没有合适的资源?快使用搜索试试~ 我知道了~
基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 2 浏览量
2022-12-15
14:29:26
上传
评论
收藏 476KB DOCX 举报
温馨提示
试读
16页
基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究.docx
资源推荐
资源详情
资源评论
0. 引 言
在大型设备的运转中,关键构件中经常出现形式多样的裂纹,如钢轨的滚动接触疲劳
裂纹
[1]
、压力管道的应力腐蚀裂纹
[2]
等。构件内裂纹在设备的使用过程中会不断扩展,当裂
纹扩展到快速发展阶段极易引发设备构件的脆性断裂,危害人员生命和造成经济损失
[3]
。
因此,采取有效的方法对设备裂纹的检测与识别是非常必要的。
超声红外热成像(振动热成像)检测技术作为新型裂纹检测方法被广泛关注。其理论
研究、数学模型的推导以及检测可行性的验证已相对成熟。超声红外热图像处理方法的研
究也成为近年来的热点。参考文献[4]提出的方法有效地滤除了图像噪声,实现了分割目标
缺陷区域;参考文献[5]提出了基于小波变换的超声红外热图像处理方法,有效提高了红外
图像的对比度与信噪比;参考文献[6]指出超声红外热成像作为一种用于非自热物体质量评
价和安全保证的无损检测方法,其未来发展趋势必定是通过引入人工智能方法来快速、可
靠和智能地进行检测。深度学习的飞速发展会使得基于红外热成像的机器视觉越来越智能
化和高度自动化,从而大大增加其应用范围。
卷积神经网络(Convolutional Neural Network,CNN)在图像自动识别中获得巨大成
功,同时也在缺陷识别中发挥着重要作用。图像经过卷积变换及降采样后被映射到一个较
低维的空间中,并自动地提取图像的特征。参考文献[7]设计了基于改进型 CNN 的深度学
习算法,成功地解决了现有焊接异常图像识别算法误检率与漏检率偏高的问题,且该算法
对多种焊点缺陷类型识别优势巨大;参考文献[8]通过对短时傅里叶变换后振动信号的时频
图进行 CNN 的训练,实现了对滚动轴承的故障状态识别。
文中针对金属疲劳裂纹检测与识别的问题,结合超声红外热成像技术以及 CNN 在图
像特征自动提取与图像分类以及裂纹缺陷识别中的广泛应用,提出了一种结合超声红外热
成像与 CNN 的裂纹检测与识别方法。利用超声红外热成像技术获得多种不同尺寸裂纹的
红外热图像,并将预处理后的红外热图像输入到 CNN 中进行特征自动提取与识别分类。
实验结果表明,CNN 在超声红外热像的后处理分类中具有一定的可行性,同时设计的
CNN 具有较高的识别精度和鲁棒性,能有效地对金属疲劳裂纹进行识别分类。为超声红外
热图像的后续研究提供了参考方向。
1. 理论基础
1.1 超声红外热成像检测技术
超声红外热成像检测技术使用超声脉冲作为激励源,振动能量注入被测试件,能量传
播至裂纹、脱粘等接触面类型缺陷区域时,缺陷区域因摩擦、塑性变形等产生热量,产生
的热量同时也取决于试件材料和施加的振动应力水平
[9]
。产生的热量使缺陷处局部升温,
通过红外热像仪获得材料表面热图像,进行计算机分析和处理,从而获取有效的裂纹信
息。超声在试件内只对缺陷部位加热,检测技术灵敏度较高。典型的超声红外热成像热系
统如图 1 所示,主要包括超声枪、红外热像仪、加载单元、固定夹具等
[10]
。
图 1 超声红外热成像检测系统示意图
Fig. 1 Schematic diagram of ultrasonic infrared thermal imaging detection system
下载: 全尺寸图片 幻灯片
1.2 卷积神经网络
CNN 是一种特殊的多层感知器或前馈神经网络,具有局部连接、权值共享的特点
[11]
,其实质是构造多个用来提取输入数据特征的滤波器,通过滤波器对数据进行卷积和池
化操作,不断提取隐藏在数据集中的特征信息,特征信息不仅包含图像色彩,同时也能获
取图像上的边缘特征,如裂纹轮廓、大小等。CNN 一般包含卷积层、池化层、全连接层以
及激活函数层。
卷积层中可包含一个或多个卷积面(特征图)。输入的图像为矩阵形式,卷积层对应
的卷积运算是该矩阵与参数矩阵在卷积层中做卷积操作的过程。参数矩阵也被称作卷积
核,不同的卷积核能够提取到图像中的不同特征。卷积核的每个元素与图像对应位置相
乘,再求和。通过卷积核的不断移动就会产生新的图像,该图像完全由卷积核在各个位置
时的乘积求和的结果组成
[12]
。
