基于生成神经网络的机械波无损检测缺陷构建算法分析*

湖北民族大学新材料与机电工程学院 王栋 周丙涛 杨杰 王海峰 张振

利用机械波,如超声波、应力波进行材料的无损检测已经被广泛应用,利用的原理是不同介质中机械波速度不一样,但是大多数需要进行复杂的数据分析。近期,生成神经网络在图形重构显示出了巨大优势。本文提出了一种新型生成网络,通过将仿真的机械波不同线路的速度值输入网络,生成材料的缺陷分布图。实现了低维输入到高维输出的映射,从而解决了缺陷构建复杂的难点。经过试验,该方法和传统方法比有着一定优势。

机械波进行材料的无损检测应用十分广泛,比如利用机械波对木材,对钢材进行无损检测,应力波和超声波都属于机械波,他们对材料都能达到很好的无损检测效果。机械波进行材料的无损检测的主要优点是检测速度快,装置简单,对于材料的伤害几乎为零。机械波无损检测的原理是在不同介质中机械波的速度不一样,当材料中有缺陷或是空洞时,机械波的速度就会发生明显变化,通过对于速度数据的处理和分析,最后对缺陷位置进行预测,所以对于机械波无损检测而言,数据处理的算法至关重要。冯海林等[1]提出一种图像重建算法,利用周围点值估计未知网格点的速度值,测试结果证明了该方法的可行性。Choi等[2]利用基于模型的损伤检测算法来定位缺陷位置及腐朽程度。这两种算法能够基本构建出机械波的传输路径图,但是算法较为复杂,需要根据具体的材料与检测环境进行调整。魏喜雯[3]研究了应力波在原木上传播速度变化情况,建立不同方向角和纵截面夹角的应力波传播速度模型,以期进一步认识应力波在原木不同方向角度纵截面内的传播规律,为树木内部缺陷的二维成像技术提供理论与实验依据,此算法更进一步提出了角度对于传播速度的影响。目前比较权威的算法是CT重构法[4],通过对路径上的值进行拉东积分,重构出缺陷图像。而神经网络在无损检测领域的使用较少,Miguel等[5]通过多层感知器神经网络(3个输出层神经元)使用木材的密度、超声波传播速度和动态弹性模量作为输入,对木材机械性能的硬度、弹性模量和断裂模量进行了评估。近年来,生成神经网络在图像恢复、图像重构方面应用广泛,而它在缺陷检测方面的应用主要体现在对于缺陷进行图形加强。

在本文中,为了解决机械波速度处理复杂,时间长的缺点,提出了一种基于生成网络的方法,以n条机械波传播路径的速度为输入数据,设置隐含层,并在输出层进行权重冻结并进行与标签值对比,输出2n个点值,作为缺陷的重构图像,该算法与CT重构法相比,有着更高的准确率以及速度。

1 机械波无损检测原理

机械振动在介质中的传播称为机械波。应力波,超声波都属于机械波。通过记录它在指定路径上的速度从而对缺陷的位置或者空洞进行预测。在此实验中,我们选用圆柱形材料作为研究对象,通过在横纵交叉的机械波路径来对于缺陷做图形重构。

由图1可知,圆形的截面被n条路径理论上可以分割成2n个区域,生成2n个点。在本文中,我们运用各个点的数值来作为材料被检测截面的缺陷分布图。在圆形截面的上部分分布一块缺陷,每个点上的数字表示机械波通过该点时传播的速度。根据机械波在介质中传播的规律,假设在无缺陷处传播速度为1,缺陷处传播速度为2,相交位置传播速度为1.5。

图1 材料被检测截面的缺陷分布图Fig.1 Defect distribution map of tested section

对图中的每条路径进行平均传播速度的计算,可以求得此截面理论上的路径速度数据。

经过以上的分析可知,由缺陷图可以预测出各个路径上的速度分布,现阶段的预测方法主要基于数学手段,例如CT重构法,计算方法较为复杂,需要经过大量的计算。本文拟设计一种基于生成神经网络的方法,先模拟仿真出材料缺陷分布图,再求出截面理论上的路径速度数据,建立网络,由后者映射到前者,实现低维度向高维度的预测。

