本发明提供的技术方案，所述单微裂纹角度类别的获取，包括以下步骤：
各所述单微裂纹模型的单微裂纹角度组成第一角度区间，所述第一角度区间内的任意相邻两个角度差值相同；基于所述第一角度区间，每间隔第二预设阈值划分一个所述单微裂纹角度类别。
根据本发明提供的技术方案，所述一维神经网络至少包括：
一维神经网络第一结构，所述一维神经网络第一结构包括第一卷积层、第一激活函数层、第一池化层；
一维神经网络第二结构，所述一维神经网络第二结构包括第二卷积层、第二激活函数层、第二池化层及第一Dropout层；
一维神经网络第三结构，所述一维神经网络第三结构包括第一压平层及第二Dropout层；
一维神经网络第四结构，所述一维神经网络第四结构包括第一全连接层、第一激活层、第三Dropout层和第一输出层。
根据本发明提供的技术方案，所述二维神经网络至少包括：
二维神经网络第一结构，所述二维神经网络第一结构包括第三卷积层、第三激活函数层、第三池化层；
二维神经网络第二结构，所述二维神经网络第二结构包括第四卷积层、第四激活函数层、第四池化层；
二维神经网络第三结构，所述二维神经网络第三结构包括第五卷积层、第六卷积层、第五激活函数层和第五池化层；
二维神经网络第四结构，所述二维神经网络第四结构包括第二压平层及第四Dropout层；
二维神经网络第五结构，所述二维神经网络第五结构包括第二全连接层、第二激活层、第五Dropout层和第二输出层。
根据本发明提供的技术方案，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第一全连接层、所述第二全连接层后均连接激活函数ReLU。
根据本发明提供的技术方案，所述第一Dropout层、所述第二Dropout层、所述第三Dropout层、所述第四Dropout层、所述第五Dropout层设置随机丢弃神经元的比例为20%。
综上所述，本发明提出一种单微裂纹定量识别方法，该方法包括以下步骤获取第一样本集，第一样本集包括对应不同单微裂纹模型的一维数据和单微裂纹尺寸类别；一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到；阵元通道的原始信号通过对单微裂纹模型进行超声波作用后生成；以一维数据作为一维神经网络的输入，以尺寸类别作为一维神经网络的输出，对一维神经网络进行训练，得到第一网络模型；获取待测的单微裂纹模型的一维待测数据；一维待测数据通过对待测的单微裂纹模型的一个阵元通道的原始信号处理得到；将一维待测数据输入至第一网络模型中，得到待测的单微裂纹模型的单微裂纹尺寸类别。该发明通过深度学习与非线性超声无损检测技术的结合，基于数据实现对单微裂纹的尺寸定量识别，便于预判单微裂纹对材料损伤的大小，有助于确定材料的使用寿命及强度等的性能好坏。
附图说明
图1为本发明提供的一种单微裂纹定量识别方法的步骤流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
诚如背景技术中提到的，针对现有技术中的问题，本发明提出了一种单微裂纹定量识别方法，请参考图1所示，包括以下步骤：
S100.获取第一样本集；所述第一样本集包括对应不同单微裂纹模型的一维数据和单微裂纹尺寸类别；所述一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到；所述阵元通道的原始信号通过对所述单微裂纹模型进行超声波作用后生成；
S101.以所述一维数据作为一维神经网络的输入，以所述尺寸类别作为所述一维神经网络的输出，对所述一维神经网络进行训练，得到第一网络模型；
S102.获取待测的单微裂纹模型的一维待测数据；所述一维待测数据通过对所述待测的单微裂纹模型的一个阵元通道的原始信号处理得到；
S103.将所述一维待测数据输入至所述第一网络模型中，得到所述待测的单微裂纹模型的单微裂纹尺寸类别。
