一种基于深度学习的合金钢力学性能联合无损检测方法与流程

本申请涉及合金钢无损检测的技术领域，具体而言，涉及一种基于深度学习的合金钢力学性能联合无损检测方法。

背景技术：

随着制造业的不断发展，生产设备和工艺的不断优化提高，对铁磁性材料产品的质量和生产效率要求也不断提高。铁磁性材料的硬度和抗拉强度是材料力学性能的重要指标，对其进行便捷快速、高精度的检验、评估是必不可少的环节之一。

而现有技术中，无损检测方法评价材料力学性能的过程，通常是获得标定试块的测量信号特征参量后，采用最小二乘法，建立测量信号特征参量与某一种力学性能参量之间的映射关系，利用测量信号特征参量表征该力学性能参量。但是，一方面，由于测量信号特征参量与所需评价的材料力学性能参量之间，可能存在复杂、未知的非线性映射关系，传统的最小二乘法标定过程，存在拟合方式难以选定的困难，导致最终力学性能参量的检测精度不高。

另一方面，不同的无损检测方法，如超声无损检测、巴克豪森噪声检测、磁滞无损检测，对不同材料的适用程度不同，导致同一材料采用不同的方法，所得的检测结果差异较大。

技术实现要素：

本申请的目的在于：采用深度神经网络进行多种无损测量信号特征参量的信息融合，提高合金钢力学性能检测的可靠性、稳定性和精度，克服某些材料对某种信号检测方法不敏感、不适用的问题，实现材料力学性能快速、高精度检测。

本申请的技术方案是：提供了一种基于深度学习的合金钢力学性能联合无损检测方法，该方法包括：步骤1，获取标定试样采用多种无损检测技术的多次测量信号特征参量和多次力学性能参量，并将每一个标定试样的每一种无损检测技术的多次测量信号特征参量的均值记作一个样本测量信号特征参量，将标定试样的多次力学性能参量的均值记作相应的样本力学性能参量；步骤2，根据残差模块与全连接神经网络，构建初始无损检测模型，并根据测量信号特征参量和力学性能参量的数目，对初始无损检测模型的输入层节点数和输出层节点数进行等类扩充；步骤3，采用最小二乘法，建立样本测量信号特征参量和样本力学性能参量之间的标定曲线，确定任两个样本测量信号特征参量间的映射关系及标定关联值，并计算初始无损检测模型中输入层与第一隐藏层之间的初始输入权重矩阵；步骤4，根据测量信号特征参量和力学性能参量，对初始无损检测模型进行训练，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，其中，初始无损检测模型进行第一次训练时，网络权重矩阵中包括初始输入权重矩阵。

上述任一项技术方案中，进一步地，具体包括：将多个全连接层依次相连，组成全连接神经网络，并依次将全连接层记作输入层、多个隐藏层和输出层；嵌入残差模块，残差模块由输入层开始，包含两个间隔一个隐藏层的全连接层，残差模块中每一个全连接层的节点输出端与隔一个隐藏层的下一个全连接层的节点输入端相连，其中，残差模块相连的两个全连接层的节点数相等；将嵌入残差模块后的全连接神经网络记作初始无损检测模型。

上述任一项技术方案中，进一步地，步骤2中，初始无损检测模型的正向传播函数为：

式中，xl为初始无损检测模型中第l层的输出值，l＝1,2,3,…,n，i为初始无损检测模型的输入，f(·)为sigmoid激活函数，zl为第l个全连接层的输入值，w^(l)和b^(l)分别为第l个全连接层的网络权重矩阵和网络偏置矩阵；

初始无损检测模型的误差反向传播函数为：

e＝o-o^*

δl＝（δl+1·w^(l+1)+δl+2)·f′(xl)

δn-1＝e·f′(xn-2)

式中，o和o^*为初始无损检测模型的输出数据和期望数据，e为输出误差，e为网络代价函数，δl为第l层节点敏感值，j为初始无损检测模型的输出层的节点个数，n为初始无损检测模型的层数，f′(·)为激活函数的一阶导数；

