基于超声相控阵图像碳纤维复合材料缺陷分类方法和装置与流程

本发明涉及碳纤维复合材料检测技术领域，尤其涉及一种基于超声相控阵图像碳纤维复合材料缺陷分类方法和系统。

背景技术：

碳纤维复合材料主要以碳纤维为增强材料，以树脂、金属、陶瓷等作为基体材料，经过复合制成的具有优越性能的多相固体材料，是轻量化制造的重要材料，由于其优良的综合性能，被称作是21世纪的“黑色黄金”，在航空航天、国防工程、高铁、汽车工业等领域均具有广泛的应用前景。碳纤维复合材料作为高性能结构新材料，被广泛应用于航空航天、汽车制造等领域。但由于碳纤维复合材料的特殊制造工艺及其各向异性的特点，导致在制造工艺中容易出现不稳定现象，从而产生各种各样的缺陷；此外，碳纤维复合材料在服役过程中也不可避免的会产生各种缺陷。而缺陷的存在会严重影响材料的性能，一旦缺陷的程度达到最大限度，会导致整个结构件的报废，造成重大的经济损失，甚至存在安全隐患。同时，缺陷类型的判断也是重中之重，只有了解了材料内部缺陷的类型，才能对材料进行有效的修复，这样不但能节约资源，而且对材料的特性有更进一步的了解，因此，对碳纤维复合材料缺陷进行检测和识别具有重要的意义。

碳纤维复合材料因不同损伤机理而产生不同的缺陷，如分层、夹杂、裂纹等。缺陷检测的目的是通过检测得到缺陷信号，并对缺陷特征进行提取，然后根据不同缺陷特征进一步对缺陷类型进行识别，以便于及时采取补救措施。目前，国内外常用的缺陷识别方法还存在着局限性，缺陷检测与识别的准确性一直未得到彻底解决，国内对于碳纤维复合材料的检测方法大都处于实验研究或仿真研究阶段，实际应用中也一般采用抽样，由于抽样的随机性和同一批材料的巨大差异而导致实验结果不准确。

技术实现要素：

本发明的目的是克服了上述现有技术的缺点，提供了一种能够提高碳纤维复合材料检测准确率的基于超声相控阵图像碳纤维复合材料缺陷分类方法和系统。

为了实现上述目的，本发明的提出基于超声相控阵图像碳纤维复合材料缺陷分类方法，其主要特点是，该方法包括以下步骤：

(1)利用超声相控阵检测技术获取碳纤维复合材料缺陷样本的样本缺陷图像特征参数；

(2)根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型；

(3)利用超声相控阵检测技术采集被测碳纤维复合材料的被测缺陷图像特征参数；

(4)计算所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度；

(5)根据所述的关联度判断缺陷类型。

进一步地，所述的步骤(1)，具体为：

(1.1)利用超声相控阵检测技术采集碳纤维复合材料缺陷样本的样本图像信息；

(1.2)根据所述的样本图像信息进行图像重建并提取相应的样本缺陷图像特征参数。

更进一步地，所述的样本缺陷图像特征参数包括样本面积特征参数和样本形状特征参数。

更进一步地，所述的步骤(2)具体为：

根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型，所述的图像特征中智参数模型公式如下：

其中，其中sⁱmin和sⁱmax分别代表第i种缺陷类型所对应的样本面积特征参数归一化处理后的最小值和最大值；和代表第i种缺陷类型所对应第j类样本形状特征参数归一化处理后的最小值和最大值。在上述图像特征中智参数模型中，每一个样本缺陷图像特征参数分别由隶属度、不确定性度和非隶属度构成，在所述的样本面积特征参数<sⁱmin,sⁱmax-sⁱmin,1-sⁱmax>中，sⁱmin、sⁱmax-sⁱmin和1-sⁱmax分别表示所述的样本面积特征参数的隶属度、不确定性度和非隶属度。在所述的第j类样本形状特征参数中，和分别表示所述的第j类样本形状特征参数的隶属度、不确定性度和非隶属度。

