[发明专利]基于红外热波及卷积神经网络的复合材料损伤智能检测方法

权利要求书

1.基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，包括以下步骤：

步骤1，基于复合材料损伤样件的红外热波数据分别训练损伤位置识别模型和损伤类别分类模型；

步骤2，采集待检测复合材料的红外热波数据，对其进行预处理，获得复合材料不同深度的多张红外热波图像，将各红外热波图像分别输入损伤位置识别模型，检测其中是否含有损伤；

以各红外热波图像左上角为坐标原点，以坐标原点向右为x轴正方向，向下为y轴正方向，以每个像素为一个单位建立坐标系，输出预测的损伤区域[x′_min,y′_min,x′_max,y′_max]，x′_min、y′_min分别为预测的损伤区域左上角的横纵坐标，x′_max、y′_max分别为预测的损伤区域右下角的横纵坐标；

步骤3，将多张红外热波图像按采样时间的先后顺序排成图像序列，提取损伤区域内各像素坐标在各红外热波图像中的辐射值，按时间顺序将同一像素坐标在各红外热波图像中的辐射值连接起来，形成一维的各像素坐标的红外热波信号；

步骤4，将损伤区域各像素坐标的红外热波信号分别输入损伤类别分类模型，获得各像素坐标的损伤类别，统计分属于各损伤类别的像素坐标占损伤区域内总像素坐标的比例，将占比最高的损伤类别作为最终的损伤类别输出，获得复合材料的损伤类别。

2.根据权利要求1所述的基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，步骤1所述的训练包括以下步骤：

步骤1-1，采集复合材料损伤样件的红外热波数据，对红外热波数据进行预处理，获得复合材料不同深度的多张红外热波图像，将多张红外热波图像按采样时间的先后顺序排成图像序列，提取每个像素坐标在各红外热波图像中的辐射值，按时间顺序连接每个像素坐标的辐射值形成像素坐标的一维红外热波信号；

步骤1-2，使用图片标注工具给红外热波图像添加损伤位置标记得到损伤图像样本集，给红外热波信号添加损伤类别得到损伤信号样本集；

所述损伤位置标记为[x_min,y_min,x_max,y_max]，其中x_min、y_min分别为损伤区域标记框左上角的横纵坐标，x_max、y_max分别为损伤区域标记框右下角的横纵坐标，所述损伤类别包括分层、脱粘、裂纹、鼓包；

步骤1-3，将损伤图像样本集和损伤信号样本集都分为训练集和验证集，分别使用训练集训练损伤位置识别模型和损伤类别分类模型，使用验证集调整模型的超参数，得到优化的损伤位置识别模型和损伤类别分类模型。

3.根据权利要求1或2所述的基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，所述预处理包括：使用最小二乘法对红外热波数据进行七阶多项式拟合，再对拟合数据求一阶导。

4.根据权利要求1所述的基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，所述损伤位置识别模型由依次连接的CSPDarknet53网络、SSP和PAN模块、三个YOLO Head组成，所述CSPDarknet53网络用于提取输入的红外热波图像的多层级特征，所述SSP和PAN模块用于将低级特征映射与高级特征映射合并，所述三个YOLO Head用于基于合并特征对不同尺度的损伤区域进行预测。

5.根据权利要求1所述的基于红外热波及卷积神经网络的复合材料损伤智能检测方法，其特征在于，所述损伤类别分类模型包括五个特征提取网络，所述特征提取网络由Conv1D、BN层、Conv1D、BN层和最大池化层连接组成，第五个特征提取网络不包含最大池化层，直接与Flatten层、Linear层、BN层、Linear层、BN层、Softmax层依次连接；

所述五个特征提取网络依次提取红外热波信号的多维特征，所述Flatten层将输入的多维特征转换为一维特征信号，所述Linear层将多层级的特征连接组合，所述Softmax层根据组合的特征对损伤类别进行分类。