具体地，所述单微裂纹模型为商业有限元软件ABAQUS建立的具有20个所述阵元通道的相控阵仿真模型，每个相控阵仿真模型的信号的激励和接收由该相控阵完成，该相控阵的阵列通道同时发射和接收信号。
具体地，所述阵元通道的原始信号通过对所述单微裂纹模型进行超声波作用后生成，步骤如下：采集各所述单微裂纹模型的每个所述阵元通道的信号，对所述单微裂纹模型进行超声波作用，根据超声波波速和裂纹位置估计超声波和单微裂纹相互作用后产生波包的位置，截取完整波包的时域信号，该时域信号即为超声波作用后的原始信号。
具体地，当使用所述第一网络模型对未知单微裂纹进行定量识别时，建立与所述未知单微裂纹相应的所述待测的单微裂纹模型，对其进行超声波作用，截取超声波作用后的时域信号作为所述待测的单微裂纹模型的所述一维待测数据，将所述一维待测数据输入所述第一网络模型中，所述第一网络模型中输出匹配的单微裂纹尺寸类别。
该方法通过深度学习训练神经网络与非线性超声无损检测技术的结合，基于数据实现对单微裂纹的尺寸定量识别，便于预判单微裂纹对材料损伤的大小，有助于确定材料的使用寿命及强度等的性能好坏。
在一优选实施例中，还包括以下步骤：
获取第二样本集；所述第二样本集包括对应不同单微裂纹模型的二维数据和单微裂纹角度类别；所述二维数据通过对单微裂纹模型的所有阵元通道的原始信号处理，再将处理后的所有阵元通道的信号并联融合得到；
以所述二维数据作为二维神经网络的输入，以所述角度类别作为所述二维神经网络的输出，对所述二维神经网络进行训练，得到第二网络模型；
获取待测的单微裂纹模型的二维待测数据，所述二维待测数据通过对所述待测的单微裂纹模型的所有阵元通道的原始信号处理，再将处理后的所有阵元通道的信号并联融合得到；
将所述二维待测数据输入至所述第二网络模型中，得到所述待测的单微裂纹模型的单微裂纹角度类别。
具体地，当使用所述第二网络模型对未知单微裂纹进行定量识别时，建立与所述未知单微裂纹相应的所述待测的单微裂纹模型，对其进行超声波作用，截取超声波作用后的时域信号作为所述待测的单微裂纹模型的所述二维待测数据，将所述二维待测数据输入所述第二网络模型中，所述第二网络模型中输出匹配的单微裂纹角度类别。
具体地，使用所述第一网络模型识别单微裂纹尺寸类别，结合所述第二网络模型识别单微裂纹角度类别可更综合全面地分析单微裂纹对材料损伤的影响。
具体地，共设计20个单微裂纹尺寸，每个单微裂纹尺寸下均对应有36个裂纹角度，所以共有720个所述相控阵仿真模型。
具体地，所述第一样本集包括第一训练集和第一测试集，将所述第一训练集的所述一维数据集作为所述第一训练集的输入，所述第一训练集的所述尺寸类别作为所述第一训练集的输出训练所述第一训练集，得到所述第一网络模型，所述第一测试集用于测试所述第一网络模型。
具体地，所述第二样本集包括第二训练集和第二测试集，将所述第二训练集的所述二维数据集作为所述第二训练集的输入，所述第二训练集的所述角度类别作为所述第二训练集的输出训练所述第二训练集，得到所述第二网络模型，所述第二测试集用于测试所述第二网络模型。
具体地，所述第一训练集和所述所述第二训练集都是从0开始训练，采用Adam优化器，确定网络的初始化参数和训练规则，通过输入所述一维数据集，输出所述尺寸类别和所述角度类别训练后得到的所述第一网络模型、所述第二网络模型为可识别单微裂纹的最优模型。
具体地，对于720个所述一维数据和720个所述二维数据，540个所述一维数据组成所述一维数据集，输入至所述第一训练集，输出这540个所述一维数据对应的所述尺寸类别，训练获得所述第一网络模型；540个所述二维数据组成所述二维数据集，输入至所述第二训练集，输出这540个所述二维数据对应的所述角度类别，训练获得所述第二网络模型；剩余的180个所述一维数据组成测试一维数据集，输入至所述第一测试集，输出180个尺寸类别，将所述第一测试集输出的尺寸类别与原本所述第一测试集的尺寸类别比对，验证所述第一网络模型识别单微裂纹尺寸的准确性；剩余的180个所述二维数据组成测试二维数据集，输入至所述第二测试集，输出180个角度类别，将所述第二测试集输出的角度类别与原本所述第二测试集的角度类别比对，验证所述第二网络模型识别单微裂纹角度的准确性。
