CN117851940A - 一种超声导波损伤检测方法、装置、电子设备及存储介质 - Google Patents
一种超声导波损伤检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117851940A CN117851940A CN202410264348.5A CN202410264348A CN117851940A CN 117851940 A CN117851940 A CN 117851940A CN 202410264348 A CN202410264348 A CN 202410264348A CN 117851940 A CN117851940 A CN 117851940A
- Authority
- CN
- China
- Prior art keywords
- damage
- module
- fine granularity
- depth
- classification
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 58
- 238000010606 normalization Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 3
- 230000003902 lesion Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本公开提供了一种超声导波损伤检测方法、装置、电子设备及存储介质,通过将目标回波信号输入至训练好的多标签分类网络,经过第一基础模块的卷积处理后,通过第一细粒度模块提取损伤类型特征;在第一基础模块的卷积处理之后,通过第二基础模块与第二细粒度模块提取损伤深度特征;在第二基础模块的卷积处理之后,通过第三基础模块与第三细粒度模块提取损伤大小特征;多标签分类网络通过对应通道分别输出目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。可以实现高准确度的损伤类型分类,同时通过设计层次多标签网络框架,将信号分为损伤类型‑损伤深度‑损伤大小三层标签,能够实现更精细化的细粒度损伤分类。
Description
技术领域
本公开涉及损伤检测技术领域,具体而言,涉及一种超声导波损伤检测方法、装置、电子设备及存储介质。
背景技术
超声导波损伤检测技术已经被广泛应用于土木、机械和航空航天等领域。典型的超声导波检测系统包括一个与待检测试件相连的换能器,换能器激发导波信号在试件中传播,试件的损伤与导波相互作用,导致波场出现差异,反映在传感器接收的回波信号中,通过分析信号可以检测不同的损伤类型。
从导波信号中检测损伤的方法主要分为三类:传统信号处理方法、基于机器学习和基于深度学习的方法。由于导波的传播具有多模态和频散的特点,导致信号复杂,给传统信号处理方法带来困难。基于机器学习的数据驱动模型可以捕捉隐藏在训练样本中的特征,但在很大程度上依赖于有效的人工特征选择和提取。基于深度学习的方法能够通过隐藏层从原始导波信号中自动提取高级特征信息,取代了传统机器学习方法中普遍采用的人工特征提取,近年来得到了研究人员的广泛关注。
当前基于深度学习的方法主要采用GFresNet网络,但是由于网络输入为原始数据经过VMD提取后的数据,提取过程复杂,并且提取过程会丢失部分损伤信息,并且该网络的分类精度受损伤深度影响大,损伤深度较浅时分类准确度低,同时只能检测损伤的类型,忽略了更精细的分类标签,例如损伤的深度和大小。
发明内容
本公开实施例至少提供一种超声导波损伤检测方法、装置、电子设备及存储介质,可以实现高准确度的损伤类型分类,同时通过设计层次多标签网络框架,将信号分为损伤类型-损伤深度-损伤大小三层标签,能够实现更精细化的细粒度损伤分类。
本公开实施例提供了一种超声导波损伤检测方法,包括:
获取针对待测目标施加超声导波后的目标回波信号;
将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;
在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;
在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;
根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
一种可选的实施方式中,所述第一基础模块、所述第二基础模块以及所述第三基础模块的通道数依次递增;
所述第一细粒度模块、所述第二细粒度模块以及所述第三细粒度模块的通道数依次递增。
一种可选的实施方式中,所述第一细粒度模块与所述第二细粒度模块之间设置第一残差连接;
所述第二细粒度模块与所述第三细粒度模块之间设置第二残差连接。
一种可选的实施方式中,所述第一残差连接的通道数与所述第二细粒度模块相同;
所述第二残差连接的通道数与所述第三细粒度模块相同。
一种可选的实施方式中,基于以下步骤训练所述多标签分类网络:
获取样本回波信号集,并为样本回波信号标签标记多种损伤类型标签;