2 基于生产神经网络的缺陷预测

2.1 数据集的生成

数据集的产生工具本文选用的是MATLAB 2016a,而本实验选择纵横都是12条速度路径为实验研究对象。第一步采用随机生成矩阵的方法,生成12×12的模拟矩阵,矩阵中的每一个元素为0.5～1.5之间的模拟量,同时根据机械波的传播规律,将材料有无缺陷位置的速度差定为3倍。后将数据进行降维平铺,生成以144为单位的向量Bdefect。

第二步由模拟矩阵生成路径速度向量,分别计算纵横两个方向上各个方向的平均值。而后将两个向量进行降维平铺,生成以24为单位的向量。

本文所涉及的生成神经网络的输入为Bspeed,而输出为Bdefect。用MATLAB生成多组数据作为数据集,按照一定比例分为训练集和测试集。

2.2 生成神经网络的结构与设计

在此文的要求中,输入维度为24×1的Bspeed,输出为144×1的Bdefect。本文所设计的总体网络结构如图2所示:

图2 总体网络结构图Fig.2 Overall network structure diagram

神经网络分为两个部分,第一部分为生成器,主要功能是由输入生成输出,由两层BP神经网络组成,维度分别是32和64。传递函数选用LeakyReLU函数,给所有负值赋予一个非零斜率。为了避免过拟合,本文采用了Batch Normalization的训练方法,衰减率为0.1。

网络第二部分为对比器,主要功能是对比生成器所生成的向量与目标值的差距。将生成器的输出值与目标值求L1distance作为整个函数的损失函数值,网络由两部分组合而成,网络在训练时需要冻结对比器的全部权重,保证在训练时只有生成器的参数得到训练。

3 实验结果与分析

实验所使用的数据集包含300000组数据,将数据按5∶1的比例分为训练集和测试集。学习率选用0.005,每个批次batch size=10,训练10000个epochs后模型稳定。为了检测本文生成网络的效果并与其他方法进行对比,我们模拟产生1组缺陷图,并选用CT重构法作为对比,CT重构法的原理是对于每一条路径上的速度进行积分,在此文所设置的条件中,即为对于离散速度值的加和。所做出的对比图如图3所示:

图3 对比图Fig.3 Comparison chart

从模拟图可以看出,CT重构法可以基本定位出缺陷的位置以及缺陷的严重程度,但是存在一定的缺陷,主要在于将缺陷所处位置的整个路径都标识为缺陷所在处;而本文的算法能够克服这一缺点,基本可以将缺陷位置进行定位,但是也存在着问题,主要体现在小的缺陷显示不明显,也存在将无缺陷的位置定义为微小缺陷。总的来说,本文的算法和CT重构法相比具有一定的优势。

4 结语

通过对于机械波无损检测原理的分析,利用了机械波在不同介质中的传播速度不同这一简单原理,设置了纵横两组路径速度为输入,缺陷分布图为输出的测试模式。并使用MATLAB生成了30000组数据作为数据集。本文研发了一种新型的生成神经网络,由生成器和比较器组成,能够将24×1的速度值升维为144×1的缺陷分布点值,在比较器的第一层,将生成器输出值与同维度的目标值求L1 distace作为整个函数的损失函数。经过试验,网络在训练后loss值迅速收敛,并且在缺陷图重构能力上强于传统的CT重构法,但是还是存在小缺陷的定义不准问题,未来需要改进生成器结构或是增加训练样本来进行改进。

引用

[1] Feng H L,Li G H,Fu S,etc.Tomographic image reconstruction using an interpolation method for tree decay detection[J]. Bioresources,2014,9(2):3248-3263.

[2] Choi F C,Li J,Samali B,et al.Application of modalbased damage-detection method to locate and evaluate damage in timber beams[J].Journal of Wood Science,2007,53(5):394-400.

[3] 魏喜雯,孙丽萍,许述正,等.基于应力波传播速度模型的原木缺陷定量检测[J].北京林业大学学报,2020,42(5):143-154.

[4]马宏林,相建凯,张刚,等.超声CT方法检测古建筑木构件缺陷研究[J].文物保护与考古科学,2018,30(6):74-81.

[5] Miguel E P,Melo R R,Serenini Junior L,et al.Usingartificial neural networks in estimating wood resistance[J].Maderas. Ciencia y tecnología,2018,20(4):531-543.