在一优选实施例中，所述一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到，包括以下步骤：
选取所述单微裂纹模型的一个阵元通道作为目标阵元通道，不同单微裂纹模型所选取的目标阵元通道的位置相同；
对所述目标阵元通道的原始信号进行低通滤波和带通滤波，至少得到三倍频时域信号；
将所述三倍频时域信号作为所述单微裂纹模型的所述一维数据。
在一优选实施例中，所述二维数据通过对单微裂纹模型的所有阵元通道的原始信号处理，将所述单微裂纹模型处理后所有阵元通道的信号并联融合得到，包括以下步骤：
对所有阵元通道的所述原始信号进行低通滤波和带通滤波，至少得到零频时域信号；
将所有阵元通道的所有所述零频时域信号并联融合作为所述单微裂纹模型的二维数据。
具体地，对于每个所述单微裂纹模型进行超声波作用，将每个所述单微裂纹模型的所述原始信号进行低通滤波和带通滤波处理，每一个所述阵元通道的原始信号、零频时域信号、二倍频时域信号和三倍频时域信号4组数据集，对数据归一化，存储4组数据集，为输入一维神经网络和二维神经网络做准备。
具体地，对所述单微裂纹模型超声波作用，对其进行低通滤波和带通滤波，选取每个所述单微裂纹模型的所述目标阵元通道的所述三倍频时域信号作为该所述单微裂纹模型的所述一维数据，将每个所述单微裂纹模型的所有阵元通道对应的所述零频时域信号并联融合，形成该所述单微裂纹模型的所述二维数据；相应的，获取所述一维待测数据，所述二维待测数据的方式为针对所述待测的单微裂纹模型做同样的处理得到。
具体地，对于构建所述第一网络模型而言，单阵元通道数据与全阵元通道的数据对单微裂纹尺寸类别识别的正确率几乎相近，但训练时间，单阵元通道数所用时间更短，其中三倍频时域信号的单通道数据识别结果最佳，尺寸级别的正确识别率可达99.44%，因此从存储的4组数据集中选取每个所述单微裂纹模型的所述目标阵元通道的所述三倍频时域信号作为该单微裂纹模型对应的所述一维数据。
具体地，对于构建所述第二网络模型而言，各时域信号作为所述一维神经网络和所述二维神经网络输入时，随着阵元通道数的增加，识别正确率明显增加，20个阵元通道的数据全部并联时对单微裂纹角度的正确识别率最高，其中零频时域信号为网络模型输入时，角度类别的识别正确率可达95%，因此从存储的4组数据集中选取每个所述单微裂纹模型的所有所述阵元通道的所述零频时域信号作为该单微裂纹对应的所述二维数据。
具体地，对于任意一个所述单微裂纹模型，该所述单微裂纹模型的所述目标阵元通道可为其多个所述阵元通道中的任意一个，但所有所述单微裂纹模型的所述目标阵元通道需选择位置相同的所述阵元通道，例如其中一个所述单微裂纹模型选择第二个阵元通道为所述目标阵元通道，其他的所述单微裂纹模型的所述目标阵元通道也为第二个阵元通道，所述一维数据集即为所有所述单微裂纹模型的第二个阵元通道的所述三倍频时域信号并联融合而成。
具体地，对各所述单微裂纹模型进行超声波作用，获得各所述单微裂纹模型各所述阵元通道的所述原始信号，对各所述原始信号进行低通滤波和带通滤波处理，得到所述零频时域信号、所述二倍频时域信号、所述三倍频时域信号，调取每个所述单微裂纹模型的所述目标阵元通道的所述三倍频时域信号，将调取的所有三倍频时域信号并联融合，获得所述一维数据集；再调取每个所述单微裂纹模型的所有所述阵元通道的所述零频时域信号，将调取的所有零倍频时域信号并联融合，获得所述二维数据集。
在一优选实施例中，所述单微裂纹尺寸类别的获取，包括以下步骤：
各所述单微裂纹模型的单微裂纹尺寸组成第一尺寸区间，所述第一尺寸区间内的任意相邻两个尺寸差值相同；基于所述第一尺寸区间，每间隔第一预设阈值划分一个所述单微裂纹尺寸类别。
