基于深度迁移学习的非接触激光超声损伤检测方法及系统

1.本发明涉及无损检测领域，具体地说，涉及一种基于深度迁移学习的非接触激光超声损伤检测方法及系统。


背景技术：

2.基于超声导波的无损检测，因其监测范围广而受到越来越多的关注。超声导波的激励方式有电磁超声、压电超声和激光超声等。其中，激光超声导波检测技术由于具有非接触、可视化、工作距离长、灵敏度高等优点，被认为是一种极具吸引力的损伤检测技术。
3.在各种激光检测方法中，激光扫描成像检测因能实现损伤可视化而得到广泛应用。常用的激光波场信号处理方法包括相邻扫描点差异分析、驻波能量和波数频域分析等。随着人工智能的发展，可以直接从大数据中获取超声导波信号与结构状态之间的映射关系。这些数据驱动方法可以避免由频率色散和多模特性引起的复杂先验知识。为了进一步提高数据驱动监测技术的智能性，出现了深度迁移学习，以解决不同场景下监测模型的通用性和泛化问题。深度迁移学习可以利用源领域已有的知识来解决相关的目标领域问题。
4.根据能量强度的不同，激光激发可分为热弹性机制和烧蚀机制。热弹性机制激发的激光能量强度较小，被待测器件表面吸收的激光辐照能量不会熔化结构，结构会由于温度升高体积迅速膨胀而产生的弹性应力。热弹性激励产生的信号主要是表面波，其内部损伤检测能力较差。烧蚀机制激发的激光能量强度极高。然而，在烧蚀激励下，由于温度急剧上升，结构表面将熔化。虽然烧蚀激励检测不是无损检测方法，但内部损伤可以通过烧蚀激励下产生的高能辐射压力来检测。热膨胀效应和辐射压力效应同时存在，对响应信号的贡献取决于激光能量强度。然而，热弹信号和烧蚀信号之间的具体关系很难探索。


技术实现要素：

5.本发明的目的在于克服现有技术激光热弹激励非接触检测对器件内部损伤检测能力差的问题，提出一种基于深度迁移学习的非接触激光超声损伤检测方法及系统，提升了激光超声损伤检测的检测精度和损伤识别准确性。
6.为了实现上述目的，本发明所采用的技术方案如下：
7.一种基于深度迁移学习的非接触激光超声损伤检测方法，包括以下步骤：
8.s1：通过激光检测方法获取激光超声检测的振动信号，将振动信号根据激光激励能量的差异划分为烧蚀信号和热弹信号，并对烧蚀信号进行标签标记，烧蚀信号为源域，热弹信号为目标域；
9.s2：分别对烧蚀信号和热弹信号进行小波分解，并提取烧蚀信号和热弹信号的低频分量特征，获得烧蚀信号和热弹信号的特征图；
10.s3：构建损伤检测模型，将热弹信号的特征图输入损伤检测模型的激光能量映射网络，将热弹信号的特征空间映射到烧蚀信号的特征空间，获得映射热弹信号的特征图；
11.s4：将烧蚀信号和映射热弹信号的特征图同时输入损伤检测模型的特征提取网
络，分别提取烧蚀信号和映射热弹信号的特征；
12.s5：设定损伤检测模型的目标函数，对损伤检测模型进行迭代训练，直至迭代次数达到损伤检测模型设定的阈值；
13.s6：获得训练好的损伤检测模型，将损伤检测模型用于对待测器件的热弹信号进行损伤检测，并输出损伤检测结果。
14.进一步地，步骤s1中，激光检测方法包括单点检测和扫描成像检测两种方式，单点检测的检测点和激励点相对位置固定，检测信号用于判断激励点位置是否损坏；扫描成像检测通过快速移动激发点实现扫描区域检测，根据是否确定每个激发点已损坏来执行成像。
15.进一步地，步骤s3中，激光能量映射网络选择一维卷积神经网络建立，一维卷积神经网络包括前馈层、卷积层和池化层，卷积层的输出特征为：
[0016][0017]
式中，x为卷积层的输入特征，ker为卷积核权重，b为偏差项，为ker和x之间的卷积计算，σ为输入和输出之间生成非线性映射的激活函数；
[0018]
池化层的输出特征为：
[0019]
h＝pooling(z)
[0020]
式中，z为卷积层的输出特征。
[0021]
进一步地，步骤s4中，特征提取网络为resnet网络，特征提取网络包括多个残差单元，特征提取网络的输入为x，学习特征定义为h(x)，残差为f(x)＝h(x)-x，最初学到的特征是f(x)+x，第l个残差单元的输出x
l+1
表示为
[0022]
x
