[發明專利]基于主成分分析與門控循環單元網絡的缺陷深度檢測方法

在審

• 申請號: 202110257434.X
• 申請日: 2021-03-12
• 公開（公告）號: CN113111911A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 胡建中;徐立;許飛云;賈民平
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/00
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 郝雅潔

本發明涉及一種基于主成分分析與門控循環單元網絡的缺陷深度檢測方法，旨在解決現有深度檢測方法準確率低的問題。包括以下步驟：1)制備訓練試件，選擇標記點；2)對訓練試件進行脈沖熱激勵；3)采集試件熱激勵階段和冷卻階段表面溫度數據；4)由各標記點溫度的時間序列構建缺陷初始特征矩陣；5)利用PCA方法對初始特征矩陣進行特征提取，添加樣本標簽作為訓練集；6)構建GRU網絡模型，用訓練集進行訓練，得到板材缺陷深度定量檢測模型；7)制備待檢測試件并選取標記點，采用同樣的脈沖激勵、特征提取方法獲取測試集，輸入到檢測模型，得到檢測試件標記點的缺陷深度。能快速對板材缺陷深度進行定量檢測，檢測效率和準確度高，適用性廣。

技術領域

本發明涉及紅外無損檢測技術領域，尤其是一種基于主成分分析與門控循環單元網絡的缺陷深度檢測方法。

背景技術

工業制造領域對材料的質量提出了較高的要求，尤其對于大型的電力、交通、軍工和航空航天等行業，許多零部件的質量問題將直接影響設備在服役過程中的安全。由于缺陷的存在，材料會出現破損、失效的情況，降低耐腐蝕性、耐磨性等材料性能，所以需要對其進行缺陷檢測以保證在使用過程中的安全。但缺陷常出現在材料內部，無法通過肉眼直接觀察，為了避免造成損失，有必要進行高效、準確、在役的評估材料缺陷。

目前紅外無損檢測技術(NDT)，憑借其檢測表面廣、安全性能高、操作簡單便捷，使它成為目前最有發展前景的技術之一。其中，脈沖熱像法能夠勝任多種材料和形式缺陷的檢測。原理基于紅外熱成像技術，通過熱像儀采集物體的溫度信息，將表面的異常情況可視化，根據采集的溫度信息，完成對缺陷深度的定量評估。

隨著人工智能的發展，人們開始將深度學習引入到紅外無損檢測中。國內外研究表明，將深度學習應用至紅外熱像缺陷檢測領域是可行的，不僅能夠有效的識別缺陷，而且可以實現智能化檢測，減少人為經驗干預。

現有的方法主要集中在利用少量的溫度特征例如峰值溫度、峰值時間來評估缺陷深度，例如采用RNN模型訓練溫度時間序列和相應的內部缺陷類型，由于采集的溫度數據存在噪聲，很難通過少量的溫度特征反映缺陷的全部信息，并且RNN模型存在梯度消失和梯度爆炸的問題，因此在實際應用中檢測效果精度不高、適用性差。

發明內容

本發明提供了一種基于主成分分析與門控循環單元網絡的缺陷深度檢測方法，能快速對板材缺陷深度進行定量檢測，檢測效率和準確度高，適用性廣。

本發明采用的技術方案如下：

一種基于主成分分析與門控循環單元網絡的缺陷深度檢測方法，包括以下步驟：

S1：制備帶有平底孔洞缺陷的板材作為訓練試件，選定訓練試件遠離所述孔洞缺陷一側表面做標記點，記錄標記點對應的孔洞缺陷深度；

S2：對訓練試件施加脈沖熱激勵，采集熱激勵階段和冷卻階段的訓練試件表面溫度分布數據；

S3：提取訓練試件表面各標記點溫度的時間序列作為缺陷的初始特征；

S4：構建初始特征矩陣，采用PCA(主成分分析)方法提取累計貢獻率為η的主成分作為訓練集；

S5：構建GRU(門控循環單元網絡)網絡模型，以步驟S4中的訓練集對GRU網絡模型進行訓練，得到訓練后的缺陷檢測GRU網絡模型；

S6：按照步驟S1-S4的方法獲取待檢測試件表面各標記點溫度的時間序列并計算得到測試集，并輸入至步驟S5訓練后的缺陷檢測GRU網絡模型中，獲得待檢測試件表面標記點的缺陷深度。