具体地，所述第一尺寸区间为0.05mm-1mm，步长设置为0.05mm，即任意相邻两个尺寸差值为0.05mm，所述第一尺寸区间共分为20个尺寸，间隔0.2mm设置为一个尺寸类别，为5个标签，即为5个尺寸类别，每个标签（尺寸类别）里包括四个尺寸值，所述第一预设阈值为0.2mm。
在一优选实施例中，所述单微裂纹角度类别的获取，包括以下步骤：
各所述单微裂纹模型的单微裂纹角度组成第一角度区间，所述第一角度区间内的任意相邻两个角度差值相同；基于所述第一角度区间，每间隔第二预设阈值划分一个所述单微裂纹角度类别。
具体地，所述第一角度区间为5°-180°,步长设置为5°，即任意相邻两个尺寸差值为5°，所述第一角度区间共分为36个角度，间隔30°设置为一个角度类别，为6个标签，即为6个角度类别，每个标签（角度类别）里包括六个尺寸值，所述第二预设阈值为30°。
在一优选实施例中，所述一维神经网络至少包括：
一维神经网络第一结构，所述一维神经网络第一结构包括第一卷积层、第一激活函数层、第一池化层；
一维神经网络第二结构，所述一维神经网络第二结构包括第二卷积层、第二激活函数层、第二池化层及第一Dropout层；
一维神经网络第三结构，所述一维神经网络第三结构包括第一压平层及第二Dropout层；
一维神经网络第四结构，所述一维神经网络第四结构包括第一全连接层、第一激活层、第三Dropout层和第一输出层。
具体地，所述第一卷积层包括16个尺寸为1×5的卷积核，滑动步长设置为3，所述第一池化层的下采样尺寸为1×3；所述第二卷积层包括32个尺寸为1×3的卷积核，滑动步长设置为2，所述第二池化层的下采样尺寸为1×2。
在一优选实施例中，所述二维神经网络至少包括：
二维神经网络第一结构，所述二维神经网络第一结构包括第三卷积层、第三激活函数层、第三池化层；
二维神经网络第二结构，所述二维神经网络第二结构包括第四卷积层、第四激活函数层、第四池化层；
二维神经网络第三结构，所述二维神经网络第三结构包括第五卷积层、第六卷积层、第五激活函数层和第五池化层；
二维神经网络第四结构，所述二维神经网络第四结构包括第二压平层及第四Dropout层；
二维神经网络第五结构，所述二维神经网络第五结构包括第二全连接层、第二激活层、第五Dropout层和第二输出层。
具体地，所述第三卷积层包括16个尺寸为5×5的卷积核，滑动步长设置为3，所述第三池化层的下采样尺寸为2×2；所述第四卷积层包括32个尺寸为3×3的卷积核，滑动步长设置为2，所述第四池化层的下采样尺寸为2×2；所述第五卷积层和所述第六卷积层包括64个尺寸为3×3的卷积核，滑动步长设置为2，所述第五池化层的下采样尺寸为2×2；卷积的填充方式采用same，使边缘特征也能有效提取。
在一优选实施例中，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第一全连接层、所述第二全连接层后均连接激活函数ReLU。
具体地，所述第一输出层和所述第二输出层使用的激活函数为Softmax。
在一优选实施例中，所述第一Dropout层、所述第二Dropout层、所述第三Dropout层、所述第四Dropout层、所述第五Dropout层设置随机丢弃神经元的比例为20%。
具体地，卷积层和全连接层后均连接激活函数ReLU，输出层使用激活函数Softmax。Dropout层用来减少过拟合，比率设置均为20％。
综上，该方法通过深度学习与非线性超声无损检测技术的结合，可以实现对同一类型微裂纹的不同尺寸等级以及不同角度等级的定量识别，综合所述一维神经网络和所述二维神经网络识别出的裂纹尺寸等级和角度等级，综合识别正确率为95%。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其他场合的，均应视为本发明的保护范围。

