【技术实现步骤摘要】
本专利技术涉及复合材料无损检测方法，更具体地说是指多场景下复合材料分层损伤太赫兹智能识别方法及系统。
技术介绍
1、frp(纤维增强复合材料，fiber reinforced polymer)因其出色的力学性能而被广泛应用于航空航天、军事、建筑、船舶、能源和汽车等关键领域。然而，由于frp复合材料具有多界面结构，层间界面强度有限，在连续的机械和热加载作用下，相邻界面间容易出现界面分层损伤。一般地，复合材料多场景分层损伤可分为两类：单一分层损伤和复杂重叠分层损伤。后者更为严重，可能导致结构灾难性失效，因此，对多界面复合材料进行结构完整性评估至关重要。
2、目前，传统的ndt(无损检测方法，non destructive testing)用于检测和识别复合材料内部的隐藏分层损伤，如超声波检测、涡流检测和红外成像，然而，这些方法存在一定局限性，例如超声检测对耦合剂的依赖性、涡流检测对材料导电性的选择性以及红外成像对温度变化的敏感性。太赫兹技术，作为一种新兴的ndt方法，因其高分辨率、强穿透性和非电离性等特点，在ndt领域逐渐受到关注。然而，由于复合材料结构的多界面特性，太赫兹波易受噪声、多次反射、重叠和色散的干扰，降低了其检测性能。为了解决这些问题，现有技术提出了两种经典的太赫兹特征提取方法，分别是基于人工特征和数据驱动方法，但是基于人工特征的方法需要专家经验，而数据驱动方法则通过多类分类模型进行自动表征。尽管数据驱动方法在太赫兹智能表征方面取得了成功，但通用的多场景分层损伤智能化表征仍然是一个挑战，目前基于多类分类网络的
3、因此，有必要设计一种新的方法，以解决现有技术对复合材料复杂重叠分层损伤的检测和表征能力有限的问题。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺陷，提供多场景下复合材料分层损伤太赫兹智能识别方法及系统。
2、为实现上述目的，本专利技术采用以下技术方案：多场景下复合材料分层损伤太赫兹智能识别方法，包括：
3、获取待识别复合材料的太赫兹信号，以得到待识别太赫兹信号；
4、将所述待识别太赫兹信号输入至识别模型中进行多个分层损伤深度和数量信息的识别，以得到预测多标签向量；
5、对所述预测多标签向量采用基于mlce的太赫兹成像策略进行损伤成像，以得到成像结果；
6、输出所述预测多标签向量和所述成像结果；
7、其中，所述识别模型是通过采用若干个带有分层损伤深度和数量信息的标签构成的数据集对多标签注意力融合网络进行训练所得的。
8、其进一步技术方案为：所述识别模型包括特征提取器、类编码器以及二值分类器，其中，所述特征提取器包括四个卷积层、批归一化层、relu激活函数层、最大池化层；所述类编码器包括卷积层、se注意力机制层；所述二值分类器包括两个全连接层、两个dropout层以及一个relu层；所述特征提取器还包括卷积跳跃连接层。
9、其进一步技术方案为：所述识别模型的宽度因子设置的范围为0.25至1；所述识别模型的深度因子设置的范围为1至4。
10、其进一步技术方案为：所述预测多标签向量用一组数字0和1来描述，其中，标签1和标签0分别表示同一太赫兹信号是否存在相应的分层损伤分量。
11、其进一步技术方案为：所述将所述待识别太赫兹信号输入至识别模型中进行多个分层损伤深度和数量信息的识别，以得到预测多标签向量，包括：
12、将所述待识别太赫兹信号输入至识别模型中，利用所述识别模型对所述待识别太赫兹信号提取高维特征，以得到所有损伤类别的全局特征；
13、对所有损伤类别的全局特征进行mace处理，以得到各损伤分量细粒度判别特征；
14、将各损伤分量的细粒度判别特征输入至相应的二值分类器，以得到各个通道的输出标签；
15、将各个通道的输出标签拼接，以得到预测多标签向量。
16、其进一步技术方案为：所述对所述预测多标签向量采用基于mlce的太赫兹成像策略进行损伤成像，以得到成像结果，包括：
17、对所述预测多标签向量进行多标签编码，以得到编码结果；
18、对所述编码结果进行ccl处理，以得到成像结果。
19、其进一步技术方案为：所述对所述预测多标签向量进行多标签编码，以得到编码结果，包括：
20、将待识别复合材料每个采样点对应像素值编码为所述预测多标签向量之和，以得到每个采样点的成像像素值；
21、根据每个采样点的成像像素值构建相应编码矩阵，以得到编码结果。
22、其进一步技术方案为：所述对所述编码结果进行ccl处理，以得到成像结果，包括：
23、采用连通分量标记技术识别所述编码结果中相邻的像素值，并归类为同一连通区域；
24、为每个连通区域分配相应标签，以得到带有标记的二维损伤图像，形成成像结果。
25、其进一步技术方案为：所述为每个连通区域分配的标签，以得到带有标记的二维损伤图像，形成成像结果之后，还包括：
26、将带有标记的二维损伤图像结合每个连通区域损伤的位置和深度信息，以形成损伤的三维可视化成像结果。