针对每种损伤类型标签,在该种损伤类型标签的层次下,标记对应的损伤深度标签;
针对每种损伤深度标签,在该种损伤深度标签的层次下,标记对应的损伤大小标签;
将所述样本回波信号集输入至所述多标签分类网络,获取对应的所述损伤类型分类概率、所述损伤深度分类概率以及所述损伤大小分类概率;
针对每种分类概率,分别计算该种分类概率与对应标签之间的交叉熵损失函数;
将每种交叉熵损失函数与对应的预设权重加权求和,确定目标损失函数,其中,损伤类型对应预设权重高于损伤深度对应预设权重,损伤深度对应预设权重高于损伤大小对应预设权重。
一种可选的实施方式中,基础模块,包括依次连接的两个具有相同结构的ResNet风格模块以及最大池化层;
所述ResNet风格模块中,包括依次连接的具有批归一化函数与ReLU激活函数的第一卷积层、具有批归一化函数的第二卷积层,以及具有批归一化函数与ReLU激活函数的线性层;
所述第一卷积层的输入与所述第二卷积层的输出之间设置有残差连接。
一种可选的实施方式中,细粒度模块,包括依次连接的两个具有批归一化函数与ReLU激活函数的卷积层、自适应平均池化层,以及具有批归一化函数的线性层、具有批归一化函数与ELU激活函数的线性层。
本公开实施例还提供一种超声导波损伤检测装置,包括:
获取模块,用于获取针对待测目标施加超声导波后的目标回波信号;
损伤类型特征提取模块,用于将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;
损伤深度特征提取模块,用于在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;
损伤大小特征提取模块,用于在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;
分类概率确定模块,用于根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
本公开实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述超声导波损伤检测方法,或上述超声导波损伤检测方法中任一种可能的实施方式中的步骤。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述超声导波损伤检测方法,或上述超声导波损伤检测方法中任一种可能的实施方式中的步骤。
本公开实施例还提供一种计算机程序产品,包括计算机程序/指令,该计算机程序、指令被处理器执行时实现上述超声导波损伤检测方法,或上述超声导波损伤检测方法中任一种可能的实施方式中的步骤。
本公开实施例提供的一种超声导波损伤检测方法、装置、电子设备及存储介质,通过获取针对待测目标施加超声导波后的目标回波信号;将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。可以实现高准确度的损伤分类,同时通过设计层次多标签网络框架,将信号分为损伤类型-损伤深度-损伤大小三层标签,能够实现更精细化的细粒度损伤分类。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种超声导波损伤检测方法的流程图;
图2示出了本公开实施例所提供一种基础模块的示意图;
图3示出了本公开实施例所提供的一种细粒度模块的示意图;
图4示出了本公开实施例所提供的一种多标签分类网络的示意图;
图5示出了本公开实施例所提供的一种不同标签层级类别之间的具体关系示意图;
图6示出了本公开实施例所提供的一种超声导波损伤检测装置的示意图;
图7示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现,当前基于深度学习的方法主要采用GFresNet网络,但是由于网络输入为原始数据经过VMD提取后的数据,提取过程复杂,并且提取过程会丢失部分损伤信息,并且该网络的分类精度受损伤深度影响大,损伤深度较浅时分类准确度低,同时只能检测损伤的类型,忽略了更精细的分类标签,例如损伤的深度和大小。
基于上述研究,本公开提供了一种超声导波损伤检测方法、装置、电子设备及存储介质,通过获取针对待测目标施加超声导波后的目标回波信号;将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。可以实现高准确度的损伤类型分类,同时通过设计层次多标签网络框架,将信号分为损伤类型-损伤深度-损伤大小三层标签,能够实现更精细化的细粒度损伤分类。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种超声导波损伤检测方法进行详细介绍,本公开实施例所提供的超声导波损伤检测方法的执行主体一般为具有一定计算能力的计算机设备,该计算机设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该超声导波损伤检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示,为本公开实施例提供的一种超声导波损伤检测方法的流程图,所述方法包括步骤S101~S105,其中:
