[发明专利]一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法

权利要求书

1.一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，包括以下步骤，

步骤1，建立超声波数据库；

步骤2，从超声波数据库中获取数据集，并构建深度学习神经网络算法模型，确定神经网络模型参数；

步骤3，对构建的神经网络深度学习算法模型，用采集构造的数据集进行训练；

步骤4，将训练好的神经网络模型参数嵌入到超声设备中，对当前探头位置采集的超声波信号进行实时诊断分类和缺陷可视化标注。

2.根据权利要求1所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤1中，利用超声波设备对样本件不同区域分别进行数据采集，获得具有不同敏感波形的超声波信号采样数据和超声探头图片数据，建立包含不同敏感波形的超声波数据库。

3.根据权利要求1所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤1中，建立超声波数据库具体包括以下步骤，

步骤S11，将复合材料被测样本(6)放置在检测平台上；

步骤S12，启动超声设备，调整超声参数；

步骤S13，给复合材料样本件上均匀涂撒耦合剂，将超声波收发探头(5)贴于被测样本(6)上对不同区域进行数据采样，获得超声波信号采样数据；

步骤S14，将超声波信号采样数据导出分为训练数据集和测试数据集；

步骤S15，用摄像头(1)采集超声探头(5)用手持和用自动扫描机器夹持的不同角度的图片，获取超声探头图片数据，将超声探头图片数据分为训练数据集和测试数据集。

4.根据权利要求1所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤1中，超声波数据库中的数据集根据不同的采样区域共有正常复合材料数据、缺陷复合材料数据和带加强筋复合材料数据三种类型。

5.根据权利要求1所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤2中，利用一维卷积网络模型对超声波数据库中的超声波时序信号进行特征提取，用深度残差网络模型提取超声探头的视觉特征，将提取出的特征用分类器并行连接，构建深度学习神经网络算法模型。

6.根据权利要求5所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤3中，对神经网络深度学习算法模型中的一维卷积网络模型和残差特征提取骨干网络模型进行训练时，进行梯度回传，更新卷积网络模型的参数。

7.根据权利要求5所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤3中，采用共轭梯度法预测探头(5)的运动轨迹，将一维卷积网络模块分类器的输出并联到预测结果的输入中，对探头(5)的位置进行记录，获得带有复合材料缺陷信息的探头的轨迹。

8.根据权利要求1所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，步骤4中，实时诊断分类和缺陷可视化标注后，搭建自动化扫描复合材料样本件智能检测标注系统，对复合材料样本件进行全自动扫描及结果的可视化标注验证。

9.根据权利要求8所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，自动化扫描复合材料样本件智能检测标注系统包括摄像头(1)、伺服机构(3)、数据处理器(4)、探头(5)和伺服机构控制器(7)；

所述探头(5)指向被测样本(6)，探头(5)固定在伺服机构(3)上，伺服机构(3)带动探头(5)进行移动；摄像头(1)指向被测样本(6)；

所述数据处理器(4)用于处理摄像头(1)和探头(5)采集到的数据；所述伺服机构控制器(7)用于控制伺服机构(3)；

所述摄像头(1)与数据处理器(4)之间通过USB线(2)进行数据传输。

10.根据权利要求9所述的一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法，其特征在于，所述数据处理器(4)连接显示器，采用GUI窗口显示诊断结果和缺陷信息以及探头(5)的运动轨迹。