池化层可降低数据维度,避免过拟合、增强局部感受野以及提高平移不变性
[13]
。常用
最大池化(Max Pooling)或平均池化(Mean Pooling)。
图像经过数层卷积以及池化操作后会连接至全连接层。全连接层中的每个神经元与其
前一层的所有神经元进行全连接,全连接层能将前层学习到具有类别区分性的特征信息进
行整理。
激活函数层主要对卷积层的输出进行一个非线性映射,通过激活函数层的激励函数来
加入非线性因素,以此增加模型的表达能力。常用的激活函数有 sigmoid 函数、双曲正切
函数 tanh 和校正线性单元 ReLU 等,其表达式如公式(1)~(3)所示:
σ(x)=sigm(x)=11+e−xσ(x)=sigm(x)=11+e−x
(1)
tanh(x)=ex−e−xex+e−xtanh(x)=ex−e−xex+e−x
(2)
ReLU(x)=max(0,x)ReLU(x)=max(0,x)
(3)
2. 超声红外热图像采集及其预处理
2.1 疲劳裂纹试件
文中预制疲劳裂纹试样采用金属平板,尺寸大小为 370 mm×100 mm×5 mm,材料为
45 钢,其抗拉强度和下屈服强度分别为 620 MPa 和 451 MPa,预制裂纹过程中采用柔度法
监测和控制裂纹长度,裂纹尺寸范围控制在 0.4~9.5 mm 之间,并将上述预裂纹试件采用电
火花线切割的方式得到被测试件
[14]
,获得如图 2 所示的被测试件。图 2 中给出了试件夹持
位置(Clamp position)以及超声激励位置(Excitation position)。
图 2 被测试件示意图
Fig. 2 Schematic diagram of test plate
下载: 全尺寸图片 幻灯片
2.2 超声红外热图像采集
超声红外热图像采集实验在陆军装甲兵学院车辆工程系 PHM 和无损检测实验室进
行。
采集实验在一套超声红外热成像无损检测实验台上进行,通过自主编写的一套超声红
外无损检测系统,实现了在软件及硬件上的实验要求。采集条件为预紧力 25 kg,激励强度
35%,激励时间 4 s,激励位置偏离中心 50 mm。试件共 15 类,每类含不同长度裂纹或没
有裂纹,裂纹光学测量长度如表 1 所示,其中第 15 类为无裂纹试件。参考文献[14]给出了
装置的具体组成。红外热像仪采用美国 FLIR 公司生产的 T640,用于实现采集对象表面的
温度场信息。该热像仪可以提供红外图像分辨率为 640×480 pixel,热灵敏度小于等于
0.035 ℃,图像采集帧频为 30 Hz,镜头可实现 120°上下翻转。激励结束后实验采集系统会
自动生成对应文件,然后通过 FLIR-ResearchIR 软件生成 CSV 文件。
表 1 15 类金属试件的裂纹光学测量长度
Tab. 1 Crack and optical measurement length of 15 kinds of metal specimens
Number of test piece
Crack length/μm
01
5374.71
02
5477.40
03
5624.33
04
6570.00
05
6629.00
06
7275.00
07
7507.79
08
7930.00
09
8537.50
10
9143.00
11
9301.36
12
9453.00
13
3474.50
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3694
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C语言文件读写代码.docx
- python的概要介绍与分析
- module-0982.SyncTensorsGraph.9515.sm-8.0-gpu-after-optimizations
- ChromeSetup20220804.exe
- 讲解记录 基于Java的小区物业管理系统
- module-0004.SyncTensorsGraph.7578.sm-8.0-gpu-after-optimizations
- python39.dll
- 【Matlab 六自由度机器人】Fixed Angles(固定角度) 和 Euler Angles(欧拉角) 之间的区别
- STLINK下载器调试过程中常见问题排查
- BMSP430工程PPT说明书.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功