S101、获取针对待测目标施加超声导波后的目标回波信号。
在具体实施中,向需要进行损伤检测的设备等待测目标施加超声导波信号,并在待测目标的预设回波接收点位置处,接收目标回波信号。
S102、将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征。
在具体实施中,将获取到的目标回波信号输入至预先训练好的多标签分类网络中,在多标签分类网络中,目标回波信号首先经过一个16通道的1×7卷积层的卷积处理,该卷积层包括批归一化(Batch normalization, BN)函数、ReLU激活函数以及最大池化层,之后,送入第一基础模块进行卷积处理,第一基础模块用于提取损伤类型标签、损伤深度标签以及损伤大小标签之间共有的基本特征。
这里,批归一化函数用于规范化神经网络中的输入,加速网络的训练过程,表达式为:
其中,和/>分别表示第/>层批归一化前后的输出,/>表示批均值,/>表示批方差,/>为常数。
这里,ReLU激活函数用于引入非线性特性,增加网络的表达能力,表达式为:
其中,和/>分别为ReLU激活函数的输入和输出。
这里,最大池化层从输入的局部区域中提取最大值,以保留最显著的特征。用于减小输入数据的空间尺寸,减少模型的参数数量,以及提取图像中的关键特征。
需要说明的是,在16通道的1×7卷积层之后,可以依次设置有两个第一基础模块,其中,第一个第一基础模块可以为16通道,第二个第一基础模块可以为32通道。
进一步的,在经过第一基础模块的卷积处理后,由通过预设的第一细粒度模块提取损伤类型特征,第一细粒度模块用于提取针对损伤类型标签的专用特征。
可选的,第一细粒度模块可以为64通道。
作为一种可能的实施方式,参见图2所示,为本公开实施例提供的一种基础模块的示意图。
具体的,基础模块包括依次连接的两个具有相同结构的ResNet风格模块以及最大池化层;ResNet风格模块中,包括依次连接的具有批归一化函数与ReLU激活函数的第一卷积层、具有批归一化函数的第二卷积层,以及具有批归一化函数与ReLU激活函数的线性层;第一卷积层的输入与第二卷积层之间设置有残差连接。
这里,基础模块由两个相同结构的ResNet风格模块和一个最大池化层组成,ResNet风格模块改编自ResNet34,包括两个1×3卷积层、BN,ReLU和残差连接。ResNet风格模块在卷积层输入和输出之间添加了残差连接,使得网络可以学习恒等映射,从而解决了梯度消失和梯度爆炸问题。
其中,残差连接的原理如下:
其中,是ResNet风格模块的输出,/>为输入,/>为特征变换,/>通过卷积使输入通道数等于输出通道数。
这样,残差连接改善了深度神经网络的训练过程,使得可以构建更深、更复杂的网络结构。
作为一种可能的实施方式,参见图3所示,为本公开实施例提供的一种细粒度模块的示意图。
具体的,细粒度模块包括依次连接的两个具有批归一化函数与ReLU激活函数的卷积层、自适应平均池化层,以及具有批归一化函数的线性层、具有批归一化函数与ELU激活函数的线性层。
这里,细粒度模块用来提取各层标签的特有的专用特征,该模块由两个卷积层、一个自适应平均池化层和两个线性层组成。
其中,自适应平均池化层通过动态调整池化窗口,使输入数据在不同尺寸上进行平均池化,以产生指定的输出尺寸。作用是允许动态调整池化窗口,以产生固定大小的输出,从而提高模型的泛化能力和灵活性。
进一步的,ELU激活函数综合了对抗梯度消失和梯度爆炸的优点,使得在神经网络中更容易训练深层模型,表达式为:
其中,和/>分别为ELU激活函数的输入和输出;/>代表超参数。
S103、在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征。
在具体实施中,在第一基础模块的卷积处理之后,多标签分类网络还设置有与第一细粒度模块并行的第二基础模块与第二细粒度模块,第二基础模块与第二细粒度模块用于提取分类损伤深度标签专用的损伤深度特征。
这里,第二基础模块与第一基础模块的结构相同,可以为64通道;第二细粒度模块与第一细粒度模块的结构相同,可以为128通道。
S104、在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征。
在具体实施中,在第二基础模块的卷积处理之后,多标签分类网络还设置有与第一细粒度模块、第二细粒度模块并行的第三基础模块与第三细粒度模块,第三基础模块与第三细粒度模块用于提取分类损伤大小标签专用的损伤大小特征。
这里,第二基础模块与第一基础模块、第二基础模块的结构相同,可以为128通道;第三细粒度模块与第一细粒度模块、第二细粒度模块的结构相同,可以为256通道。
需要说明的是,第一基础模块、第二基础模块以及第三基础模块的通道数依次递增;第一细粒度模块、第二细粒度模块以及第三细粒度模块的通道数依次递增。
作为一种可能的实施方式,第一细粒度模块与第二细粒度模块之间设置第一残差连接;第二细粒度模块与第三细粒度模块之间设置第二残差连接。
这里,第一残差连接的通道数与第二细粒度模块相同;第二残差连接的通道数与第三细粒度模块相同。优选的,第一残差连接可以为128通道,第二残差连接可以为256通道。
