基于主成分分析与门控循环单元网络的缺陷深度检测方法

摘要

本发明涉及一种基于主成分分析与门控循环单元网络的缺陷深度检测方法，旨在解决现有深度检测方法准确率低的问题。包括以下步骤：1)制备训练试件，选择标记点；2)对训练试件进行脉冲热激励；3)采集试件热激励阶段和冷却阶段表面温度数据；4)由各标记点温度的时间序列构建缺陷初始特征矩阵；5)利用PCA方法对初始特征矩阵进行特征提取，添加样本标签作为训练集；6)构建GRU网络模型，用训练集进行训练，得到板材缺陷深度定量检测模型；7)制备待检测试件并选取标记点，采用同样的脉冲激励、特征提取方法获取测试集，输入到检测模型，得到检测试件标记点的缺陷深度。能快速对板材缺陷深度进行定量检测，检测效率和准确度高，适用性广。

说明书

技术领域

本发明涉及红外无损检测技术领域，尤其是一种基于主成分分析与门控循环单元网络的缺陷深度检测方法。

背景技术

工业制造领域对材料的质量提出了较高的要求，尤其对于大型的电力、交通、军工和航空航天等行业，许多零部件的质量问题将直接影响设备在服役过程中的安全。由于缺陷的存在，材料会出现破损、失效的情况，降低耐腐蚀性、耐磨性等材料性能，所以需要对其进行缺陷检测以保证在使用过程中的安全。但缺陷常出现在材料内部，无法通过肉眼直接观察，为了避免造成损失，有必要进行高效、准确、在役的评估材料缺陷。

目前红外无损检测技术(NDT)，凭借其检测表面广、安全性能高、操作简单便捷，使它成为目前最有发展前景的技术之一。其中，脉冲热像法能够胜任多种材料和形式缺陷的检测。原理基于红外热成像技术，通过热像仪采集物体的温度信息，将表面的异常情况可视化，根据采集的温度信息，完成对缺陷深度的定量评估。

随着人工智能的发展，人们开始将深度学习引入到红外无损检测中。国内外研究表明，将深度学习应用至红外热像缺陷检测领域是可行的，不仅能够有效的识别缺陷，而且可以实现智能化检测，减少人为经验干预。

现有的方法主要集中在利用少量的温度特征例如峰值温度、峰值时间来评估缺陷深度，例如采用RNN模型训练温度时间序列和相应的内部缺陷类型，由于采集的温度数据存在噪声，很难通过少量的温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问题，因此在实际应用中检测效果精度不高、适用性差。

发明内容

本发明提供了一种基于主成分分析与门控循环单元网络的缺陷深度检测方法，能快速对板材缺陷深度进行定量检测，检测效率和准确度高，适用性广。

本发明采用的技术方案如下：

一种基于主成分分析与门控循环单元网络的缺陷深度检测方法，包括以下步骤：

S1：制备带有平底孔洞缺陷的板材作为训练试件，选定训练试件远离所述孔洞缺陷一侧表面做标记点，记录标记点对应的孔洞缺陷深度；

S2：对训练试件施加脉冲热激励，采集热激励阶段和冷却阶段的训练试件表面温度分布数据；

S3：提取训练试件表面各标记点温度的时间序列作为缺陷的初始特征；

S4：构建初始特征矩阵，采用PCA(主成分分析)方法提取累计贡献率为η的主成分作为训练集；

S5：构建GRU(门控循环单元网络)网络模型，以步骤S4中的训练集对GRU网络模型进行训练，得到训练后的缺陷检测GRU网络模型；

S6：按照步骤S1-S4的方法获取待检测试件表面各标记点温度的时间序列并计算得到测试集，并输入至步骤S5训练后的缺陷检测GRU网络模型中，获得待检测试件表面标记点的缺陷深度。

所述步骤S5中，所构建的GRU网络模型包含三层结构，分别为输入层、隐含层和输出层，所述输入层设置读取数据的尺寸，所述隐含层为GRU网络层，所述GRU网络层包含更新门z

