[发明专利]针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统

说明书

本发明公开一种针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统，通过X射线无损检测技术获取相关航天复合材料的图像，构造模型的训练数据集，然后构建一个迁移学习特征提取网络，并将其与faster‑rcnn对象检测网络进行结合，最终形成一个针对小样本数据集的对象检测迁移学习网络模型。本模型能较准确的检测出经过X射线无损检测技术获取到的航天复合材料图像中的夹杂缺陷的位置，使得整个检测过程更加自动化，从而节约了大量人工成本。

技术领域

本发明涉及无损检测和评估技术领域，特别是一种针对小样本数据集的航天复合材料夹杂缺陷图像的faster-rcnn检测网络模型检测方法及系统。

背景技术

碳纤维增强复合材料(carbon fiber reinforced plastics CFRP)相比传统的金属材料及其合金，具有非常出色的热性能和物理特性，包括高强度和高刚度重量比、低热膨胀系数、高抗疲劳性、固有耐腐蚀性及低电磁反射率。因此其越来越多的被用于航空航天等高新技术领域。然而，在这些复合材料生产过程和使用过程中会产生一些缺陷，比如在其生产过程中由于操作不小心导致的夹杂缺陷、孔洞缺陷和疏松缺陷，以及使用这种复合材料制作的飞机零部件在飞机服役时因意外事故导致的冲击损伤如脱粘缺陷、分层缺陷和裂纹缺陷等。为了保证使用这些复合材料制作的航空器等设备的安全，各类无损检测技术(Nondestructive testing NDT)被用于这些缺陷的检测。然而，没有任何一种无损检测技术能针对所有缺陷都以最高的精度检测出来，由于X射线无损检测具有高分辨率，并且能对纤维裂缝和基质裂纹进行有效的成像，尤其对气孔和夹杂有很高的检测率，因此比较适合用于航空复合材料的夹杂缺陷的成像。

由于传统的X射线无损检测成像的结果需要人工判定，为了提高自动化程度和检测效率，很多人工智能图像处理算法被用于复合材料成像后图像信息的检测。如人工神经网络(ANN)、多层感知机(MLP)、循环神经网络(RNN)、支持向量机(SVM)等。但这些算法往往需要大量数据样本的支撑，即使单纯的SVM算法对小样本具有良好的分类效果，但是其不具备图像的特征提取功能。

发明内容

有鉴于此，本发明的目的在于提供一种针对小样本的航天复合材料夹杂缺陷的深度学习检测方法，该方法主要涉及对于利用X射线无损检测技术获取的碳纤维增强复合材料图像中夹杂缺陷的检测，并利用迁移学习构建一个针对小样本数据集具有良好效果的人工神经网络对象检测模型。

为达到上述目的，本发明提供如下技术方案：

本发明提供的针对小样本的航天复合材料夹杂缺陷的深度学习检测方法，包括以下步骤：

构建faster-rcnn检测网络，以及获取用于faster-rcnn检测网络特征提取的目标领域的夹杂缺陷图像的目标图像数据集；

构建迁移学习特征提取网络并通过对迁移学习特征提取网络的训练获取目标领域的夹杂缺陷图像的具有领域不变性的目标特征；

将具有领域不变性的目标特征嵌入到faster-rcnn检测网络；

通过faster-rcnn检测网络对目标图像数据集进行处理，获得目标图像数据集中的夹杂缺陷及其位置。

进一步，所述步骤S2中的迁移学习特征提取网络形成目标特征是按照以下步骤进行的：

获取用于迁移学习特征提取网络训练的训练数据集，所述训练数据集包括采集到的目标领域的夹杂缺陷图像的正常训练数据集以及与夹杂缺陷图像匹配的辅助领域的辅助训练数据集；

将训练数据集通过卷积神经网络层进行处理得到特征向量图；

将特征向量图输入到类别分类器中进行处理得到缺陷类别预测向量；

将特征向量图输入到领域判别器中进行处理得到领域类别预测向量；