在具体实施中,损伤类型标签、损伤深度标签以及损伤大小标签归属于不同的层级,损伤深度标签为损伤类型标签的子类,损伤大小标签为损伤深度标签的子类,残差连接用来将精细级子类的特征与粗略级父类的特征进行融合,使得子类不仅具有本身独有的特征,而且还将继承其父类的特征。
S105、根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
在具体实施中,多标签分类网络设置有三个输出通道,分别对应根据损伤类型特征、损伤深度特征以及损伤大小特征的分类概率计算,输出损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
这里,针对每个输出通道,采用线性层以及softmax函数相连接的结构,softmax函数用于神经网络的输出层,以将网络的原始输出转换为类别概率,表达式为:
其中,为线性层的输出,/>和/>分别为/>的第/>和第/>列元素,/>为类别数。softmax的输出是输入/>被正确归类为标签的概率。
作为一种可能的实施方式,参见图4所示,为本公开实施例提供的一种多标签分类网络的示意图。基于以下步骤1-步骤4训练多标签分类网络:
步骤1、获取样本回波信号集,并为样本回波信号标签标记多种损伤类型标签;针对每种损伤类型标签,在该种损伤类型标签的层次下,标记对应的损伤深度标签;针对每种损伤深度标签,在该种损伤深度标签的层次下,标记对应的损伤大小标签。
步骤2、将所述样本回波信号集输入至所述多标签分类网络,获取对应的所述损伤类型分类概率、所述损伤深度分类概率以及所述损伤大小分类概率;
步骤3、针对每种分类概率,分别计算该种分类概率与对应标签之间的交叉熵损失函数;
步骤4、将每种交叉熵损失函数与对应的预设权重加权求和,确定目标损失函数,其中,损伤类型对应预设权重高于损伤深度对应预设权重,损伤深度对应预设权重高于损伤大小对应预设权重。
在具体实施中,样本回波信号集可以包括仿真数据以及真实数据。
其中,针对仿真数据,使用有限元仿真软件搭建了实验平台,用于生成具有不同损伤类型、深度和大小的导波信号,用这些信号构建了仿真数据集。
示例性的,以铝(6061)板为例,建立了尺寸为80mm×80mm×1.2mm的三维有限元模型,铝板边缘设置了低反射边界,以模拟无限大平板。为了模拟不同的损伤情况进行分类,在铝板上设置了无损状态以及3种代表性的损伤类型,包括针孔、裂纹和腐蚀。在损伤类型的基础上设置了5种不同的损伤深度(10%,20%,30%,40%,50%板厚)。在深度的基础上设置了5种不同的损伤大小(例如10%的孔洞损伤,损伤半径分别设置为0.4mm, 0.8mm,1.2mm,1.6mm,2.0mm)。中心频率为1MHz的10周期突发信号被施加在(0mm,-20mm)处作为激励源,接收点被放置在(20mm,-20mm)。采样频率设置为40MHz。
其中,针对真实数据,获取设置了无损状态以及3种代表性的损伤类型,包括针孔、裂纹和腐蚀。在损伤类型的基础上设置了5种不同的损伤深度(10%,20%,30%,40%,50%板厚)。在深度的基础上设置了6种不同的损伤大小(例如10%的孔洞损伤,损伤半径分别设置为0.5mm, 1mm,1.5mm,2mm,2.5mm,3mm)的数据集作为训练数据集。
进一步的,在获取不同损伤情况的样本回波信号后,通过绝对值归一化、最小值抑制、虚拟缺陷转换、缩放、数据裁剪等方法对数据进行扩充,扩充到40倍的数据量,以防止深度学习的过拟合。
之后,将数据标记为损伤类型-损伤深度-损伤大小三层标签。参见图5所示,为本公开实施例提供的一种不同标签层级类别之间的具体关系示意图。
进一步的,将获取到的样本回波信号集按照预设比例划分训练集与测试集。
在具体实施中,针对多标签分类网络三个输出通道分别计算交叉熵损失函数后,将三个损失函数线性加权后相加以计算总损失。交叉熵损失函数用于衡量两个概率分布之间的差异,在训练神经网络时用于评估模型输出的概率分布与实际标签之间的差异,表达式为:
其中,代表交叉熵损失函数;/>表示预测得到的样本分布,/>表示真实的样本分布。
这里,多标签分类网络设置了三个输出通道:损伤类型、损伤深度和损伤大小,分别计算损伤类型分类概率、损伤深度分类概率和损伤大小分类概率对应的交叉熵损失函数后,将三个损失函数线性加权后相加以计算总损失,表达式为:
其中,、/>和/>分别是为三个输出通道的权重参数;/>代表目标损失函数,、/>和/>分别代表损伤类型分类概率、损伤深度分类概率和损伤大小分类概率对应的交叉熵损失函数。
这里,由于损伤大小是损伤深度的子类,损伤深度又是损伤类型的子类,而父类的分类准确度会影响子类的效果,因此给父类设置更高的权重,保证在父类高准确度的前提下再训练子类。
优选的,设置、/>和/>分别为1.4、1.2和1.0。
作为一种可能的实施方式,在进行模型训练时,选择随机梯度下降(StochasticGradient Descent,SGD)优化器。SGD是一种简单而有效的优化算法,它在每次迭代中使用单个示例来更新模型参数。由于所提出模型结构较复杂,使用SGD优化器能够使模型较快速地收敛,并且避免过拟合。