l+1
＝f(h(x
l
)+f(x
l
,w
l
))
[0023]
式中，x
l
表示第l个残差单元的输入，w
l
是第l个残差单元的权重矩阵，f是残差函数，h(x
l
)＝x
l
表示身份映射，f是relu激活函数。
[0024]
进一步地，从浅l到深l的学习特征如下：
[0025][0026]
式中，x
l
表示浅层残差单元的输出，x
l
表示深层残差单元的输出，xi表示第i层残差单元的输入特征，wi表示第i层残差单元的权重矩阵，f是残差函数，l表示深层残差单元的总单元数。
[0027]
进一步地，步骤s5中，损伤检测模型的目标函数由边际损失函数l
margin
和mmd损失函数l
mmd
通过加权相加获得，边际损失函数l
margin
的目的是基于标记的源域数据，以有监督的方式最小化分类错误，边际损失函数用于缩小类内距离和扩大类间距离，mmd损失函数的目的是最小化源域和目标域之间的分布差异，目标函数为：
[0028]
l
emtn
＝αl
margin
+βl
mmd
[0029]
式中，α为边际损失函数l
margin
的权重系数，β为mmd损失函数l
mmd
的权重系数。
[0030]
进一步地，边际损失函数l
margin
为：
[0031][0032]
式中，为样本标签的指标，表示样本属于第c类，表示样本不属
于第c类；为源域样本的预测标签值，正则参数λ为缺失类别损失的加权惩罚因子；m-为源域样本预测标签值的上边缘，m+为源域样本预测标签值的下边缘，如果样本属于第c类，则不小于m+，如果样本不属于第c类，则不大于m-；
[0033]
mmd损失函数l
mmd
为：
[0034][0035]
式中，ns为源域的样本总数，n
t
为目标域的样本总数，h
is
为源域第i个样本的输出特征映射，h
jt
为目标域第j个样本的输出特征映射，f为relu激活函数。
[0036]
一种基于深度迁移学习的非接触激光超声损伤检测装置，包括：激光激励器、激光激励探头、激光超声接收模块、激光检测探头和计算机，激光激励器与激光激励探头连接，激光超声接收模块分别与激光检测探头和计算机连接；
[0037]
其中，激光激励器用于激励激光信号并通过光纤传输至激光激励探头；激光激励探头用于对待测器件实现激光激励；激光检测探头用于获取待测器件的激光超声检测的振动信号并通过光纤传输给激光超声接收模块；激光超声接收模块用于接收激光检测探头发送的激光超声检测的振动信号并发送给计算机；计算机用于接收激光超声检测的振动信号，并对振动信号中的热弹信号进行损伤检测并输出损伤检测结果。
[0038]
一种电子设备，包括存储器和处理器，存储器中储存有计算机程序，计算机程序可在处理器上运行，处理器执行计算机程序时实现上述任一项的基于深度迁移学习的非接触激光超声损伤检测方法的步骤。
[0039]
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的基于深度迁移学习的非接触激光超声损伤检测方法的步骤。
[0040]
与现有技术相比，本发明构建损伤检测模型，通过激光能量映射网络，将热弹信号的特征空间映射到烧蚀信号的特征空间，获得映射热弹信号，使得热弹信号获得了近似烧蚀信号的内部损伤检测精度，提升了激光热弹激励无损检测方法的损伤检测精度；通过设定损伤检测模型的目标函数，对齐映射热弹信号和烧蚀信号的特征空间，解决了激光热弹激励这种完全无损的非接触检测方式对器件内部损伤检测能力差的问题，提升了激光热弹无损检测的损伤识别准确性。
附图说明
[0041]
图1为实施例中激光超声损伤检测方法流程示意图。
[0042]
图2为实施例中激光超声损伤检测方法流程示意图。
[0043]
图3为实施例中激光超声损伤检测装置的示意图。
[0044]
图4为实施例中损伤铝板实物图。
[0045]
图5为实施例中不同方法测试信号检测精度的对比示意图。
[0046]
图6为实施例中不同源域激光能量下不同方法检测结果对比示意图。
[0047]
