基于3D卷积神经网络和位移响应的金属板裂纹识别方法

本发明涉及裂纹识别领域，更具体地说是对金属板不同位置的裂纹进行识别的方法。

背景技术：

1、在工程和机械制造领域，金属板是被使用很多的材料，常用来制造各种各样的零部件如车体、船体、机翼、壳体、罐体等。在实际使用过程中，由于制造工艺的不当，又或者在外部载荷作用、疲劳效应、结构老化等不利因素的影响下，金属板内部会慢慢产生一些的裂纹，并且裂纹随着金属板的使用会逐渐扩展，最终会发生断裂和失效事故。因此，对于金属板的裂纹位置识别不仅可以及时发现裂纹并进行修复或更换，避免不必要的事故或损失；还可以辅助设计人员进行材料选择和工艺设计。

2、人工去检测金属板的裂纹难以对结构局部的损伤以及微小裂纹进行精准识别，且人工现场检测工作量大，人工费用也较高。随着深度学习的发展，以数据驱动的方式来解决工程问题得到了广泛的关注；卷积神经网络cnn是最具代表的深度学习算法之一，在图像处理领域取得了巨大的成功。在进行图像处理的过程中，往往会将图像看作一个二维向量，通过多次卷积池化操作提取特征，最终得到特定维度的一维向量。卷积神经网络能将传统损伤检测方法中的特征提取和分类过程融合到一起，彻底避免了人工设计和选择特征造成的信息丢失。

3、但是2dcnn无法捕捉空间和频率上的相关性，2dcnn忽略了金属板表面位移随着激励力频率变化的信息，会导致对裂纹位置的识别效果不好，出现对于一些较小的裂纹无法识别的情况。

技术实现思路

1、本发明是为避免上述现有技术所存在的不足，提供一种基于3d卷积神经网络和位移响应的金属板裂纹识别方法，通过对板表面不同频率下的振动位移响应数据进行处理得到样本数据，再用样本数据对3d卷积神经网络进行训练，最后用训练好的网络模型对金属板裂纹位置进行识别；以期准确识别裂纹在金属板上的位置。

2、本发明为实现发明目的采用如下技术方案：

3、本发明基于3d卷积神经网络和位移响应的金属板裂纹识别方法按如下过程进行：

4、对于裂纹位置不同的各金属板，采用位移传感器获取各金属板在受到不同频率的激励力作用下的各金属板的表面振动响应位移数据；

5、针对各金属板的表面振动响应位移数据分别通过傅里叶变换获得不同频率下金属板表面位移的rgb云图，对所述rgb云图进行剪裁，得到大小相同的位移云图；

6、将针对金属板的裂纹位置识别转化为分类问题，裂纹位置不同的各金属板的位移云图相当于不同的类别；利用所述位移云图训练获得3d卷积神经网络模型，采用完成训练的3d卷积神经网络模型以分类的方式实现金属板裂纹位置识别。

7、本发明基于3d卷积神经网络和位移响应的金属板裂纹识别方法的特点也在于：

8、将同一裂纹位置不同频率下的位移云图作为一个样本数据，所述样本数据为金属板表面振动位移随频率变化的信息，其为三维数据，包含金属板表面的振动位移信息，并包含激励引发相应金属板表面位移的频率信息；对所述样本数据进行打标签分类，且分类为训练集、验证集和测试集；

9、建立3d卷积神经网络模型对所述训练集进行学习，在由3d卷积神经网络模型对训练集中的样本数据进行迭代训练中调整模型权重和偏置，使所述3d卷积神经网络模型更好地拟合训练集中的样本数据；