这里,SGD优化器的参数设置如下:学习率为0.0002,用于控制每次迭代中参数更新的步长;动量为0.9,用于加速SGD在相关方向上的移动,并减少震荡;权重衰减为5e-4,用于对参数进行惩罚以防止过拟合。
本公开实施例提供的一种超声导波损伤检测方法,通过获取针对待测目标施加超声导波后的目标回波信号;将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。可以实现高准确度的损伤分类,同时通过设计层次多标签网络框架,将信号分为损伤类型-损伤深度-损伤大小三层标签,能够实现更精细化的细粒度损伤分类。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与超声导波损伤检测方法对应的超声导波损伤检测装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述超声导波损伤检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图6,图6为本公开实施例提供的一种超声导波损伤检测装置的示意图。如图6中所示,本公开实施例提供的超声导波损伤检测装置600包括:
获取模块610,用于获取针对待测目标施加超声导波后的目标回波信号。
损伤类型特征提取模块620,用于将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征。
损伤深度特征提取模块630,用于在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征。
损伤大小特征提取模块640,用于在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征。
分类概率确定模块650,用于根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本公开实施例提供的一种超声导波损伤检测装置,通过获取针对待测目标施加超声导波后的目标回波信号;将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。可以实现高准确度的损伤类型分类,同时通过设计层次多标签网络框架,将信号分为损伤类型-损伤深度-损伤大小三层标签,能够实现更精细化的细粒度损伤分类。
对应于图1中的超声导波损伤检测方法,本公开实施例还提供了一种电子设备700,如图7所示,为本公开实施例提供的电子设备700结构示意图,包括:
处理器71、存储器72、和总线73;存储器72用于存储执行指令,包括内存721和外部存储器722;这里的内存721也称内存储器,用于暂时存放处理器71中的运算数据,以及与硬盘等外部存储器722交换的数据,处理器71通过内存721与外部存储器722进行数据交换,当所述电子设备700运行时,所述处理器71与所述存储器72之间通过总线73通信,使得所述处理器71执行图1中的超声导波损伤检测方法的步骤。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的超声导波损伤检测方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品,该计算机程序产品包括有计算机指令,所述计算机指令被处理器执行时可以执行上述方法实施例中所述的超声导波损伤检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种超声导波损伤检测方法,其特征在于,包括:
获取针对待测目标施加超声导波后的目标回波信号;
将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;
在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;
在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;
根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
2.根据权利要求1所述的方法,其特征在于:
所述第一基础模块、所述第二基础模块以及所述第三基础模块的通道数依次递增;
所述第一细粒度模块、所述第二细粒度模块以及所述第三细粒度模块的通道数依次递增。
3.根据权利要求1所述的方法,其特征在于:
所述第一细粒度模块与所述第二细粒度模块之间设置第一残差连接;
所述第二细粒度模块与所述第三细粒度模块之间设置第二残差连接。
4.根据权利要求3所述的方法,其特征在于:
所述第一残差连接的通道数与所述第二细粒度模块相同;
所述第二残差连接的通道数与所述第三细粒度模块相同。
5.根据权利要求1所述的方法,其特征在于,基于以下步骤训练所述多标签分类网络:
获取样本回波信号集,并为样本回波信号标签标记多种损伤类型标签;
针对每种损伤类型标签,在该种损伤类型标签的层次下,标记对应的损伤深度标签;
针对每种损伤深度标签,在该种损伤深度标签的层次下,标记对应的损伤大小标签;