初始无损检测模型中网络权重矩阵w^(l)和网络偏置矩阵b^(l)的更新公式为：

式中，w^(l)′为更新后的网络权重矩阵，η为学习率，学习率η用于调整网络权重矩阵和网络偏置矩阵的更新速度，b^(l)′为更新后的网络偏置矩阵。

上述任一项技术方案中，进一步地，标定试样的无损检测技术分为三种，对应的样本测量信号特征参量依次记作i1、i2、i3，该步骤3中，具体包括：步骤31，采用最小二乘法，建立样本测量信号特征参量和样本力学性能参量之间的标定曲线，并根据测试试样，计算标定曲线的预测精度及标定关联值；步骤32，采用最小二乘法，确定任两个样本测量信号特征参量间的映射关系；步骤33，根据标定关联值和映射关系，计算初始输入权重矩阵，初始输入权重矩阵的计算公式为：

式中，μ＝1，…，n，n为初始无损检测模型中第一隐藏层的节点数，f(*)、g(*)为指数函数，pθ为第θ种无损检测技术对应的标定关联值，θ＝1,2,3，为输入层中第个节点与第一隐藏层中第μ个节点之间的权重，其中，权重w1μ的取值为随机值，随机值的取值范围为(-1,1)。

上述任一项技术方案中，进一步地，步骤4中，具体包括：步骤41，根据预设检测误差，确定参数选取区间，在参数选取区间内，随机选取数量与预设扩充倍数相等的正态分布随机数，根据选取出的正态分布随机数，依次对样本测量信号特征参量进行乘法扩充；步骤42，根据样本测量信号特征参量和样本力学性能参量，采用最小二乘法，确定预设拟合函数中的参数，并结合扩充后的样本测量信号特征参量，计算每一种无损检测技术得到的测量信号特征参量对应的力学性能参量，由三种测量信号特征参量分别计算出每一种力学性能参量的均值，将均值作为扩充后的力学性能参量；步骤43，根据预设阈值，对扩充后的测量信号特征参量和扩充后的力学性能参量进行筛选，将筛选后的测量信号特征参量作为输入数据，带入初始无损检测模型，对初始无损检测模型进行校验，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，其中，校验时的校验值为筛选后的力学性能参量。

本申请的有益效果是：

本申请中的技术方案，通过将残差网络嵌套于全连接神经网络，构建初始无损检测模型，避免了传统神经网络中的信息损耗、丢失现象。通过利用标定曲线的预测精度，对多种测量信号特征参量进行关联，得到标定关联值，再结合测量信号特征参量间的映射关系，确定检测模型的初始输入权重矩阵，实现了合金钢力学性能的多种检测方法的联合检测，克服了单一无损检测技术针对特定材料适用性不高的问题，提高合金钢力学性能检测的可靠性、稳定性和精度。

本申请中，通过对多种无损检测技术的实测信号进行扩充，并利用扩充后的测量信号特征参量对联合无损检测模型进行训练，避免了传统单参数检测模型数据点较少、存在偶然性的问题，利用计算均值和阈值筛选的方式，将实际检测过程的单次测量特异性考虑在内，使得联合无损检测模型在训练过程中的可信度更高，测试结果的稳定性更好。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的基于深度学习的合金钢力学性能联合无损检测方法的示意流程图；

图2是根据本申请的一个实施例的相同材质、不同处理的标定试样的排列图；

图3是根据本申请的一个实施例的初始无损检测模型的示意图；

图4是根据本申请的一个实施例的全连接残差网络结构的示意图；

图5是根据本申请的一个实施例的超声与巴克豪森、矫顽力的拟合曲线的示意图；

图6是根据本申请的一个实施例的输入、输出网络扩充的示意图；

图7是根据本申请的一个实施例的初始无损检测模型训练情况的示意图；

图8是根据本申请的一个实施例的联合无损检测的示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本实施例提供了一种基于深度学习的合金钢力学性能联合无损检测方法，包括：

