CN113706511A - 一种基于深度学习的复合材料损伤的检测方法 - Google Patents
一种基于深度学习的复合材料损伤的检测方法 Download PDFInfo
- Publication number
- CN113706511A CN113706511A CN202111013211.5A CN202111013211A CN113706511A CN 113706511 A CN113706511 A CN 113706511A CN 202111013211 A CN202111013211 A CN 202111013211A CN 113706511 A CN113706511 A CN 113706511A
- Authority
- CN
- China
- Prior art keywords
- damage
- composite material
- alexnet network
- deep learning
- detecting
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的复合材料损伤的检测方法,包括S1、使用ImageNet数据库的图像对AlexNet网络进行预训练;S2、从已有的复合材料的文献中收集复合材料的图像的数据集;S3、将数据集中75%的图像随机选择用于AlexNet网络训练,25%的图像被随机选择用于验证AlexNet网络;S4、调整训练好的AlexNet网络的学习速率,对复合材料损伤的类型和严重程度进行分类。本发明通过采用AlexNet网络训练模型代替人工目检和无损检测的方式对复合材料的损伤程度及类别进行检测,提高了检测的精度和效率,降低了检测的成本。
Description
技术领域
发明涉及一种基于深度学习的复合材料损伤的检测方法,属于自动视觉检测技术领域。
背景技术
复合材料具有比强度高、减振能力强、耐磨、耐疲劳、耐高温等优点。由于这些优异的性能,复合材料被广泛应用于民用、航空航天、汽车等不同领域。但复合材料有一个缺点就是易受损伤,这就可能导致材料疲劳寿命的降低或是灾难性的失效。对于复合材料的完整性和使用性能评估来说,识别损伤并通过适当的技术测量其损伤的程度的能力是至关重要的,因此针对复合材料的损伤而开发出行之有效的检测方法是亟需解决的问题。
现多数技术公司由于技术的原因,复合材料的损伤检测还是人工目检和无损检测技术,而这些检测的方法存在以下问题:(1)人工目检效率低下,检测的精度和准确性因人而异,工人检测时易受外界环境的影响,因此存在一定的风险。(2)无损检测一般检测成本比较高、耗时,检查时部件需停止工作,且不能对损伤的类型和程度作出辨别。
针对以上的不足,本发明提供了基于深度学习的复合材料损伤的检测方法,该方法能够代替人工目检和无损检测,提高了检测的精度和效率,降低了检测的成本。
发明内容
为解决上述技术问题,本发明的目的在于提供一种基于深度学习的复合材料损伤的检测方法,具体技术方案为:
一种基于深度学习的复合材料损伤的检测方法,包括如下步骤:
S1、使用ImageNet数据库的图像对AlexNet网络进行预训练;
S2、从已有的复合材料的文献中收集复合材料的图像的数据集;
S3、将数据集中75%的图像随机选择用于AlexNet网络训练,25%的图像被随机选择用于验证AlexNet网络;
S4、调整训练好的AlexNet网络的学习速率,对复合材料损伤的类型和严重程度进行分类。
优选的,所述AlexNet网络的架构包括5个卷积层、3个池化层、3个完全连接层和1个Softmax层。
优选的,所述S2中从复合材料的文献中收集的图像要求具有不同厚度、材料、叠层和纹理特征。
优选的,所述S2中收集的图像的类型包括未受损伤、冲击损伤、侵蚀、基体开裂和纤维断裂。
进一步的,所述冲击损伤的类型包括低能量冲击正面、高能量冲击正面、低能量冲击背面和高能量冲击背面四种类型。
优选的,所述S3中在训练和验证AlexNet网络前,先使用增强图像数据存储算法调整图像大小以满足AlexNet输入层的条件,即图像大小为227×227×3。
优选的,所述S3中训练AlexNet网络的初始学习速率调整为0.0002。
进一步的,所述S4中,调整训练好的AlexNet网络的学习速率为0.00005,用以实现基体开裂和纤维断裂的损伤分类;调整训练好的AlexNet网络的学习速率为0.0001,用以实现冲击损伤、侵蚀和未受损伤的分类。
本发明通过采用AlexNet网络训练模型代替人工目检和无损检测的方式对复合材料的损伤程度及类别进行检测,提高了检测的精度和效率,降低了检测的成本。
附图说明
图1是本发明一种基于深度学习的复合材料损伤的检测方法的流程示意图。
图2是本发明AlexNet网络的架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于深度学习的复合材料损伤的检测方法,包括如下步骤:
S1、使用ImageNet数据库的图像对AlexNet网络进行预训练;所述AlexNet网络的架构包括5个卷积层、3个池化层、3个完全连接层和1个Softmax层,如图2所示。
S2、从已有的具有不同厚度、材料、叠层、纹理等叠层复合材料的文献中收集复合材料的图像的数据集,图像的类型包括未受损伤、冲击损伤、侵蚀、基体开裂和纤维断裂,所述冲击损伤的类型又分为低能量冲击正面、高能量冲击正面、低能量冲击背面和高能量冲击背面四种类型。低能量冲击和高能量冲击损伤类型在视觉上可以区分,其中具有明显可见的纤维断裂图像被归类为高能量的图像。低能量冲击和高能量冲击损伤具体用来界定复合材料损伤的严重程度,低能量表达为严重程度弱,高能量表达为严重程度重。
收集的图像包含20、24、16、52、25、39、28和24幅图像的数据集,分别对应于基体开裂、纤维断裂、未受损伤、低能量冲击正面、高能量冲击正面、低能量冲击背面、高能量冲击背面和侵蚀。
S3、将数据集中75%的图像随机选择用于AlexNet网络训练,25%的图像被随机选择用于验证AlexNet网络;首先,使用增强图像数据存储算法调整图像大小以满足AlexNet输入层的条件(即图像大小为227×227×3)。然后,利用这些图像对AlexNet网络进行训练,初始学习速率为0.0002。训练完成后,通过验证AlexNet网络进行分类来评估网络的性能。
S4、调整训练好的AlexNet网络的学习速率,对复合材料损伤的类型和严重程度进行分类。调整训练好的AlexNet网络的学习速率为0.00005,用以实现基体开裂和纤维断裂的损伤分类;调整训练好的AlexNet网络的学习速率为0.0001,用以实现冲击损伤、侵蚀和未受损伤的分类,还可以区分击损伤的严重程度以及冲击损伤的正面和背面。
本发明采用训练AlexNet网络模型对复合材料的损伤类别及损伤的严重程度进行检测分类,代替了人工目检和无损检测,提高了检测的精度和效率,降低了检测的成本。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的复合材料损伤的检测方法,其特征在于:包括如下步骤:
S1、使用ImageNet数据库的图像对AlexNet网络进行预训练;