更进一步地，所述的步骤(3)具体为：

(3.1)利用超声相控阵检测技术采集被测碳纤维复合材料的被测图像信息；

(3.2)根据所述的被测图像信息进行图像重建并提取相应的被测缺陷图像特征参数。

更进一步地，所述的被测缺陷图像特征参数包括被测面积特征参数和被测形状特征参数。

更进一步地，所述的被测缺陷图像特征中智参数具体如下表示：

mt＝{<st,δ,1-st>,<p1t,δ1,1-p1t>,<p2t,δ2,1-p2t>,……<pjt,δj,1-pjt>}；

其中，st代表被测碳纤维复合材料所对应的被测面积特征参数；pjt代表被测碳纤维复合材料所对应第j类被测形状特征参数，δ和δj是根据精度要求的可调参数。

更进一步地，所述的步骤(4)具体为：

根据以下多属性中智加权相似度量公式计算所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度：

其中，

更进一步地，所述的缺陷类型包括分层缺陷、夹杂缺陷和裂纹缺陷，所述的样本形状特征参数包括碳纤维复合材料缺陷样本的样本缺陷图像的长、宽和宽长比值，所述的被测形状特征参数包括被测碳纤维复合材料的被测缺陷图像的长、宽和宽长比值。

此外，为了实现上述目的，本发明还提出实现基于超声相控阵图像的碳纤维复合材料缺陷分类方法的装置，该装置包括缺陷采集模块、缺陷特征提取模块、模型建立模块、缺陷分类模块、超声相控阵检测仪，其中：

所述的缺陷采集模块用以利用超声相控阵检测仪采集碳纤维复合材料缺陷样本的样本图像信息，或采集被测碳纤维复合材料的被测图像信息；

所述的缺陷特征提取模块用以对所述的样本图像信息进行图像重建并提取相应的样本缺陷图像特征参数，或者对所述的被测图像信息进行图像重建并提取相应的被测缺陷图像特征参数；

所述的模型建立模块用以根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型；

所述的缺陷分类模块用于分析所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度，根据所述的关联度判断缺陷类型。

进一步地，所述的超声相控阵检测仪包括超声相控阵探头，运动控制模块、电机，所述的运动控制模块通过电机控制超声相控阵探头运动。

更进一步地，所述的超声相控阵检测仪还包括电机驱动模块和线性模组，所述的电机驱动模块用以驱动所述的电机控制超声相控阵探头在线性模组内运动。

更进一步地，所述的装置还包括水箱，所述的水箱用于放置所述的碳纤维复合材料缺陷样本或被测碳纤维复合材料。

采用了该发明中的基于超声相控阵图像的碳纤维复合材料缺陷分类方法和装置，通过大量缺陷样本建立碳纤维复合材料各种缺陷对应的图像特征中智参数模型，提取被测碳纤维复合材料缺陷的被测缺陷图像特征参数，通过计算被测缺陷图像特征参数与图像特征中智参数模型之间的关联度，实现被测碳纤维复合材料缺陷的自动分类，通过超声相控阵检测技术，使参数检测更加精确；通过建立图像特征中智参数模型及采用智能算法，使该碳纤维复合材料缺陷分类方法和装置在处理含有不确定性缺陷诊断方面具有明显的优点，能克服临界判断模糊等缺点，可以进一步提高碳纤维复合材料缺陷检测的准确率，此外，采用开放式设计理念，用户可以根据不同碳纤维复合材料调节图像特征中智参数模型中的可调精度参数，从而可满足客户个性化要求及特殊场合的特殊需求，具有更广泛的应用范围。

附图说明

图1为本发明的基于超声相控阵图像的碳纤维复合材料缺陷分类方法的流程图。

图2为本发明的碳纤维复合材料的分层缺陷样本的示意图。

图3为本发明的碳纤维复合材料的空隙缺陷样本的示意图。

图4为本发明的碳纤维复合材料的纤维断裂缺陷样本的示意图。

图5为本发明的实现基于超声相控阵图像的碳纤维复合材料缺陷分类方法的装置的结构示意图。

图6为本发明的实现基于超声相控阵图像的碳纤维复合材料缺陷分类方法的装置的一个实施例。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