步骤1，获取标定试样采用多种无损检测技术的多次测量信号特征参量和多次力学性能参量，并将每一个标定试样的每一种无损检测技术的多次所述测量信号特征参量的均值记作一个样本测量信号特征参量，将所述标定试样的多次所述力学性能参量的均值记作相应的样本力学性能参量。

本实施例中，采用45#钢制备7个相同尺寸的试样，由左至右依次排列，编号为1至7。对上述7个试样进行不同程度的拉伸，拉升程度依次为：1％、4％、8％、12％、14％、16％和18％，如图2所示。

再将拉伸后的7个试样进行不同的热处理，依次为：退火(a)、正火(n)、850℃淬火(850wq)、760℃淬火(760wq)以及200℃(200t)、400℃(400t)、600℃回火(600t)，并将第4个采用760℃淬火(760wq)处理的试样作为验证试样，以便于对由其余6个试样测得数据构建的标定曲线和联合无损检测模型进行验证，检测本实施例中无损检测方法的检测精度。

将编号为1-3和编号为5-7的6个试样作为标定试样，将编号为4的试样作为验证试样。

采用现有合金钢力学测量方法获取3组测量信号特征参量和2组力学性能参量，3组测量信号特征参量依次为巴克豪森噪声均方根(rms)值、声速值、矫顽力值，2组力学性能参量依次为表面布氏硬度和抗拉强度，其中，利用布氏硬度计检测7个试样的布氏硬度，利用万能试验机检测7个试样的抗拉强度。

获取7个试样在每种测量方法下的20个数据(测量信号特征参量或力学性能参量)，再将20个数据的平均值作为样本数据(样本测量信号特征参量或样本力学性能参量)，所得样本数据如表1所示。

表1

也就是说，每个试样共有三组测量信号特征参量，每组测量信号特征参量包括20个数据，且对应一个样本测量信号特征参量。同样的，每个试样共有两组力学性能参量，每组力学性能参量包括20个数据，且对应一个样本力学性能参量。

因此，将表1中前6列数据用于标定曲线的拟合以及网络模型的训练，将最后一列数据用于验证。

步骤2，根据残差模块与全连接神经网络，构建初始无损检测模型，并根据测量信号特征参量(输入数据)和力学性能参量(输出数据)的数目，对初始无损检测模型的输入层节点数和输出层节点数进行等类扩充。

具体的，卷积神经网络为多层结构，每层有多个相当于神经元的信息处理节点，通过每一层的激活函数和节点连接网络权重矩阵进行信息传播。卷积神经网络可以通过不断训练、调节该网络权重矩阵，从而确定输入和输出的近乎等价的映射关系。对于无损检测过程，需提取测量信号特征参量的特征，建立测量信号特征参量和力学性能参量之间存在的非线性映射关系，达到力学性能检测的目标。

由于传统的卷积神经网络在训练过程中，会存在信息损耗、丢失，甚至梯度消失或爆炸，导致网络无法完成训练。而残差模块可以将信息直接输送至目标层，保护了信息的完整性。

因此，本实施例中，将残差模块与全连接神经网络相结合，构建初始无损检测模型，将多个全连接层依次相连，组成所述全连接神经网络，并依次将全连接层记作输入层、多个隐藏层和输出层；嵌入残差模块，残差模块由输入层开始，包含两个间隔一个隐藏层的全连接层，残差模块中每一个全连接层的节点输出端与隔一个隐藏层的下一个全连接层的节点输入端相连，其中，残差模块相连的两个全连接层的节点数相等；将嵌入残差模块后的全连接神经网络记作初始无损检测模型。

如图3和图4所示，每一个折线箭头所对应的网络层为一个残差模块，共计6个残差模块。正是通过残差模块将前一个全连接层的输出数据，传递至间隔一个隐藏层后的全连接层的输入，如，将全连接层h1的输出数据传递至全连接层h3的输入，降低了信息损耗、丢失，保护了信息的完整性。