S2、从已有的复合材料的文献中收集复合材料的图像的数据集;
S3、将数据集中75%的图像随机选择用于AlexNet网络训练,25%的图像被随机选择用于验证AlexNet网络;
S4、调整训练好的AlexNet网络的学习速率,对复合材料损伤的类型和严重程度进行分类。
2.根据权利要求1所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述AlexNet网络的架构包括5个卷积层、3个池化层、3个完全连接层和1个Softmax层。
3.根据权利要求1所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述S2中从复合材料的文献中收集的图像要求具有不同厚度、材料、叠层和纹理特征。
4.根据权利要求1所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述S2中收集的图像的类型包括未受损伤、冲击损伤、侵蚀、基体开裂和纤维断裂。
5.根据权利要求4所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述冲击损伤的类型包括低能量冲击正面、高能量冲击正面、低能量冲击背面和高能量冲击背面四种类型。
6.根据权利要求1所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述S3中在训练和验证AlexNet网络前,先使用增强图像数据存储算法调整图像大小以满足AlexNet输入层的条件,即图像大小为227×227×3。
7.根据权利要求1所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述S3中训练AlexNet网络的初始学习速率调整为0.0002。
8.根据权利要求7所述的一种基于深度学习的复合材料损伤的检测方法,其特征在于:所述S4中,调整训练好的AlexNet网络的学习速率为0.00005,用以实现基体开裂和纤维断裂的损伤分类;调整训练好的AlexNet网络的学习速率为0.0001,用以实现冲击损伤、侵蚀和未受损伤的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013211.5A CN113706511A (zh) | 2021-08-31 | 2021-08-31 | 一种基于深度学习的复合材料损伤的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013211.5A CN113706511A (zh) | 2021-08-31 | 2021-08-31 | 一种基于深度学习的复合材料损伤的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706511A true CN113706511A (zh) | 2021-11-26 |
Family
ID=78658075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111013211.5A Pending CN113706511A (zh) | 2021-08-31 | 2021-08-31 | 一种基于深度学习的复合材料损伤的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706511A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611389A (zh) * | 2022-03-04 | 2022-06-10 | 北京航空航天大学 | 一种基于人工智能的复合材料失效高效模拟方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292333A (zh) * | 2017-06-05 | 2017-10-24 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
CN108549852A (zh) * | 2018-03-28 | 2018-09-18 | 中山大学 | 基于深度网络增强的特定场景下行人检测器自动学习方法 |
CN108614997A (zh) * | 2018-04-04 | 2018-10-02 | 南京信息工程大学 | 一种基于改进AlexNet的遥感图像识别方法 |
CN108765391A (zh) * | 2018-05-19 | 2018-11-06 | 科立视材料科技有限公司 | 一种基于深度学***板玻璃异物影像分析方法 |
CN109376636A (zh) * | 2018-10-15 | 2019-02-22 | 电子科技大学 | 基于胶囊网络的眼底视网膜图像分类方法 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN109522965A (zh) * | 2018-11-27 | 2019-03-26 | 天津工业大学 | 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法 |
CN111275677A (zh) * | 2020-01-17 | 2020-06-12 | 哈尔滨工业大学 | 一种基于卷积神经网络的天花板震害的识别方法 |
CN111462068A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于迁移学习的螺钉螺母检测方法 |
CN111860596A (zh) * | 2020-06-17 | 2020-10-30 | 长安大学 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
CN113096088A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种基于深度学习的混凝土结构检测方法 |
-
2021
- 2021-08-31 CN CN202111013211.5A patent/CN113706511A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292333A (zh) * | 2017-06-05 | 2017-10-24 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
CN108549852A (zh) * | 2018-03-28 | 2018-09-18 | 中山大学 | 基于深度网络增强的特定场景下行人检测器自动学习方法 |
CN108614997A (zh) * | 2018-04-04 | 2018-10-02 | 南京信息工程大学 | 一种基于改进AlexNet的遥感图像识别方法 |
CN108765391A (zh) * | 2018-05-19 | 2018-11-06 | 科立视材料科技有限公司 | 一种基于深度学***板玻璃异物影像分析方法 |