如图1所示，为本发明的基于超声相控阵图像的碳纤维复合材料缺陷分类方法的流程图。

(1)利用超声相控阵检测技术获取碳纤维复合材料缺陷样本的样本缺陷图像特征参数；

(2)根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型；

(3)利用超声相控阵检测技术采集被测碳纤维复合材料的被测缺陷图像特征参数；

(4)计算所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度；

(5)根据所述的关联度判断缺陷类型。

在一种实施方式中，所述的步骤(1)，具体为：

(1.1)利用超声相控阵检测技术采集碳纤维复合材料缺陷样本的样本图像信息；

(1.2)根据所述的样本图像信息进行图像重建并提取相应的样本缺陷图像特征参数。

在一种实施方式中，所述的样本缺陷图像特征参数包括样本面积特征参数和样本形状特征参数，所述的步骤(2)具体为：

根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型，图像特征中智参数模型公式如下：

其中，其中sⁱmin和sⁱmax分别代表第i种缺陷类型所对应的样本面积特征参数的最小值和最大值；和代表第i种缺陷类型所对应第j类样本形状特征参数的最小值和最大值。在上述图像特征中智参数模型中，每一个样本缺陷图像特征参数分别由隶属度、不确定性度和非隶属度构成，在所述的样本面积特征参数<sⁱmin,sⁱmax-sⁱmin,1-sⁱmax>中，sⁱmin、sⁱmax-sⁱmin和1-sⁱmax分别表示所述的样本面积特征参数的隶属度、不确定性度和非隶属度。在所述的第j类样本形状特征参数中，和分别表示所述的第j类样本形状特征参数的隶属度、不确定性度和非隶属度。

在一种实施方式中，所述的步骤(3)具体为：

(3.1)利用超声相控阵检测技术采集被测碳纤维复合材料的被测图像信息；

(3.2)根据所述的被测图像信息进行图像重建并提取相应的被测缺陷图像特征参数。

在一种实施方式中，所述的被测缺陷图像特征参数包括被测面积特征参数和被测形状特征参数，所述的被测缺陷图像特征参数具体如下表示：

mt＝{<st,δ,1-st>,<p1t,δ1,1-p1t>,<p2t,δ2,1-p2t>,……〈pjt,δj,1-pjt>}；

其中，st代表被测碳纤维复合材料所对应的被测面积特征参数；pjt代表被测碳纤维复合材料所对应第j类被测形状特征参数，δ和δj是根据精度要求的可调参数。

在一种实施方式中，所述的步骤(4)具体为：

根据以下多属性中智加权相似度量公式计算所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度：

其中，

在一种实施方式中，所述的缺陷类型包括分层缺陷、夹杂缺陷和裂纹缺陷，所述的样本形状特征参数包括碳纤维复合材料缺陷样本的样本缺陷图像的长、宽和宽长比值，所述的被测形状特征参数包括被测碳纤维复合材料的被测缺陷图像的长、宽和宽长比值。

以检测碳纤维复合材料层压板试件的缺陷为具体实施例，试件内部预埋由聚四氟乙烯模拟的人工缺陷，缺陷分类方法具体如下：

(a)建立碳纤维复合材料缺陷的参数标准模型

利用超声相控阵检测技术采集碳纤维复合材料缺陷样本反射的超声信号产生的样本图像信息，对样本图像信息进行图像重建，提取样本缺陷图像的面积特征和形状特征，确定样本缺陷图像的面积特征和形状特征区间范围，其中面积特征分别用s描述，形状特征分别用样本缺陷图像的长p1、宽p2和长宽比值p3描述，然后用聚类分析法建立缺陷类型对应的标准图像特征中智参数模型，图像特征中智参数模型的公式如下：

其中sⁱmin和sⁱmax(i＝1,2,3)分别代表归一化处理后第i种缺陷类型所对应样本面积特征参数的像素数最小值和最大值；和(i＝1,2,3；j＝1,2,3)代表归一化处理后第i种缺陷类型所对应第j类形状特征的最小值和最大值。