因此，本实施例中，初始无损检测模型的正向传播函数为：

式中，xl为初始无损检测模型中第l层的输出值，l＝1，2，3，...，n，i为初始无损检测模型的输入，f(·)为sigmoid激活函数，zl为第l个全连接层的输入值，w^(l)和b^(l)分别为第l个全连接层的网络权重矩阵和网络偏置矩阵：

bl＝[b1…bq]^t

式中，p为初始无损检测模型中第l-1个全连接层的节点数，q为第l个全连接层的节点数，[·]^t为矩阵转置，权重wpq为第l-1个全连接层的第p个节点与第l个全连接层的第q个节点间的权重。

通过引入残差模块，将第l-2个全连接层的输出数据xl-2，作为第l个全连接层的输入，由第l-1、l-2两个全连接层的输出数据，共同决定第l个全连接层的输出数据。

初始无损检测模型的误差反向传播函数为：

e＝o-o^*

δl＝(δl+1·w^(l+1)+δl+2)·f′(xl)

δn-1＝e·f′(xn-2)

式中，o和o^*为初始无损检测模型的输出数据和期望数据，e为输出误差，e为网络代价函数，δl为第l层节点敏感值，j为初始无损检测模型的输出层的节点个数，n为初始无损检测模型的层数，f′(·)为激活函数的一阶导数；

初始无损检测模型中网络权重矩阵w^(l)和网络偏置矩阵b^(l)的更新公式为：

式中，w^(l)′为更新后的网络权重矩阵，η为学习率，学习率η用于调整网络权重矩阵和网络偏置矩阵的更新速度，b^(l)′为更新后的网络偏置矩阵。

具体的，本实施例中构建的初始无损检测模型，其网络结构为10层结构，包括1个输入层(i层)、8个隐藏层(h层)和1个输出层(o层)，每一个隐藏层的激活函数均为sigmoid函数，考虑到每一个残差模块中相连的两个全连接层络的节点数相等，因此，可以设定初始无损检测模型中每一层的节点数依次为：

300-2000-300-2000-300-2000-300-2000-500-20。

根据全连接网络模型的训练方法，初始无损检测模型每一次得出输出数据后，需要对网络权重矩阵w^(l)和网络偏置矩阵b^(l)进行更新，使得模型的输出收敛，得到样本测量信号特征参量和样本力学性能参量之间准确的非线性映射关系，再利用训练好的联合无损检测模型对待测合金钢进行力学性能的无损检测。

在进行训练时，将训练用的输入数据(测量信号特征参量)带入初始无损检测模型，而模型训练的过程，可以视为每两个全连接层之间网络权重矩阵和网络偏置矩阵的确定过程。

在本实施例中，在第一次训练时，输入层i与第一隐藏层h1之间的初始输入权重矩阵(网络权重矩阵)由样本测量信号特征参量间的映射关系及标定关联值确定，第一隐藏层h1与第二隐藏层h2之间、第二隐藏层h2与第三隐藏层h3及之后的隐藏层间、第八隐藏层h8与输出层o之间的网络权重矩阵，则随机确定，各个权重的取值在(-1,1)之间。将输入数据代入初始无损检测模型，由模型计算出对应的输出数据。

采用常规方法，判断输出数据的输出误差是否收敛，若不收敛，则根据上述计算公式，对网络权重矩阵和网络偏置矩阵进行更新，再将输入数据代入更新后的初始无损检测模型，重新训练，直到输出数据的输出误差收敛，将此时网络权重矩阵和网络偏置矩阵对应的模型记作联合无损检测模型，完成模型训练，利用该联合无损检测模型即可实现对合金钢的联合无损力学性能检测。

以下介绍初始输入权重矩阵的确定方法。

步骤3，采用最小二乘法，建立样本测量信号特征参量和样本力学性能参量之间的标定曲线，确定任两个样本测量信号特征参量间的映射关系及标定关联值，并计算初始无损检测模型中输入层与第一隐藏层之间的初始输入权重矩阵。