图7为实施例中不同方法激光扫描成像结果示意图，(a)为激光能量映射迁移(emtn)方法的成像结果，(b)为基于resnet特征提取网络的分类方法的成像结果，(c)为联合分布自适应(jda)方法的成像结果，(d)为迁移成分分析(tca)方法的成像结果。
[0048]
图8为实施例中不同方法激光扫描成像检测阈值损伤成像结果示意图，(a)为激光能量映射迁移(emtn)方法的阈值成像结果，(b)为基于resnet特征提取网络的分类方法的阈值成像结果，(c)为联合分布自适应(jda)方法的阈值成像结果，(d)为迁移成分分析(tca)方法的阈值成像结果。
[0049]
附图标号说明：
[0050]
激光激励器-1；扫查架-2；激光超声接收模块-3；激光激励探头-4；激光检测探头-5；计算机-6；铝板内部损伤位置-7。
具体实施方式
[0051]
下面结合附图和具体实施例对本发明基于深度迁移学习的非接触激光超声损伤检测方法及系统作进一步说明。
[0052]
请参阅图1和图2，本发明公开了一种基于深度迁移学习的非接触激光超声损伤检测方法，包括以下步骤；
[0053]
s1：通过激光检测方法获取激光超声检测的振动信号，将振动信号根据激光激励能量的差异划分为烧蚀信号和热弹信号，并对烧蚀信号进行标签标记，烧蚀信号为源域，热弹信号为目标域。
[0054]
s2：分别对烧蚀信号和热弹信号进行小波分解，并提取烧蚀信号和热弹信号的低频分量特征，获得烧蚀信号和热弹信号的特征图。
[0055]
s3：构建损伤检测模型，将热弹信号的特征图输入损伤检测模型的激光能量映射网络，将热弹信号的特征空间映射到烧蚀信号的特征空间，获得映射热弹信号的特征图。
[0056]
s4：将烧蚀信号和映射热弹信号的特征图同时输入损伤检测模型的特征提取网络，分别提取烧蚀信号和映射热弹信号的特征。
[0057]
s5：设定损伤检测模型的目标函数，对损伤检测模型进行迭代训练，直至迭代次数达到损伤检测模型设定的阈值。
[0058]
s6：获得训练好的损伤检测模型，将损伤检测模型用于对待测器件的热弹信号进行损伤检测，并输出损伤检测结果。
[0059]
深度迁移学习在机器视觉和故障诊断中得到了有效的验证，迁移学习方法可以提高深度学习所捕获的隐藏特征的泛化能力。本发明提出的激光超声损伤检测方法，通过将热弹信号特征空间与烧蚀信特征空间号对齐，可以提高热弹信号的内部损伤检测精度。本发明的基于深度迁移学习的非接触激光超声损伤检测方法是基于激光能量映射迁移(emtn)的检测方法。
[0060]
具体地，步骤s1中，激光检测方法包括单点检测和扫描成像检测两种方式，单点检测的检测点和激励点相对位置固定，检测信号用于判断激励点位置是否损坏；扫描成像检测通过快速移动激发点实现扫描区域检测，根据是否确定每个激发点已损坏来执行成像。
[0061]
步骤s2中，通过小波分解提取原始振动信号的低频分量特征，并将激光热弹激励检测信号映射到激光烧蚀激励检测信号。利用meyer小波基对原始振动信号进行三层分解，保留低频分量特征。
[0062]
步骤s3中，为了保持振动信号的特征，激光能量映射网络选择一维卷积神经网络建立，一维卷积神经网络包括前馈层、卷积层和池化层，卷积层的输出特征为：
[0063][0064]
式中，x为卷积层的输入特征，ker为卷积核权重，b为偏差项，为ker和x之间的卷积计算，σ为输入和输出之间生成非线性映射的激活函数；
[0065]
池化层的输出特征为：
[0066]
h＝pooling(z)
[0067]
式中，z为卷积层的输出特征。
[0068]
在激光能量映射网络中，激光热弹激励检测信号被用作输入信号，激光烧蚀激励检测信号被用作输出信号。实现从激光热弹激励检测信号到激光烧蚀激励检测信号的特征空间映射，通过这个步骤可以得到映射热弹信号。与激光热弹激励检测信号相比，映射热弹信号具有更高的信噪比和更多的辐射压力特性。激光能量映射网络计算的精度和效率受卷积核大小和网络深度的影响。本实施例中，激光能量映射网络有8个卷积层和4个最大池化层，卷积核有3
×
1和2
×
1两种大小。
[0069]