Claims (7)

1.一种单微裂纹定量识别方法，其特征在于，包括以下步骤：
获取第一样本集；所述第一样本集包括对应不同单微裂纹模型的一维数据和单微裂纹尺寸类别；所述一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到；所述阵元通道的原始信号通过对所述单微裂纹模型进行超声波作用后生成；
以所述一维数据作为一维神经网络的输入，以所述尺寸类别作为所述一维神经网络的输出，对所述一维神经网络进行训练，得到第一网络模型；
获取待测的单微裂纹模型的一维待测数据；所述一维待测数据通过对所述待测的单微裂纹模型的一个阵元通道的原始信号处理得到；
将所述一维待测数据输入至所述第一网络模型中，得到所述待测的单微裂纹模型的单微裂纹尺寸类别；
获取第二样本集；所述第二样本集包括对应不同单微裂纹模型的二维数据和单微裂纹角度类别；所述二维数据通过对单微裂纹模型的所有阵元通道的原始信号处理，再将处理后的所有阵元通道的信号并联融合得到；
以所述二维数据作为二维神经网络的输入，以所述角度类别作为所述二维神经网络的输出，对所述二维神经网络进行训练，得到第二网络模型；
获取待测的单微裂纹模型的二维待测数据，所述二维待测数据通过对所述待测的单微裂纹模型的所有阵元通道的原始信号处理，再将处理后的所有阵元通道的信号并联融合得到；
将所述二维待测数据输入至所述第二网络模型中，得到所述待测的单微裂纹模型的单微裂纹角度类别；
所述一维数据通过对单微裂纹模型的一个阵元通道的原始信号处理得到，包括以下步骤：
选取所述单微裂纹模型的一个阵元通道作为目标阵元通道，不同单微裂纹模型所选取的目标阵元通道的位置相同；
对所述目标阵元通道的原始信号进行低通滤波和带通滤波，至少得到三倍频时域信号；
将所述三倍频时域信号作为所述单微裂纹模型的所述一维数据；
所述二维数据通过对单微裂纹模型的所有阵元通道的原始信号处理，将所述单微裂纹模型处理后所有阵元通道的信号并联融合得到，包括以下步骤：
对所有阵元通道的所述原始信号进行低通滤波和带通滤波，至少得到零频时域信号；
将所有阵元通道的所有所述零频时域信号并联融合作为所述单微裂纹模型的二维数据。
2.根据权利要求1所述的单微裂纹定量识别方法，其特征在于，所述单微裂纹尺寸类别的获取，包括以下步骤：
各所述单微裂纹模型的单微裂纹尺寸组成第一尺寸区间，所述第一尺寸区间内的任意相邻两个尺寸差值相同；基于所述第一尺寸区间，每间隔第一预设阈值划分一个所述单微裂纹尺寸类别。
3.根据权利要求1所述的单微裂纹定量识别方法，其特征在于，所述单微裂纹角度类别的获取，包括以下步骤：
各所述单微裂纹模型的单微裂纹角度组成第一角度区间，所述第一角度区间内的任意相邻两个角度差值相同；基于所述第一角度区间，每间隔第二预设阈值划分一个所述单微裂纹角度类别。
4.根据权利要求1所述的单微裂纹定量识别方法，其特征在于，所述一维神经网络至少包括：
一维神经网络第一结构，所述一维神经网络第一结构包括第一卷积层、第一激活函数层、第一池化层；
一维神经网络第二结构，所述一维神经网络第二结构包括第二卷积层、第二激活函数层、第二池化层及第一Dropout层；
一维神经网络第三结构，所述一维神经网络第三结构包括第一压平层及第二Dropout层；
一维神经网络第四结构，所述一维神经网络第四结构包括第一全连接层、第一激活层、第三Dropout层和第一输出层。
5.根据权利要求4所述的单微裂纹定量识别方法，其特征在于，所述二维神经网络至少包括：
二维神经网络第一结构，所述二维神经网络第一结构包括第三卷积层、第三激活函数层、第三池化层；
二维神经网络第二结构，所述二维神经网络第二结构包括第四卷积层、第四激活函数层、第四池化层；
二维神经网络第三结构，所述二维神经网络第三结构包括第五卷积层、第六卷积层、第五激活函数层和第五池化层；
二维神经网络第四结构，所述二维神经网络第四结构包括第二压平层及第四Dropout层；
二维神经网络第五结构，所述二维神经网络第五结构包括第二全连接层、第二激活层、第五Dropout层和第二输出层。
6.根据权利要求5所述的单微裂纹定量识别方法，其特征在于，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层、所述第一全连接层、所述第二全连接层后均连接激活函数ReLU。
7.根据权利要求5所述的单微裂纹定量识别方法，其特征在于，所述第一Dropout层、所述第二Dropout层、所述第三Dropout层、所述第四Dropout层、所述第五Dropout层设置随机丢弃神经元的比例为20%。
CN202310861017.5A 2023-07-14 2023-07-14 一种单微裂纹定量识别方法 Active CN116609441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310861017.5A CN116609441B (zh) 2023-07-14 2023-07-14 一种单微裂纹定量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310861017.5A CN116609441B (zh) 2023-07-14 2023-07-14 一种单微裂纹定量识别方法