进一步的，标定试样的无损检测技术分为三种，对应的样本测量信号特征参量依次记作i1、i2、i3，该步骤3中，具体包括：

步骤31，采用最小二乘法，建立样本测量信号特征参量和样本力学性能参量之间的标定曲线，并根据测试试样，计算标定曲线的预测精度及标定关联值，其中，标定关联值由同一种无损检测技术得到的不同力学性能参量对应的预测精度值中的最小值确定；

具体的，根据样本测量信号特征参量和样本力学性能参量(表1中的前6列数据)，基于最小二乘法，共可确定6条标定曲线，分别为：超声-硬度曲线、巴克豪森-硬度曲线、矫顽力-硬度曲线、超声-抗拉强度曲线、巴克豪森-抗拉强度曲线和矫顽力-抗拉强度曲线。

之后利用验证试样(表1中的第7列数据)，测试6条标定曲线的检测精度，将验证试样(760℃淬火)对应的数据带入上述过程中得到的标定曲线对应的标定函数，得到硬度和抗拉强度计算值，再与实测值进行比较，可计算出标定曲线的预测精度，分别为ah1＝86.2％、ah2＝87.5％、ah3＝88.9％、as1＝88.1％、as2＝82.8％、as3＝82.4％，其中，下标1、2、3分别为超声、巴克豪森、矫顽力，下标h和s分别代表硬度和抗拉强度。

利用该预测精度值，对同一种无损检测技术下的测量信号特征参量进行关联，选取相同无损检测技术下不同力学性能参量对应的预测精度值中的最小值，作为该种测量信号特征参量的标定关联值，因此，本实施例中标定关联值分别为：p1＝min(ah1，as1)＝86.2％，p2＝min(ah2，as2)＝82.8％，p3＝min(ah3，as3)＝82.4％。

步骤32，采用最小二乘法，确定任两个样本测量信号特征参量间的映射关系。

具体的，本实施例中标定试样的无损检测技术分为三种，对应的样本测量信号特征参量依次记作i1、i2、i3，采用最小二乘法，根据任两组样本测量信号特征参量，可确定两条关系曲线，分别为：超声i1-巴克豪森i2曲线和超声i1-矫顽力i3曲线，如图5所示，对应的映射关系为：i2＝f(i1)和i3＝g(i1)，其中，f(*)和g(*)为指数函数，设定指数函数为：

式中，α、β、γ为拟合关系函数中的参数。

通过计算，本实施例中超声i1-巴克豪森i2曲线的参数α＝3266.8、β＝-1.1295、γ＝9.7698×10^-5，超声i1-矫顽力i3曲线的参数α＝-6994.4、β＝2.4058、γ＝-2.0678×10^-4。

步骤33，根据标定关联值和映射关系，计算初始输入权重矩阵，初始输入权重矩阵的计算公式为：

式中，μ＝1，…，n，n为初始无损检测模型中第一隐藏层的节点数，f(*)、g(*)为指数函数，pθ为第θ种无损检测技术对应的所述标定关联值，θ＝1，2，3，为所述输入层中第个节点与第一隐藏层中第μ个节点之间的权重，其中，权重w1μ的取值为随机值，所述随机值的取值范围为(-1，1)。

通过上述过程，得到初始输入权重矩阵w⁽¹⁾后，对其进行归一化处理，使其范围在(-1，1)内，之后，便可以利用初始输入权重矩阵w⁽¹⁾，结合随机生成的网络权重矩阵w^(l)，l＝2，3，...，n，对初始无损检测模型进行第一次训练。

相比于传统全连接神经网络中的网络权重矩阵，输入层i与第一隐藏层h1之间的初始输入权重矩阵，是由标定试样的样本测量信号特征参量和样本力学性能参量所决定的，这样，有助于训练时使用的网络权重矩阵更加贴近于其收敛后的真实值，有助于减少模型训练次数，并提高模型的检测准确性和可靠性。