根据碳纤维复合材料常见缺陷的特性，制作150mm×150mm×10mm的碳纤维复合材料层压板的试件作为样本，每层碳纤维复合材料厚度0.2mm。试件内部预埋三种类型的缺陷样本，如图2～图4所示。

图2为碳纤维复合材料的分层缺陷样本的示意图，试件内部预埋应用聚四氟乙烯模拟的3组缺陷，根据缺陷大小和深度不同制作8块。3组缺陷深度不同，每个试件共埋3个缺陷，聚四氟乙烯按正方形排列，同一层平面上的位置可以均匀分布，但同一垂直面上只有一个缺陷。试件缺陷的具体参数如表1。第一层编号1预埋深度为h1，第二层编号2预埋深度为h2，第三层编号3，预埋深度为h3，每个试件预埋的缺陷大小也有所不同。

表1

图3为碳纤维复合材料的空隙缺陷样本的示意图，试件内部预埋用圆柱形真空管模拟的3个空隙缺陷，空隙与纤维轴平行。3个缺陷深度不同，水平面上的位置可以均匀分布，但同一垂直面上只有一个缺陷。根据缺陷大小和深度不同制作8块，试件缺陷的具体参数如表2。第一层编号1预埋深度为h1，第二层编号2预埋深度为h2，第三层编号3预埋深度为h3，每个试件预埋的缺陷大小也有所不同。

表2

图4为碳纤维复合材料的纤维断裂缺陷样本的示意图，试件内部预埋纤维断裂的3个裂纹缺陷，根据缺陷大小和深度不同制作8块。裂纹与纤维方向轴垂直，3个缺陷深度不同，同一层平面上的位置可以均匀分布，但同一垂直面上只有一个缺陷。水平面上的位置可以均匀分布，但同一垂直面上只有一个缺陷。试件缺陷的具体参数如表3。第一层编号1预埋深度为h1，第二层编号2预埋深度为h2，第三层编号3预埋深度为h3，每个试件预埋的缺陷大小也有所不同。