Publications (2)

Publication Number Publication Date
CN116609441A CN116609441A (zh) 2023-08-18
CN116609441B true CN116609441B (zh) 2023-09-26

Family

ID=87685651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310861017.5A Active CN116609441B (zh) 2023-07-14 2023-07-14 一种单微裂纹定量识别方法

Country Status (1)

Country Link
CN (1) CN116609441B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109283247A (zh) * 2018-09-20 2019-01-29 华东理工大学 材料微裂纹扩展尺寸的超声无损检测方法
CN110363746A (zh) * 2019-06-13 2019-10-22 西安交通大学 一种基于卷积神经网络的超声无损检测信号分类方法
CN113418990A (zh) * 2021-06-07 2021-09-21 河北工业大学 一种纵波横波一体化相控阵探头及基于其的缺陷检测方法
CN115356397A (zh) * 2022-08-23 2022-11-18 福建农林大学 基于声音信号的钢管混凝土结构脱空缺陷诊断方法及装置
CN115587291A (zh) * 2022-09-26 2023-01-10 华中科技大学 一种基于裂纹超声散射矩阵的去噪表征方法及系统
CN115753986A (zh) * 2022-11-15 2023-03-07 华东理工大学 基于相对值及数据驱动的非线性超声导波裂纹定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109283247A (zh) * 2018-09-20 2019-01-29 华东理工大学 材料微裂纹扩展尺寸的超声无损检测方法
CN110363746A (zh) * 2019-06-13 2019-10-22 西安交通大学 一种基于卷积神经网络的超声无损检测信号分类方法
CN113418990A (zh) * 2021-06-07 2021-09-21 河北工业大学 一种纵波横波一体化相控阵探头及基于其的缺陷检测方法
CN115356397A (zh) * 2022-08-23 2022-11-18 福建农林大学 基于声音信号的钢管混凝土结构脱空缺陷诊断方法及装置
CN115587291A (zh) * 2022-09-26 2023-01-10 华中科技大学 一种基于裂纹超声散射矩阵的去噪表征方法及系统
CN115753986A (zh) * 2022-11-15 2023-03-07 华东理工大学 基于相对值及数据驱动的非线性超声导波裂纹定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CNN-based Deep Learning Approach for Micro-crack Detection of Solar Panels;Md. Raqibur Rahman等;《3rd International Conference on Sustainable Technologies for Industry 4.0 (STI)》;全文 *
卷积神经网络的缺陷类型识别分析;高子洋等;《应用声学》;第41卷(第2期);第301-309页 *

Also Published As

Publication number Publication date
CN116609441A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN113362326B (zh) 一种电池焊点缺陷的检测方法及装置
CN107909564B (zh) 一种基于深度学习的全卷积网络图像裂纹检测方法
CN111699499B (zh) 检查、图像识别、识别器生成系统及学习数据生成装置
CN109858408B (zh) 一种基于自编码器的超声信号处理方法
CN110619691B (zh) 一种板坯表面裂纹的预测方法及装置
CN112668382A (zh) 一种基于支持向量机的钢锭中缺陷超声信号识别方法
CN111351860A (zh) 基于Faster R-CNN的木材内部缺陷检测方法
CN115420806A (zh) 一种基于神经网络及图像融合的无损超声检测方法
CN111754463A (zh) 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法
CN111597705A (zh) 一种轴承裂纹预测模型的构建方法及装置
CN115908142B (zh) 一种基于视觉识别的接触网微小部件验损方法
CN103886332A (zh) 一种检测与识别金属网栅缺陷的方法
CN111709775A (zh) 一种房产价格评估方法、装置、电子设备及存储介质
CN116609441B (zh) 一种单微裂纹定量识别方法
CN105223140A (zh) 同源物质的快速识别方法
CN114186624A (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
CN113887454A (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
CN116626050A (zh) 一种基于图像识别的木材分类系统
JPH05302897A (ja) 表面検査装置
CN102725631A (zh) 改进分类性能的群集分析系统和方法
CN112240910B (zh) 一种磁致伸缩导波拓扑信号处理方法及无损检测方法
CN115601293A (zh) 对象检测方法、装置、电子设备及可读存储介质
CN110443301B (zh) 一种基于双层特征分类的液态危险品识别方法
CN113326896A (zh) 一种基于多类型传感器的融合感知方法
Konovalenko et al. Using fuzzy sets to estimate the geometric parameters of surface damage

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