[發明專利]一種基于FCN與GRU的3D編織復合材料缺陷檢測方法

在審

• 申請號: 201910584117.1
• 申請日: 2019-07-01
• 公開（公告）號: CN110297041A
• 公開（公告）日: 2019-10-01
• 發明（設計）人: 肖志濤;郭永敏;耿磊;吳駿;張芳;王雯;劉彥北
• 申請（專利權）人: 天津工業大學
• 主分類號: G01N29/06
• 分類號: G01N29/06;G01N29/44
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于FCN與GRU的3D編織復合材料缺陷檢測方法，所述方法包括下列步驟：

步驟1：采用超聲相控陣設備搭建用于采集待測試件的超聲信號掃描系統；

步驟2：利用步驟1中搭建的采集系統獲得A掃信號，構建A掃信號數據集；

步驟3：設置損失函數理想值，通過將FCN模塊與GRU模塊相結合形成FCN+GRU網絡，將步驟2中得到的A掃信號數據集輸入FCN+GRU網絡中進行深度學習網絡訓練，訓練中通過計算網絡損失函數來調整網絡參數，得到最優的網絡訓練模型；

步驟4：采集待檢測3D編織復合材料的超聲A信號，利用步驟3中訓練好的網絡模型檢測3D編織復合材料是否存在缺陷。

2.如權利要求1所述的方法，其特征在于，步驟1中，搭建的超聲信號掃描系統由超聲相控陣設備、探頭、楔塊、編碼器成。

3.如權利要求1所述的方法，其特征在于，步驟2中，構建的A掃信號數據集由序列格式的數據組成。

4.如權利要求1所述的方法，其特征在于，步驟2中，將構建的數據集按照6∶2∶2的數據量比例分為訓練數據、測試數據和驗證數據。

5.如權利要求1所述的方法，其特征在于，步驟3中，通過加入GRU模塊的FCN網絡訓練模型進行檢測來提高缺陷檢測的準確率，將樣本數據同時輸入到GRU模塊和FCN模塊中，FCN模塊是由6個卷積層和1個平均池化層組成，GRU模塊由2個用來增強FCN的性能的GRU層和1個平均池化層組成。

6.如權利要求1所述的方法，其特征在于，步驟4中，利用加GRU模塊的全卷積深度模型檢測3D編織復合材料中的缺陷，將檢測結果輸出為有缺陷1、無缺陷0兩種類型。