所述步骤S1具体包括：

S11：训练试件包括(N+1)块厚度为h的板材，分别在其中N块板材的一侧，加工一个平底孔洞，孔洞直径为

S12：在第i(i＝1，2，…，N)块板材未加工缺陷一侧，按照缺陷对应的表面投影位置划定区域，在划定的区域内随机选取m个标记点，在第(N+1)块板材表面区域同样随机选取m个标记点，共计选取m(N+1)个标记点，记录每个标记点对应的缺陷深度。

所述步骤S2具体包括：

S21：将训练试件标记点所在的表面作为加热面进行加热；

S22：利用红外热像仪采集热激励阶段和冷却阶段的原始数据，所述原始数据包括每个采样时刻的训练试件完整的表面温度信息；

所述步骤S3具体包括：

S31：针对步骤S22中红外热像仪采集的原始数据进行后处理；

S32：导出m(N+1)个标记点的温度的时间序列X

所述步骤S4具体包括：

S41：将各标记点温度的时间序列X

S42：分别对各初始特征矩阵X每一列进行零均值化处理，得到特征矩阵X

S43：求特征矩阵X

S44：将累计贡献率为η的前p个特征值λ

S45：得到特征提取后的矩阵Y＝X

所述步骤S6具体包括：

S61：制备待检测试件，按照步骤S1至S3，获取待检测试件表面s个标记点的温度的时间序列W

S62：将所述温度的时间序列W

S63：将矩阵W的每一列零均值化，得到特征矩阵W

S64：由步骤S44中的投影矩阵Λ和步骤S63中的特征矩阵W

S65：将测试集U输入到步骤S5已训练好的模型中，获取待检测试件表面标记点的缺陷深度。

所述步骤S5中，所述GRU网络层由两个GRU层组成，第一层将每个时刻的输出值输入到第二层，第二层每个时刻的输出值与输出层全连接，每一层的权重是共享的；

所述输出层激活函数为sigmond函数。

施加脉冲热激励采用的系统包括用于加热的激励源和用以调节脉冲宽度控制电路。

本发明的有益效果如下：

本发明采用主动式热像检测方法，获取试件表面标记点温度的时间序列，并进行PCA处理有效地提取缺陷特征，消除数据中的冗余信息，提高了深度学习模型的训练速度。

本发明构建的GRU网络模型用于处理序列数据，相较于RNN模型，能够克服在训练过程中梯度消失和梯度爆炸的问题，训练后得到的模型结合未知缺陷深度的样本数据，可以实现自动对缺陷深度定量检测，提高了缺陷深度定量检测方法的准确性，具有较高的精度。GRU网络是一种专门用于处理序列数据的深度学习方法，用于温度的时间序列中，对实现缺陷深度精确、高效的定量检测有十分重要的意义。

本发明相较于磁粉法、渗透法等常规检测方法无法对缺陷进行定量评估的局限，拥有更广的适用范围。

附图说明

图1是本发明方法的流程示意图。

图2是本发明具体实施例中缺陷深度的结构示意图。

图3是本发明具体实施例中实验装置布置结构示意图。

图4是本发明具体实施例中标记点特征提取示意图。

图5是本发明实例中GRU网络结构示意图。

图6是本发明实例中训练网络示意图。

图7是本发明实例中测试网络示意图。

具体实施方式

以下结合附图说明本发明的具体实施方式。

如图1所示，本实施例的一种基于主成分分析与门控循环单元网络的缺陷深度检测方法，包括以下步骤：S1：制备带有平底孔洞缺陷的板材作为训练试件，选定训练试件表面标记点，记录标记点对应的孔洞缺陷深度；S2：对训练试件施加脉冲热激励，采集热激励阶段和冷却阶段的训练试件表面温度分布数据；S3：提取训练试件表面各标记点温度的时间序列作为缺陷的初始特征；S4：构建初始特征矩阵，采用PCA方法提取累计贡献率为η的主成分作为训练集；S5：构建GRU网络模型，以步骤S4中的训练集对GRU网络模型进行训练，得到训练后的缺陷检测GRU网络模型；S6：按照步骤S1-S4的方法获取待检测试件表面各标记点温度的时间序列并计算得到测试集，并输入至步骤S5训练后的缺陷检测GRU网络模型中，获得待检测试件表面标记点的缺陷深度。