将所述样本回波信号集输入至所述多标签分类网络,获取对应的所述损伤类型分类概率、所述损伤深度分类概率以及所述损伤大小分类概率;
针对每种分类概率,分别计算该种分类概率与对应标签之间的交叉熵损失函数;
将每种交叉熵损失函数与对应的预设权重加权求和,确定目标损失函数,其中,损伤类型对应预设权重高于损伤深度对应预设权重,损伤深度对应预设权重高于损伤大小对应预设权重。
6.根据权利要求1所述的方法,其特征在于:
基础模块,包括依次连接的两个具有相同结构的ResNet风格模块以及最大池化层;
所述ResNet风格模块中,包括依次连接的具有批归一化函数与ReLU激活函数的第一卷积层、具有批归一化函数的第二卷积层,以及具有批归一化函数与ReLU激活函数的线性层;
所述第一卷积层的输入与所述第二卷积层的输出之间设置有残差连接。
7.根据权利要求1所述的方法,其特征在于:
细粒度模块,包括依次连接的两个具有批归一化函数与ReLU激活函数的卷积层、自适应平均池化层,以及具有批归一化函数的线性层、具有批归一化函数与ELU激活函数的线性层。
8.一种超声导波损伤检测装置,其特征在于,包括:
获取模块,用于获取针对待测目标施加超声导波后的目标回波信号;
损伤类型特征提取模块,用于将所述目标回波信号输入至训练好的多标签分类网络,经过预设的第一基础模块的卷积处理后,通过预设的第一细粒度模块提取损伤类型特征;
损伤深度特征提取模块,用于在所述第一基础模块的卷积处理之后,通过预设的第二基础模块与第二细粒度模块提取损伤深度特征;
损伤大小特征提取模块,用于在所述第二基础模块的卷积处理之后,通过预设的第三基础模块与第三细粒度模块提取损伤大小特征;
分类概率确定模块,用于根据所述损伤类型特征、所述损伤深度特征以及所述损伤大小特征,通过对应通道分别输出所述目标回波信号对应的损伤类型分类概率、损伤深度分类概率以及损伤大小分类概率。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述的超声导波损伤检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7中任一项所述的超声导波损伤检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410264348.5A CN117851940B (zh) | 2024-03-08 | 2024-03-08 | 一种超声导波损伤检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410264348.5A CN117851940B (zh) | 2024-03-08 | 2024-03-08 | 一种超声导波损伤检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117851940A true CN117851940A (zh) | 2024-04-09 |
CN117851940B CN117851940B (zh) | 2024-06-18 |
Family
ID=90536577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410264348.5A Active CN117851940B (zh) | 2024-03-08 | 2024-03-08 | 一种超声导波损伤检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851940B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293552A1 (en) * | 2017-04-11 | 2018-10-11 | Alibaba Group Holding Limited | Image-based vehicle maintenance plan |
CN110567887A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 |
CN113160246A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院光电技术研究所 | 一种基于深度监督的图像语义分割方法 |
US20220412922A1 (en) * | 2021-06-23 | 2022-12-29 | Ecole De Technologies Superieure | Ultrasound testing of adhesive bonds |
CN116503612A (zh) * | 2023-06-26 | 2023-07-28 | 山东大学 | 基于多任务关联的风机叶片损伤识别方法与系统 |
CN116773654A (zh) * | 2023-06-08 | 2023-09-19 | 湖北工业大学 | 一种基于周向导波的管道缺陷智能检测装置及检测方法 |