步骤s4中，特征提取网络为resnet网络，特征提取网络包括多个残差单元，特征提取网络的输入为x，学习特征定义为h(x)，残差为f(x)＝h(x)-x，最初学到的特征是f(x)+x，当残差为0时，累积层的输出特征等于输入特征。事实上，输入特征将在累积层学习新特征，因为残差不会为0。剩余单元可以表示为，第l个残差单元的输出x
l+1
表示为
[0070]
x
l+1
＝f(h(x
l
)+f(x
l
,w
l
))
[0071]
式中，x
l
表示第l个残差单元的输入，w
l
是第l个残差单元的权重矩阵，f是残差函数，h(x
l
)＝x
l
表示身份映射，f是relu激活函数。
[0072]
从浅l到深l的学习特征如下：
[0073][0074]
式中，x
l
表示浅层残差单元的输出，x
l
表示深层残差单元的输出，xi表示第i层残差单元的输入特征，wi表示第i层残差单元的权重矩阵，f是残差函数，l表示深层残差单元的总单元数。
[0075]
步骤s5中，损伤检测模型的目标函数由边际损失函数l
margin
和mmd损失函数l
mmd
通过加权相加获得，目标函数为：
[0076]
l
emtn
＝αl
margin
+βl
mmd
[0077]
式中，α为边际损失函数l
margin
的权重系数，β为mmd损失函数l
mmd
的权重系数。
[0078]
边际损失函数l
margin
的目的是基于标记的源域数据，以有监督的方式最小化分类错误，边际损失函数用于缩小类内距离和扩大类间距离，边际损失函数l
margin
为：
[0079][0080]
式中，为样本标签的指标，表示样本属于第c类，表示样本不属于第c类；为源域样本的预测标签值，正则参数λ为缺失类别损失的加权惩罚因子；m-为源域样本预测标签值的上边缘，m+为源域样本预测标签值的下边缘，如果样本属于第c类，则不小于m+，如果样本不属于第c类，则不大于m-。根据经验取m+＝0.9,m-＝0.1，λ＝0.25。
[0081]
mmd损失函数的目的是最小化源域和目标域之间的分布差异，mmd损失函数l
mmd
为：
[0082][0083]
式中，ns为源域的样本总数，n
t
为目标域的样本总数，h
is
为源域第i个样本的输出特征映射，h
jt
为目标域第j个样本的输出特征映射，f为relu激活函数。
[0084]
经过模型训练，得到损伤检测模型。并且可以检测到测试信号。通过该模型，可以识别信号是否损坏。
[0085]
为了验证本发明的基于深度迁移学习的非接触激光超声损伤检测方法的有效性，本发明还提供一种基于深度迁移学习的非接触激光超声损伤检测装置，如图3所示，基于深度迁移学习的非接触激光超声损伤检测装置包括激光激励器1、扫查架2、激光超声接收模块3、激光激励探头4、激光检测探头5和计算机6。激光激励探头4固定在扫查架2上，通过扫查架2的移动实现激光扫查激励。激光激励器1通过光纤与激光激励探头4连接，激光超声接收模块3通过光纤与激光检测探头5连接，同时，激光超声接收模块3通过信号传输线连接到计算机6。
[0086]
其中，激光激励器1用于激励激光信号并通过光纤传输至激光激励探头4；激光激励探头4用于对待测器件实现激光激励；激光检测探头5用于获取待测器件的激光超声检测的振动信号并通过光纤传输给激光超声接收模块3；激光超声接收模块3用于接收激光检测探头5发送的激光超声检测的振动信号并发送给计算机6；计算机6用于接收激光超声检测的振动信号，并对振动信号中的热弹信号进行损伤检测并输出损伤检测结果。
[0087]
激光激励器1采用nd:yag脉冲激光发射器，激光超声接收模块检测表面位移。扫描架2用于固定激光激励探头4，可实现激光激励探头4的灵活移动。激光检测点由激光检测探头5控制。本实验中的激光检测探头5是固定的。检测点与扫描区域之间的距离为55mm。激光检测系统接收到的信号由数据采集卡保存，并在计算机中进行处理。以具有人工内裂纹损伤的铝板为试验对象。铝板尺寸为500mm
×
500mm
×
3mm，如图4所示。有四块大小相同的铝板。其中，一块铝板正常，另外三块铝板在铝板背面中部有不同深度的损伤。三种裂纹深度分别为1mm、1.5mm和2mm。三块铝板的裂纹表面尺寸均为20mm