CN109376636A (zh) * | 2018-10-15 | 2019-02-22 | 电子科技大学 | 基于胶囊网络的眼底视网膜图像分类方法 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN109522965A (zh) * | 2018-11-27 | 2019-03-26 | 天津工业大学 | 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法 |
CN111275677A (zh) * | 2020-01-17 | 2020-06-12 | 哈尔滨工业大学 | 一种基于卷积神经网络的天花板震害的识别方法 |
CN111462068A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于迁移学习的螺钉螺母检测方法 |
CN111860596A (zh) * | 2020-06-17 | 2020-10-30 | 长安大学 | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 |
CN113096088A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种基于深度学习的混凝土结构检测方法 |
Non-Patent Citations (1)
Title |
---|
VICAVO: ""深度学习卷积后图像尺度的计算"", 《HTTP://BLOG.CSDN.NET.NET/VICAVO/ARTICLE/DETAILS/98305639》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611389A (zh) * | 2022-03-04 | 2022-06-10 | 北京航空航天大学 | 一种基于人工智能的复合材料失效高效模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fotouhi et al. | Autonomous damage recognition in visual inspection of laminated composite structures using deep learning | |
CN110135113B (zh) | 考虑尺寸效应的岩石结构面损伤统计本构模型的构建方法 | |
Saeedifar et al. | Delamination analysis in composite laminates by means of acoustic emission and bi-linear/tri-linear cohesive zone modeling | |
CN103076394A (zh) | 基于振动识别频率和振型综合的海洋平台安全评定的方法 | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN107256322B (zh) | 一种基于高灵敏度融合指标的复合材料层合板分层损伤识别方法 | |
CN113706511A (zh) | 一种基于深度学习的复合材料损伤的检测方法 | |
CN110879254A (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
CN112268799A (zh) | 一种复合材料结构静强度和疲劳强度一体化试验验证方法 | |
CN101853320A (zh) | 一种适用于飞机结构腐蚀损伤的模糊综合评判方法 | |
CN105004367B (zh) | 单片集成电路贮存寿命特征检测方法 | |
Cairns et al. | Wind turbine composite blade manufacturing: the need for understanding defect origins, prevalence, implications and reliability. | |
Nair et al. | Studying failure modes of GFRP laminate coupons using AE pattern-recognition method | |
CN101236136B (zh) | 一种表征飞机使用寿命程度的曲线绘制方法及应用 | |
CN110335242A (zh) | 一种基于多模型融合的轮胎x光病疵检测方法 | |
Smith et al. | Applications of ultrasonic NDT to aerospace composites | |
Shruthi et al. | Effect of patch hybridisation on indentation resistance and residual performance of patch repaired glass/epoxy laminates using acoustic emission monitoring | |
Yu et al. | A deep-learning-based method for damage identification of composite laminates [J] | |
Chu et al. | Research on PHM technology framework and its key technologies | |
Gift | A critical review of the role of acoustic emission algorithms in the delamination analysis of adhesive joints | |
CN112906263A (zh) | 含制孔分层损伤的复合材料层合板强度预测方法 | |
Hu et al. | On multiple low-velocity impact response and compression after impact of composite laminates | |
Smith et al. | Modelling the mechanical properties of as-manufactured composite components based on 3D non-destructive characterisation | |
Dabetwar | Fatigue damage diagnostics and prognostics of composites using artificial intelligence methods for experimental data | |
KR20200019720A (ko) | 글레이징이 충격을 견딜 수 있는지를 검증하기 위한 비파괴 방법 |
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 |