CN117233266A (zh) * | 2022-06-02 | 2023-12-15 | 复旦大学 | 一种基于循环神经网络的全波形反演导波层析成像方法 |
-
2024
- 2024-03-08 CN CN202410264348.5A patent/CN117851940B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293552A1 (en) * | 2017-04-11 | 2018-10-11 | Alibaba Group Holding Limited | Image-based vehicle maintenance plan |
CN110567887A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 |
CN113160246A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院光电技术研究所 | 一种基于深度监督的图像语义分割方法 |
US20220412922A1 (en) * | 2021-06-23 | 2022-12-29 | Ecole De Technologies Superieure | Ultrasound testing of adhesive bonds |
CN117233266A (zh) * | 2022-06-02 | 2023-12-15 | 复旦大学 | 一种基于循环神经网络的全波形反演导波层析成像方法 |
CN116773654A (zh) * | 2023-06-08 | 2023-09-19 | 湖北工业大学 | 一种基于周向导波的管道缺陷智能检测装置及检测方法 |
CN116503612A (zh) * | 2023-06-26 | 2023-07-28 | 山东大学 | 基于多任务关联的风机叶片损伤识别方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117851940B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061843B (zh) | 一种知识图谱引导的假新闻检测方法 | |
CN104834747B (zh) | 基于卷积神经网络的短文本分类方法 | |
Djuric et al. | An MCMC sampling approach to estimation of nonstationary hidden Markov models | |
CN108831445A (zh) | 四川方言识别方法、声学模型训练方法、装置及设备 | |
CN111598214A (zh) | 一种基于图卷积神经网络的跨模态检索方法 | |
CN109117480A (zh) | 词预测方法、装置、计算机设备及存储介质 | |
CN106098059A (zh) | 可定制语音唤醒方法及系统 | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN113314100B (zh) | 口语测试的评估、结果显示方法、装置、设备及存储介质 | |
CN113094533B (zh) | 一种基于混合粒度匹配的图文跨模态检索方法 | |
CN112015901A (zh) | 文本分类方法及装置、警情分析系统 | |
CN111428511B (zh) | 一种事件检测方法和装置 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN110287354A (zh) | 一种基于多模态神经网络的高分遥感图像语义理解方法 | |
CN114462570A (zh) | 文本生成模型的训练方法、目标语料扩充方法及相关装置 | |
CN110850420B (zh) | 基于弹球损失的FisherSVM声纳信号判别方法 | |
CN112711032B (zh) | 一种基于图数据和gcn的雷达目标检测方法及系统 | |
CN117851940B (zh) | 一种超声导波损伤检测方法、装置、电子设备及存储介质 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
ES2239650T3 (es) | Identificacion y verificacion de interlocutores. | |
Nadakuditi | Applied stochastic eigen-analysis | |
CN116862760A (zh) | 图像转换模型的处理方法、装置、电子设备和存储介质 | |
CN115456867A (zh) | 一种数字岩心重构方法 | |
CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
CN114881029A (zh) | 基于混合神经网络的中文文本可读性评价方法 |
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 |