步骤4，根据测量信号特征参量和力学性能参量，对初始无损检测模型进行训练，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，其中，初始无损检测模型进行第一次训练时，网络权重矩阵中包括初始输入权重矩阵。

进一步的，步骤4中，具体包括：

步骤41，根据预设检测误差，确定参数选取区间，在参数选取区间内，随机选取数量与预设扩充倍数相等的正态分布随机数，根据选取出的正态分布随机数，依次对样本测量信号特征参量进行乘法扩充。

具体的，由于训练过程中所用的数据量，决定了模型训练的效果，因此，为提高网络训练速度，减小输入、输出节点差异带来的误差，采取对输入、输出进行等类扩充的方法，对输入层节点数和输出层节点数进行等类扩充。

如图6所示，将每一类型的数据作为一维，则输入数据包括3维，输出数据包括2维，再按照预设的扩充倍数(输入层扩充100倍、输出层扩充10倍)，将输入层(i层)的节点数等类扩充至300层，将输出层(o层)的节点数等类扩充至20。

以输入数据为例进行说明，每一组测量信号特征参量中包括20个数据，设定预设扩充倍数为100，预设检测误差为10％。

首先，将每组测量信号特征参量中的20个数据视为一个单元，按照测量时的顺序，将这一个单元扩充为100个单元，因此，扩充后的该组测量信号特征参量中包括2000个数据，即将原有的20个数据复制99次。

其次，根据预设检测误差10％，确定参数选取区间为(0.9,1.1)，在参数选取区间(0.9,1.1)内随机选取2000个正态分布随机数。

最后，将选取出的正态分布随机数与扩充后的每一组测量信号特征参量相乘，完成对样本测量信号特征参量的乘法扩充。

此时，数据分布区域的宽度要略大于原数据分布区域，但数据均值不变，且由于扩充后的数据呈正态分布，使其与原数据相比，产生较大误差扰动的数据个数较少，有助于提高数据的鲁棒性。

此变化方法经过mnist手写数字数据库验证，节点扩充前，网络经100轮训练，准确率达到96.7％；节点扩充后，经56轮训练，准确率达到97.1％，可证实上述扩充方法能够使网络快速收敛，提高模型训练速度，且保证网络模型的检测精度。

步骤42，根据样本测量信号特征参量和样本力学性能参量，采用最小二乘法，确定预设拟合函数中的参数，并结合扩充后的样本测量信号特征参量，计算每一种无损检测技术得到的测量信号特征参量对应的力学性能参量，由三种测量信号特征参量分别计算出每一种力学性能参量的均值，将该均值作为扩充后的力学性能参量。

具体的，力学性能参量的获取必须经过破坏实验，耗时和试样成本过高，因此，可获得的力学性能参量的实测数据较少。

本实施例中，设定预设拟合函数为：

式中，a、b、c为预设拟合函数中的参数。

以硬度均值为例，共可确定三种拟合曲线，依次为：超声-硬度曲线、巴克豪森-硬度曲线和矫顽力-硬度曲线，通过最小二乘法进行拟合，可确定出预设拟合函数中对应的参数a、b、c。通过计算，超声-硬度曲线参数a＝-5923.19，b＝2038.09，c＝-175.13，巴克豪森-硬度曲线参数a＝6.66，b＝-0.04，c＝-9.27×10^-5，矫顽力-硬度曲线参数a＝4.53，b＝0.10，c＝-9.20×10^-4。

得到三种拟合曲线后，将三组扩充后的测量信号特征参量依次带入，可得到超声、巴克豪森、矫顽力对应的硬度计算值，因此，可以将这三种硬度计算值的均值作为扩充后的硬度值。采用上述方法得到的扩充后的每种力学性能参量包括2000个数据。

步骤43，根据预设阈值，对扩充后的测量信号特征参量和扩充后的力学性能参量进行筛选，将筛选后的测量信号特征参量作为输入数据带入初始无损检测模型，对初始无损检测模型进行校验，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，其中，校验时的校验值为筛选后的力学性能参量。