×
2mm。采样长度为6k，采样频率为5mhz。
[0088]
为了说明本发明提出的激光能量映射迁移方法(emtn)能够提高热弹信号的检测精度，通过实验进行了验证。实验中设置了三种不同强度的热弹激光激励能量。激光热弹激励能量分别为3mj、10mj和17mj。烧蚀激励能量设置为31mj。为了说明所选激光烧蚀激励能量的优势，将24mj和38mj作为对比。为了便于理解，对六种激光激励能量进行了标记。3mj、10mj和17mj三种热弹激励能量分别被标注为a1、a2和a3，24mj、31mj和38mj三种烧蚀激励能量分别被标注为b1、b2和b3。
[0089]
本发明提出的激光检测方法包括单点检测和扫描成像检测两种模式。在单点检测中，检测点和激励点的位置是固定的，可以使用少量样本建立模型。然而，它不适合大规模检测。通过扫描成像检测可以实现快速损伤成像。然而，在不同的激励点位置，检测信号会产生明显的差异。因此，在激光扫描成像检测中，需要利用所有扫描位置信号建立训练模型，所需的训练样本远大于单点检测。接下来，通过两种激光检测实验获得的数据验证了本发明提出的激光能量映射迁移方法(emtn)的性能。并将该方法的检测结果与其他先进的迁
移方法进行了比较。接下来，给出两个实验的结果。
[0090]
模式1：激光单点损伤检测结果。单点损伤检测实验中采集的样本如表1所示。实验中检测到的铝板有四种情况，包括一种正常铝板和三种不同的损伤铝板。采集了六种的激光能级信号。每个点采集80个样本。然后根据粗大误差理论，划分4个粗差样本。其中一半是随机选择的训练集，另一半是测试集。因此，每个激光能级有152个训练样本和152个测试样本。
[0091]
表1.案例1实验中每种能量激光采集的样品
[0092][0093]
获取检测样本后，通过小波分解提取原始振动信号的低频分量特征，并将激光热弹激励检测信号映射到激光烧蚀激励检测信号。利用meyer小波基对原始振动信号进行三层分解，保留低频分量特征，并将其转换为二维图片格式，获得检测信号特征图。
[0094]
激光能量映射网络中，激光热弹激励检测信号的特征图被用作输入信号，激光烧蚀激励检测信号的特征图被用作目标信号，实现从激光热弹激励检测信号的特征图到激光烧蚀激励检测信号的特征图的特征空间映射，得到映射热弹信号的特征图。与激光热弹激励检测信号相比，映射热弹信号具有更高的信噪比和更多的辐射压力特性。本实施例中，激光能量映射网络有8个卷积层和4个最大池层，卷积核有3
×
1和2
×
1两种大小。不同能量映射任务的映射损失如表2所示，从表中可以看出，当映射的输入激光能量接近输出激光能量时，映射损失较小。
[0095]
表2.不同激光信号能量映射任务的损失值
[0096][0097]
接下来，通过resnet网络进行特征学习，从输入信号中学习和提取具有深度辨别力的特征映射。并通过边际损失函数l
margin
和mmd损失函数l
mmd
组成的目标函数训练模型，得到损伤检测模型。检测测试信号。通过该模型，可以识别信号是否为损伤信号。
[0098]
为了说明所提方法在激光能量映射迁移上的优越性，将提出的方法与迁移成分分析(tca)和联合分布自适应(jda)方法进行了比较。同时，比较了不同激光能量下的检测结果。tca是迁移学习领域的经典方法，然而，tca无法将特征条件分布对齐。在这种情况下，jda被提出用于解决这个问题。jda是一种根据概率分布将目标域信号自适应到源域信号的域自适应方法。其目的是减少源域和目标域之间的边际概率分布和条件概率分布的差异。不同方法的损伤检测结果如表3所示。
[0099]
表3.不同的方法测试信号检测精度
[0100][0101]
从表3可以看出，emtn的检测精度高于其他两种方法。以任务b1
→
a1
b1
为例，解释命名规则。其中，a1
b1
表示通过激光能量映射网络将a1激光能量激励下的检测信号特征图映射到b1激光能量激励下的检测信号特征图，得到映射后的a1激光能量信号特征图，b1
→
a1
b1