10、比较训练集和验证集的损失函数值，根据所述损失函数值判断模型的拟合程度，通过对模型超参数进行调整，以达到更好的泛化性能；

11、利用测试集对完成训练的3d卷积神经网络模型进行准确率评估，将准确率满足要求的3d卷积神经网络模型用于金属板裂纹的位置识别。

12、本发明基于3d卷积神经网络和位移响应的金属板裂纹识别方法的特点也在于：所述3d卷积神经网络模型包括8部分，分别为：

13、第一部分为：卷积层、激活函数层和池化层；

14、第二部分为：卷积层、激活函数层和池化层；

15、第三部分为：卷积层、激活函数层、卷积层、激活函数层和池化层；

16、第四部分为：卷积层、激活函数层、卷积层、激活函数层和池化层；

17、第五部分为：卷积层、激活函数层、卷积层、激活函数层和池化层；

18、第六部分为：全连接层、激活函数层和dropout层；

19、第七部分为：全连接层、激活函数层、dropout层；

20、第八部分为：全连接层。

21、本发明基于3d卷积神经网络和位移响应的金属板裂纹识别方法的特点也在于：

22、关于各卷积层：

23、以cout表示输出通道数，以cin表示输入通道数；

24、以din、hin和win一一对应表示输入的样本数据的深度、高度和宽度；

25、以df、hf和wf一一对应表示卷积核在深度、高度和宽度方向上的大小；

26、则有：

27、输入张量x为(cin，din，hin，win)，输出张量y为(cout，dout，hout，wout)；

28、卷积核w的大小为(df，hf，wf)，卷积层的卷积计算式如式(1)：

29、

30、式(1)中：

31、yc，d，h，w为输出张量的值，是指在第c个输出通道、第d层深度、第h行高度和第w列宽度处的输出张量y的值；

32、b为偏置向量，s1、s2和s3均为步长，

33、j＝0,1,2…cin-1；l＝0,1,2…df-1；i＝0,1,2…hf-1；k＝0,1,2…wf-1；

34、为输入张量x在第j个通道、第(d×s1+l)层深度、第(h×s2+i)行高度和第(w×s3k)列宽度处的输出张量x的值；

35、wl，i，k为卷积核w在l、i、k处的值；

36、关于激活函数层：

37、所述激活函数层通过引入激活函数添加非线性变换，使3d卷积神经网络模型学习到复杂的映射关系，获得更好的特征提取和对于金属板裂纹位置的识别，所述激活函数层采用的是relu激活函数；

38、关于池化层：

39、所述池化层的的池化计算采用由式(2)所表征的最大池化计算式：

40、

41、式(2)中：

42、pc′，d′，h′，w′为输出张量p在c’通道数、d’深度、h’高度和w’宽度处的值；

43、d、h和w一一对应为池化层输入张量q的深度、高度和宽度；

44、为输入张量q在c’通道数，d’×r1+t深度，h’×r2+m高度和w’×r2+n宽度处的值；

45、r1、r2和r3均为步长，c’是通道数；

46、t＝0,1,2…d-1；m＝0,1,2…h-1；n＝0,1,2…w-1；

47、关于全连接层：

48、二维张量y′的计算式如式(3)：

49、y′＝x′w′+b′   (3)

50、式(3)中：

51、w′为权重，b′为偏置向量；

52、第六、七部分全连接层的作用是将输入张量x′拉平成二维张量y′；

53、第八部分全连接层的作用是将3d卷积神经网络前七层所提取的特征张量转化为二维张量，其中二维张量中的一个维度与裂纹的类别个数一致，所剩的另外一个维度数据为3d卷积神经网络最终提取到的特征，再采用softmax函数将前面层提取的特征转化为概率分布；所述softmax函数由式(4)表征：

54、

55、式(4)中：

56、k表示输出类别数目；

57、za为输入二维张量z第a个值，zf为输入二维张量z第f个值，f＝1,2…k；

58、ya是输出二维张量y的第a个值；

59、当样本数据是裂纹位置不同的三块金属板振动位移响应云图，第八部分的输出二维张量即为(n，3)，n表示输入样本数据的个数，3表示三个不同位置裂纹的概率；

60、关于dropout层，丢弃率设置为0.5。

61、关于3d卷积神经网络训练过程中的超参数学习率采用衰减法，每训练十轮将学习率除以十。

62、与已有技术相比，本发明有益效果体现在：

63、3d卷积神经网络与一般的二维cnn相比，其卷积核多一个维度且卷积核采样的维度也多一个；3d卷积神经网络能捕捉空间和频率上的相关性，并且考虑了金属板表面位移随着激励力频率变化的信息，提取到的特征信息更加丰富，丰富的特征信息能保证对于裂纹位置更准确地识别，对于一些较小裂纹出现的位置也可以实现精准识别，最小可实现10mm长的裂纹在金属板上的位置识别。