27、本专利技术还提供了多场景下复合材料分层损伤太赫兹智能识别系统，包括：
28、信号获取单元，用于获取待识别复合材料的太赫兹信号，以得到待识别太赫兹信号；
29、识别单元，用于将所述待识别太赫兹信号输入至识别模型中进行多个分层损伤深度和数量信息的识别，以得到预测多标签向量；
30、成像单元，用于对所述预测多标签向量采用基于mlce的太赫兹成像策略进行损伤成像，以得到成像结果；
31、输出单元，用于输出所述预测多标签向量和所述成像结果；
32、其中，所述识别模型是通过采用若干个带有分层损伤深度和数量信息的标签构成的数据集对多标签注意力融合网络进行训练所得的。
33、本专利技术与现有技术相比的有益效果是：本专利技术通过采集待识别复合材料的太赫兹信号，并利用多标签注意力融合网络进行多个分层损伤深度和数量信息的识别，且采用mlce的太赫兹成像策略进行损伤成像，以解决现有技术对复合材料复杂重叠分层损伤的检测和表征能力有限的问题。
34、下面结合附图和具体实施例对本专利技术作进一步描述。
本文档来自技高网...【技术保护点】
1.多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，包括：
2.根据权利要求1所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述识别模型包括特征提取器、类编码器以及二值分类器，其中，所述特征提取器包括四个卷积层、批归一化层、ReLU激活函数层、最大池化层；所述类编码器包括卷积层、SE注意力机制层；所述二值分类器包括两个全连接层、两个dropout层以及一个ReLU层；所述特征提取器还包括卷积跳跃连接层。
3.根据权利要求2所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述识别模型的宽度因子设置的范围为0.25至1；所述识别模型的深度因子设置的范围为1至4。
4.根据权利要求1所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述预测多标签向量用一组数字0和1来描述，其中，标签1和标签0分别表示同一太赫兹信号是否存在相应的分层损伤分量。
5.根据权利要求1所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述将所述待识别太赫兹信号输入至识别模型中进行多个分层损伤深度和数量
6.根据权利要求1所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述对所述预测多标签向量采用基于MLCE的太赫兹成像策略进行损伤成像，以得到成像结果，包括：
7.根据权利要求6所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述对所述预测多标签向量进行多标签编码，以得到编码结果，包括：
8.根据权利要求6所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述对所述编码结果进行CCL处理，以得到成像结果，包括：
9.根据权利要求8所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述为每个连通区域分配的标签，以得到带有标记的二维损伤图像，形成成像结果之后，还包括：
10.多场景下复合材料分层损伤太赫兹智能识别系统，其特征在于，包括：
...【技术特征摘要】
1.多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，包括：
2.根据权利要求1所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述识别模型包括特征提取器、类编码器以及二值分类器，其中，所述特征提取器包括四个卷积层、批归一化层、relu激活函数层、最大池化层；所述类编码器包括卷积层、se注意力机制层；所述二值分类器包括两个全连接层、两个dropout层以及一个relu层；所述特征提取器还包括卷积跳跃连接层。
3.根据权利要求2所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述识别模型的宽度因子设置的范围为0.25至1；所述识别模型的深度因子设置的范围为1至4。
4.根据权利要求1所述的多场景下复合材料分层损伤太赫兹智能识别方法，其特征在于，所述预测多标签向量用一组数字0和1来描述，其中，标签1和标签0分别表示同一太赫兹信号是否存在相应的分层损伤分量。
5.根据权利要求1所述的多场景下复合材料分层损伤...
【专利技术属性】
技术研发人员：徐亚飞，张留洋，刘大同，崔玉清，王星雨，
申请(专利权)人：哈工大郑州研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。