表示从b1激光能量信号特征图迁移到映射后的a1激光能量信号特征图。与不同源域信号检测精度相比，b2激光能量的检测精度最高。三种方法的比较结果如图5所示。接下来，结果对比分为2个部分。
[0102]
a)比较emtn和resnet网络的检测精度。为说明使用emtn可以提高激光热弹激励检测信号损伤检测精度。这里将同一激光激励能量的信号通过resnet网络进行特征提取后直接分类。并与emtn进行比较。值得注意的是，由于在探测物体表面接收到的激光强度受许多参数的影响，训练信号和测试信号的激发能量并不完全相同。emtn和resnet网络的比较表明了该方法的优越性。不同激光激发能量下的测试精度如表4所示。从表4可以看出随着激光能量的增加，损伤检测精度更高。比较emtn和resnet网络的检测结果，选择b2激光能量信号作为源域时，激光热弹激励检测信号使用emtn进行检测的准确率优于resnet网络。
[0103]
表4.不同激光激励能量下的检测精度
[0104][0105]
b)比较不同源域的检测精度。对同一源域内不同迁移任务的检测精度进行平均。结果如图6所示。图中emtn、tca和jda方法的平均准确度分别为84.85％、62.48％和49.48％。b1
→
a、b2
→
a和b3
→
a的emtn迁移任务检测准确率分别为84.08％、91.71％和78.97％。使用选定的源域激光能量(b2)作为源域，检测精度最高。激光热弹激励检测信号的平均准确率为85.96％(表4)。检测结果表明，该方法的检测精度提高了5.75％。其中，b2
→
a2的检测精度比a2激光能量信号检测精度提高了7.88％，是迁移任务中检测精度提高最显著的。
[0106]
模式2：激光扫描损伤成像检测结果。为了说明该方法在损伤成像检测中的应用价值，进行了激光扫描实验。扫描区域为50
×
50mm，扫描间隔为1mm，共有2500个检测点。为了避免不同激励位置对检测结果的影响，从振动开始处截取检测信号。在扫描成像检测实验中，设置了损伤和正常两个状态。以b2激光能量激励普通铝板的检测信号作为源域样本。在情况1中，在b2激光能量激励下检测到的三个损伤信号被用作源域损伤样本。在10mj激光能量激励下检测被测铝板作为目标域样本。样本数量如表5所示。
[0107]
表5.案例2实验中采集的样本
[0108][0109]
案例1的检测结果表明，使用emtn可以提高激光热弹激励检测信号损伤检测精度。选择的源域b2激光能量是合适的。案例2验证扫描成像检测的检测精度。通过将每个扫描点的样本检测结果合成一幅图像，可以实现快速可视化损伤检测。a2激光能量检测信号设置为目标域，b2激光能量检测信号设置为源域。
[0110]
激光激发位置由扫描架控制，相邻激发点之间的距离为1mm。检测点是固定的。为了说明该方法可以提高激光热弹激励检测信号的检测精度，将激光热弹激励检测信号检测结果进行比较。在激光热弹激励检测信号检测中，a2激光能量扫描普通铝板的检测信号作为正常样本，a2激光能量的单点损伤信号作为损伤样本。损伤的识别方法是通过resnet网络进行建模和检测。同时，使用tca和jda方法进行比较。emtn、resnet网络、jda和tca的检测准确率分别为99.95％、99.6％、98.86％和94.60％。
[0111]
接下来，根据扫描点的检测标签值进行损伤成像。成像结果如图7所示，图中高亮点表示检测结果为损坏，实际损坏位置用虚线方框表示。从图中可以看出，三种方法都可以检测到损伤位置，通过emtn检测出的损伤大小最接近实际损伤。然而，这三种方法的成像结果在正常区域都存在错误检测。
[0112]
在检测损伤图像中，检测到的单个损伤点(由正常点包围的损伤点)可能是错误检测或微小损伤。在这项工作中，这样的小尺寸损伤不需要检测，所以这些单一损伤点被移除。标签值0.5用作损伤阈值。最终阈值成像结果如图8所示。从图中可以看出，所提出的方法检测到的损伤大小是最准确的。结果表明，该方法可以提高激光热弹激励检测信号损伤扫描成像检测精度。该方法的检测精度高于其他先进方法。
[0113]