下面结合附图对本实施例缺陷深度检测方法中各步骤展开详细阐述。

S1：制备带有平底孔洞缺陷的板材作为训练试件，选定训练试件表面标记点，记录标记点对应的孔洞缺陷深度，具体包括：

S11：训练试件包括(N+1)块厚度为h的板材，在其中N块板材的一侧，加工一个平底孔洞，孔洞直径为

S12：分别在N块板材的未加工缺陷一侧，按照缺陷对应的表面投影位置划定区域，在划定的区域内随机选取m个标记点，在第(N+1)块板材表面区域同样随机选取m个标记点，即共计选取m(N+1)个标记点，记录每个标记点对应的缺陷深度d

S2：对训练试件施加脉冲热激励，采集热激励阶段和冷却阶段的训练试件表面温度分布数据，采用的脉冲热激励系统包括激励源、控制电路，激励源为高能加热灯，功率为1000W，控制电路用于控制脉冲宽度，由时间继电器和中间继电器组成；

具体包括以下步骤：

S21：将训练试件标记点所在的表面作为加热面进行加热；激励源、红外热像仪位于试件同一侧，实验装置如图3所示；

S22：红外热像仪型号为FlukeTxi660，最大采样频率为60Hz，利用热像仪采集两个阶段的原始数据，原始数据包括每个采样时刻的训练试件完整的表面温度信息；两个阶段为第1阶段的热激励阶段，时长为脉冲宽度t

S3：提取训练试件表面各标记点温度的时间序列作为缺陷的初始特征，具体包括以下步骤：

S31：利用SmartView软件对步骤S22中红外热像仪采集的原始数据进行后处理操作；

S32：导出m(N+1)个标记点的温度的时间序列X

S4：构建初始特征矩阵，采用PCA方法提取累计贡献率为η的主成分作为训练集，具体包括以下步骤；

S41：将各标记点温度的时间序列X

矩阵

S42：分别对各初始特征矩阵X每一列进行零均值化处理，得到特征矩阵X

特征矩阵X

S43：求特征矩阵X

S44：将累计贡献率为η的前p个特征值λ

S45：得到特征提取后的矩阵Y，

矩阵

S5：构建GRU网络模型，以步骤S4中的训练集Z对GRU网络模型进行训练，得到训练后的缺陷检测GRU网络模型；所构建的GRU网络模型包含三层结构，分别为输入层、隐含层和输出层，输入层设置读取数据的尺寸，输入层节点数与输入序列长度p相同，隐含层为GRU网络层，输出层激活函数为sigmond函数，网络的结构如图5所示，输入层输入每个标记点的特征序列Y

GRU网络层包含更新门z

训练过程：使用训练集Z对所构建的GRU网络模型进行训练，采用梯度下降法优化权重和偏置，调节网络的迭代次数、隐含层层数、神经元数目使得模型预测深度d′

S6：按照步骤S1-S4的方法获取待检测试件表面各标记点温度的时间序列并计算得到测试集，并输入至步骤S5训练后的缺陷检测GRU网络模型中，获得待检测试件表面标记点的缺陷深度，具体包括以下步骤：

S61：制备待检测试件，按照步骤S1至S3，获取待检测试件表面s个标记点的温度的时间序列W

S62：将所述温度的时间序列W

S63：将矩阵W的每一列零均值化，得到特征矩阵W

S64：由步骤S44中的投影矩阵Λ和步骤S63中的特征矩阵W

S65：将测试集U输入到步骤S5已训练好的模型中，获取待检测试件表面标记点的缺陷深度d″

本实施例采用主动式热像检测方法，获取试件表面标记点温度的时间序列，并进行PCA处理用于消除数据中的冗余信息，提高了网络的训练速度。GRU网络模型用于处理序列数据，能够克服在训练过程中梯度消失和梯度爆炸的问题，训练后得到的模型结合未知缺陷深度的样本数据，可以实现自动对缺陷深度定量检测，提高了缺陷深度定量检测方法的准确性，具有较高的精度。