具体的，扩充后的每组测量信号特征参量和扩充后的每组力学性能参量均包括2000个数据，按顺序将相同位置处的数据作为一个数据样本，即本实施例中的一个数据样本中包括rms值、声速值、矫顽力值、硬度值和抗拉强度值。

为了防止数据出现离散分布或者交叉情况，根据预设阈值，对每一个数据样本进行筛选，当判定数据样本中的任一个数据超出阈值时，将该数据样本删除。

之后，利用多种无损检测技术的测量信号特征参量之间的映射关系和标定关联值，计算输入层i与第一隐藏层h1之间的初始输入权重矩阵，并随机初始化其余全连接层之间的网络权重矩阵以及模型的网络偏置矩阵。

将筛选后的测量信号特征参量，带入构建好的初始无损检测模型，由初始无损检测模型计算相应的力学性能参量。

将筛选后的力学性能参量作为校验值，与计算出的力学性能参量共同计算输出误差，判断计算出的输出误差是否收敛。

当判定输出误差不收敛时，根据误差反向传播函数，更新初始无损检测模型的网络权重矩阵(包括初始输入权重矩阵，随机生成的第一隐藏层h1与第二隐藏层h2及之后隐藏层间、第八隐藏层与输出层o间的网络权重矩阵)和网络偏置矩阵，重新进行下一次训练。

当判定输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，完成训练。根据训练后的联合无损检测模型，对待测合金钢进行力学性能无损检测。

需要说明的是，输出误差计算，以及判定输出误差收敛的过程为现有技术，不再赘述。

以巴克豪森-硬度关系为例，初始无损检测模型在训练过程中，模型计算值与实测平均值的分布如图7所示。

利用验证试样，对本实施例中的联合无损检测模型进行测试验证，所得测试结果如图8所示，图中黑色实心点为合金钢的实测值，空心点为模型计算值，通过对测试数据进行分析，硬度检测平均相对误差为1.00％，最大相对误差为2.60％；抗拉强度检测相对误差0.96％，最大相对误差为4.21％。

利用传统的单参数硬度检测模型(超声、巴克豪森、矫顽力)对该试样进行检测，所得的误差依次为13.8％、12.5％、11.1％，单参数抗拉强度检测模型(超声、巴克豪森、矫顽力)误差依次为11.9％、17.2％、17.6％。

相比之下，本实施例中的联合检测模型，对合金钢的力学性能测试的精度有明显提升。

以上结合附图详细说明了本申请的技术方案，本申请提出了一种基于深度学习的合金钢力学性能联合无损检测方法，包括：

步骤1，获取标定试样采用多种无损检测技术的多次测量信号特征参量和多次力学性能参量，并将每一个标定试样的每一种无损检测技术的多次测量信号特征参量的均值记作一个样本测量信号特征参量，将标定试样的多次力学性能参量的均值记作相应的样本力学性能参量；

步骤2，根据残差模块与全连接神经网络，构建初始无损检测模型，并根据测量信号特征参量和力学性能参量的数目，对初始无损检测模型的输入层节点数和输出层节点数进行等类扩充；

步骤3，采用最小二乘法，建立样本测量信号特征参量和样本力学性能参量之间的标定曲线，确定任两个样本测量信号特征参量间的映射关系及标定关联值，并计算初始无损检测模型中输入层与第一隐藏层之间的初始输入权重矩阵；

步骤4，根据测量信号特征参量和力学性能参量，对初始无损检测模型进行训练，当判定初始无损检测模型的输出误差收敛时，将收敛后的初始无损检测模型记作联合无损检测模型，其中，初始无损检测模型进行第一次训练时，网络权重矩阵中包括初始输入权重矩阵。

通过本申请中的技术方案，实现合金钢力学性能的联合检测，提高合金钢力学性能检测的可靠性、稳定性和精度。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。