综上所述，本发明构建损伤检测模型，通过激光能量映射网络，将热弹信号的特征空间映射到烧蚀信号的特征空间，获得映射热弹信号，使得热弹信号获得了近似烧蚀信号的内部损伤检测精度，提升了激光热弹激励无损检测方法的损伤检测精度；通过设定损伤检测模型的目标函数，对齐映射热弹信号和烧蚀信号的特征空间，解决了激光热弹激励这种完全无损的非接触检测方式对器件内部损伤检测能力差的问题，提升了激光热弹无损检测的损伤识别准确性。
[0114]
本发明还公开了一种电子设备，包括存储器和处理器，存储器中储存有计算机程序，计算机程序可在处理器上运行，处理器执行计算机程序时实现上述任一项的基于深度迁移学习的非接触激光超声损伤检测方法的步骤。本发明的电子设备可执行本发明的基于深度迁移学习的非接触激光超声损伤检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0115]
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的基于深度迁移学习的非接触激光超声损伤检测方法的步骤。本发明的计算机可存储介质，存储有可执行本发明的基于深度迁移学习的非接触激光超声损伤检测方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0116]
本发明的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0117]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0118]
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。

技术特征：
1.一种基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，包括以下步骤：s1：通过激光检测方法获取激光超声检测的振动信号，将振动信号根据激光激励能量的差异划分为烧蚀信号和热弹信号，并对烧蚀信号进行标签标记，烧蚀信号为源域，热弹信号为目标域；s2：分别对烧蚀信号和热弹信号进行小波分解，并提取烧蚀信号和热弹信号的低频分量特征，获得烧蚀信号和热弹信号的特征图；s3：构建损伤检测模型，将热弹信号的特征图输入损伤检测模型的激光能量映射网络，将热弹信号的特征空间映射到烧蚀信号的特征空间，获得映射热弹信号的特征图；s4：将烧蚀信号和映射热弹信号的特征图同时输入损伤检测模型的特征提取网络，分别提取烧蚀信号和映射热弹信号的特征；s5：设定损伤检测模型的目标函数，对损伤检测模型进行迭代训练，直至迭代次数达到损伤检测模型设定的阈值；s6：获得训练好的损伤检测模型，将损伤检测模型用于对待测器件的热弹信号进行损伤检测，并输出损伤检测结果。2.如权利要求1的基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，步骤s1中，激光检测方法包括单点检测和扫描成像检测两种方式，单点检测的检测点和激励点相对位置固定，检测信号用于判断激励点位置是否损坏；扫描成像检测通过快速移动激发点实现扫描区域检测，根据是否确定每个激发点已损坏来执行成像。3.如权利要求1的基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，步骤s3中，激光能量映射网络选择一维卷积神经网络建立，一维卷积神经网络包括前馈层、卷积层和池化层，卷积层的输出特征为：式中，x为卷积层的输入特征，ker为卷积核权重，b为偏差项，为ker和x之间的卷积计算，σ为输入和输出之间生成非线性映射的激活函数；池化层的输出特征为：h＝pooling(z)式中，z为卷积层的输出特征。4.如权利要求1的基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，步骤s4中，特征提取网络为resnet网络，特征提取网络包括多个残差单元，特征提取网络的输入为x，学习特征定义为h(x)，残差为f(x)＝h(x)-x，最初学到的特征是f(x)+x，第l个残差单元的输出x