表3

根据样本缺陷图像的面积特征和形状特征，可以构建归一化后缺陷的图像特征中智参数模型。当sⁱmin<0.01时，令sⁱmin＝0.01(i＝1,2,3)；当时，令

本实施例中建立分层、空隙和裂纹的图像特征中智参数模型m1、m2、m3，具体表示如下：

分层缺陷图像特征中智参数模型：

m1＝{〈0.01,0.12,0.87>,<0.01,0.39,0.60>，<0.01,0.39,0.60>,<1，0,0>}。

空隙缺陷图像特征中智参数模型：

m2＝{<0.01,0.01,0.98>,<0.33,0.34,0.33>,<0.01,0.02,0.97>，<0.02,0.03,0.96>}。

裂纹缺陷图像特征中智参数模型：

m3＝{〈0.01,0.00,0.99>,〈0.07,0.06,0.87>,<0.01,0.02,0.97>，<0.10,0.10,0.80>}。

(b)获取碳纤维复合材料层压板试件的图像特征参数

利用超声相控阵检测技术采集碳纤维复合材料层压板试件的被测缺陷图像特征参数，所述的被测缺陷图像特征参数具体如下表示：

mt＝{<st,δ,1-st>,<p1t,δ1,1-p1t>,<p2t,δ2,1-p2t>,<p3t,δ3,1-p3t>}；

其中，st代表被测碳纤维复合材料所对应的被测面积特征参数；pjt代表被测碳纤维复合材料所对应第j类被测形状特征参数，δ和δj是根据精度要求的可调参数。

碳纤维复合材料层压板试件为100mm×100mm，预埋聚四氟乙烯50mm×50mm作为分层缺陷，提取碳纤维复合材料层压板试件的被测缺陷图像特征参数为：

mt＝{<0.36,0.01,0.64>,<0.60,0.01,0.40>,<0.60,0.01,0.40>,<1.00,0.01,0.00>}。

(c)计算被测缺陷图像特征参数与图像特征中智参数模型之间的关联度关联度公式如下：

取ω1＝ω2＝0.2，ω3＝0.6，ζ1＝ζ2＝0.5，得：

c(m1,mt)＝0.485，c(m2,mt)＝0.348，c(m3,mt)＝0.471。

(d)满足检测精度要求，根据最大关联度，诊断被测缺陷为分层缺陷，与实际结果相符。

此外，如图5所示，为本发明的实现基于超声相控阵图像的碳纤维复合材料缺陷分类方法的装置的结构示意图，装置包括缺陷采集模块、缺陷特征提取模块、模型建立模块、缺陷分类模块和超声相控阵检测仪，其中：

所述的缺陷采集模块用以利用超声相控阵检测仪采集碳纤维复合材料缺陷样本的样本图像信息，或采集被测碳纤维复合材料的被测图像信息；

所述的缺陷特征提取模块用以对所述的样本图像信息进行图像重建并提取相应的样本缺陷图像特征参数，或者对所述的被测图像信息进行图像重建并提取相应的被测缺陷图像特征参数；

所述的模型建立模块用以根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型；

所述的缺陷分类模块用于分析所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度，根据所述的关联度判断缺陷类型。

所述的超声相控阵检测仪包括超声相控阵探头，运动控制模块、电机、电机驱动模块和线性模组，所述的运动控制模块通过电机驱动模块启/停电机来控制超声相控阵探头在线性模组内运动。

本发明的实现基于超声相控阵图像的碳纤维复合材料缺陷分类方法的装置包括水箱，用于放置所述的碳纤维复合材料缺陷样本或被测碳纤维复合材料。

如图6所示为本发明的实现基于超声相控阵图像的碳纤维复合材料缺陷分类方法的装置的一个实施例。

运动控制模块通过电机驱动模块4启/停电机(未标出)来控制超声相控阵探头2在线性模组3内分别沿x-y-z三维方向运动。

缺陷样本采集模块5利用超声相控阵数据采集卡采集碳纤维复合材料缺陷样本的缺陷样本图像信息或采集被测碳纤维复合材料的被测图像信息，以帧为单位保存在文本文件中。

缺陷特征提取模块对所述的样本图像信息进行图像重建并提取相应的样本缺陷图像特征参数，或者对所述的被测图像信息进行图像重建并提取相应的被测缺陷图像特征参数；

模型建立模块根据所述的样本缺陷图像特征参数利用聚类分析法建立一种或多种缺陷类型对应的图像特征中智参数模型；

缺陷分类模块据多属性中智加权相似度量模糊算法设定的模糊规则分析所述的被测缺陷图像特征参数与所述的图像特征中智参数模型之间的关联度，根据所述的关联度判断缺陷类型；

水箱8用于放置所述的碳纤维复合材料1，具体为碳纤维复合材料缺陷样本或被测碳纤维复合材料。

示波器6主要用于显示超声波形，运动控制模块、缺陷特征提取模块、模型建立模块、缺陷分类模块均集成于处理器7中。

采用了该发明中的基于超声相控阵图像的碳纤维复合材料缺陷分类方法和装置，通过大量缺陷样本建立碳纤维复合材料各种缺陷对应的图像特征中智参数模型，提取被测碳纤维复合材料缺陷的被测缺陷图像特征参数，通过计算被测缺陷图像特征参数与图像特征中智参数模型之间的关联度，实现被测碳纤维复合材料缺陷的自动分类，通过超声相控阵检测技术，使参数检测更加精确；通过建立图像特征中智参数模型及采用智能算法，使该碳纤维复合材料缺陷分类方法和装置在处理含有不确定性缺陷诊断方面具有明显的优点，能克服临界判断模糊等缺点，可以进一步提高碳纤维复合材料缺陷检测的准确率，此外，采用开放式设计理念，用户可以根据不同碳纤维复合材料调节图像特征中智参数模型中的可调精度参数，从而可满足客户个性化要求及特殊场合的特殊需求，具有更广泛的应用范围。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。