原文传递
一种基于FCN与GRU的3D编织复合材料缺陷检测方法
| 专利名称： | 一种基于FCN与GRU的3D编织复合材料缺陷检测方法 |
| 摘要： | 本发明涉及一种基于FCN与GRU的3D编织复合材料缺陷检测方法，该方法包括：1)利用超声相控阵设备搭建用于采集3D编织复合材料的超声信号扫描系统；2)采集3D编织复合材料的超声信号，利用采集到的超声A信号构建数据集；3)使用改进好的FCN+GRU网络对数据集进行训练；4)采集待检测3D编织复合材料的超声A信号，用训练好的网络模型检测3D编织复合材料是否存在缺陷。与传统图像检测方案相比，本发明方法避免了复杂的A扫图像处理，能够直接对超声信号的序列数据进行检测。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 天津;12 |
| 申请人： | 天津工业大学 |
| 发明人： | 肖志涛;郭永敏;耿磊;吴骏;张芳;王雯;刘彦北 |
| 专利状态： | 有效 |
| 申请日期： | 2019-07-01T00:00:00+0800 |
| 发布日期： | 2019-10-01T00:00:00+0800 |
| 申请号： | CN201910584117.1 |
| 公开号： | CN110297041A |
| 分类号： | G01N29/06(2006.01);G;G01;G01N;G01N29 |
| 申请人地址： | 300387 天津市西青区宾水西道399号 |
| 主权项： | 1.一种基于FCN与GRU的3D编织复合材料缺陷检测方法，所述方法包括下列步骤： 步骤1：采用超声相控阵设备搭建用于采集待测试件的超声信号扫描系统； 步骤2：利用步骤1中搭建的采集系统获得A扫信号，构建A扫信号数据集； 步骤3：设置损失函数理想值，通过将FCN模块与GRU模块相结合形成FCN+GRU网络，将步骤2中得到的A扫信号数据集输入FCN+GRU网络中进行深度学习网络训练，训练中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型； 步骤4：采集待检测3D编织复合材料的超声A信号，利用步骤3中训练好的网络模型检测3D编织复合材料是否存在缺陷。 2.如权利要求1所述的方法，其特征在于，步骤1中，搭建的超声信号扫描系统由超声相控阵设备、探头、楔块、编码器成。 3.如权利要求1所述的方法，其特征在于，步骤2中，构建的A扫信号数据集由序列格式的数据组成。 4.如权利要求1所述的方法，其特征在于，步骤2中，将构建的数据集按照6∶2∶2的数据量比例分为训练数据、测试数据和验证数据。 5.如权利要求1所述的方法，其特征在于，步骤3中，通过加入GRU模块的FCN网络训练模型进行检测来提高缺陷检测的准确率，将样本数据同时输入到GRU模块和FCN模块中，FCN模块是由6个卷积层和1个平均池化层组成，GRU模块由2个用来增强FCN的性能的GRU层和1个平均池化层组成。 6.如权利要求1所述的方法，其特征在于，步骤4中，利用加GRU模块的全卷积深度模型检测3D编织复合材料中的缺陷，将检测结果输出为有缺陷1、无缺陷0两种类型。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