l+1
表示为x
l+1
＝f(h(x
l
)+f(x
l
,w
l
))式中，x
l
表示第l个残差单元的输入，w
l
是第l个残差单元的权重矩阵，f是残差函数，h(x
l
)＝x
l
表示身份映射，f是relu激活函数。5.如权利要求1的基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，从浅l到深l的学习特征如下：
式中，x
l
表示浅层残差单元的输出，x
l
表示深层残差单元的输出，x
i
表示第i层残差单元的输入特征，w
i
表示第i层残差单元的权重矩阵，f是残差函数，l表示深层残差单元的总单元数。6.如权利要求1的基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，步骤s5中，损伤检测模型的目标函数由边际损失函数l
margin
和mmd损失函数l
mmd
通过加权相加获得，边际损失函数l
margin
的目的是基于标记的源域数据，以有监督的方式最小化分类错误，边际损失函数用于缩小类内距离和扩大类间距离，mmd损失函数的目的是最小化源域和目标域之间的分布差异，目标函数为：l
emtn
＝αl
margin
+βl
mmd
式中，α为边际损失函数l
margin
的权重系数，β为mmd损失函数l
mmd
的权重系数。7.如权利要求6的基于深度迁移学习的非接触激光超声损伤检测方法，其特征在于，边际损失函数l
margin
为：式中，为样本标签的指标，表示样本属于第c类，表示样本不属于第c类；为源域样本的预测标签值，正则参数λ为缺失类别损失的加权惩罚因子；m-为源域样本预测标签值的上边缘，m+为源域样本预测标签值的下边缘，如果样本属于第c类，则不小于m+，如果样本不属于第c类，则不大于m-；mmd损失函数l
mmd
为：式中，n
s
为源域的样本总数，n
t
为目标域的样本总数，h
is
为源域第i个样本的输出特征映射，h
jt
为目标域第j个样本的输出特征映射，f为relu激活函数。8.一种基于深度迁移学习的非接触激光超声损伤检测装置，其特征在于，包括：激光激励器、激光激励探头、激光超声接收模块、激光检测探头和计算机，激光激励器与激光激励探头连接，激光超声接收模块分别与激光检测探头和计算机连接；其中，激光激励器用于激励激光信号并通过光纤传输至激光激励探头；激光激励探头用于对待测器件实现激光激励；激光检测探头用于获取待测器件的激光超声检测的振动信号并通过光纤传输给激光超声接收模块；激光超声接收模块用于接收激光检测探头发送的激光超声检测的振动信号并发送给计算机；计算机用于接收激光超声检测的振动信号，并对振动信号中的热弹信号进行损伤检测并输出损伤检测结果。9.一种电子设备，包括存储器和处理器，存储器中储存有计算机程序，计算机程序可在处理器上运行，其特征在于，处理器执行计算机程序时实现如权利要求1至7任一项的基于深度迁移学习的非接触激光超声损伤检测方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1至7任一项的基于深度迁移学习的非接触激光超声损伤检测方法的步骤。

技术总结
本发明公开了一种基于深度迁移学习的非接触激光超声损伤检测方法，包括以下步骤：S1：获取激光超声检测的振动信号，将振动信号划分为烧蚀信号和热弹信号，对烧蚀信号进行标签标记；S2：分别通过小波分解，提取烧蚀信号和热弹信号的低频分量特征，获得烧蚀信号和热弹信号的特征图；S3：构建损伤检测模型，将热弹信号的特征图输入激光能量映射网络，将热弹信号映射到烧蚀信号，获得映射热弹信号的特征图；S4：将烧蚀信号和映射热弹信号的特征图同时输入特征提取网络，提取烧蚀信号和映射热弹信号的特征；S5：对损伤检测模型进行迭代训练，直至迭代次数达到设定阈值；S6：将损伤检测模型用于对待测器件的热弹信号进行损伤检测，并输出损伤检测结果。检测结果。检测结果。


技术研发人员：洪晓斌 黄刘伟
受保护的技术使用者：华南理工大学
技术研发日：2022.07.04
技术公布日：2022/11/1