基于卷积神经网络的石英纤维复合材料损伤缺陷太赫兹智能识别

李涛，薛刚，霍自祥，王保民，李晓岭，杨召南

(1.邯郸学院 软件学院，河北 邯郸 056005；2.邯郸科技职业学院 计算机系，河北 邯郸 056046)

随着科技的发展，石英纤维复合材料(quartz fiber reinforced polymer, QFRP)由于具有较高的比强度、比模量，同时具备良好介电性能的特征，广泛应用于高频透波雷达罩、天线罩等结构中[1].QFRP作为雷达、天线等关键部件的保护结构材料，在面临外部冲击等环境影响时容易产生裂纹、分层、脱粘等损伤缺陷，需要各类检测手段对其进行检测识别.而超声、涡流和X线等常用检测技术存在一定的缺点，如需要强相互作用或存在强辐射等[2].太赫兹(terahertz, THz)具有低光子能量、高空间分辨率以及对非极性材料的高穿透性，作为一种安全的、非接触的检测技术在无损检测领域受到了广泛的关注[3-4].目前国内外针对纤维增强类复合材料太赫兹无损检测已经有较多学者开展研究.2003年，张希成等[5]利用基于连续波的太赫兹成像系统实现了航天飞机绝缘泡沫材料内部缺陷的无损检测，开创了太赫兹无损检测的先河.Stoik等[6]和Ospald等[7]利用反射式太赫兹时域光谱对航空玻璃纤维复合材料的表面缺陷进行了无损检测.2015年至2016年间国内较多学者开展了相关研究，中国计量学院的廖晓玲[8]、中国计量大学的郭小弟等[9]、吉林大学的张瑾[10]和邢砾云[11]基于太赫兹技术在玻璃纤维、纤维增强复合材料和航空泡沫芯材等结构材料的损伤缺陷检测研究中进行了大量实验并取得了较多研究成果.2019年，Zhang等[12]基于太赫兹时域光谱反射层析技术，对玻璃纤维蜂窝复合材料结构多层脱粘缺陷开展了检测研究.2021年，Ibrahim等[13]利用太赫兹时域光谱技术对浸水玻璃纤维复合材料中的空洞和分层缺陷开展了检测研究.

在环境因素尤其是空气湿度的影响下，太赫兹光谱存在较大的干扰和噪声，从而影响了无损检测的准确性[14].很多研究工作在信号降噪和特征提取方面做了优化和改进，在一定程度上提高了检测精度.也有些研究通过获取大量的太赫兹信号数据，利用支持向量机和人工神经网络模型等实现可视化的智能检测[15-16].深度学习通过增加网络模型的复杂度和网络深度，可以进一步挖掘太赫兹信号的局部特征，从而提高检测的准确性[17].作为深度学习的重要模型，卷积神经网络(convolutional neural network，CNN)在图像分类[18]、自然语言处理[19]、模式识别[20]等领域已经有了丰厚的研究成果.卷积神经网络由于优异的特征提取能力，逐渐应用于各类材料的损伤缺陷智能检测中，其中在红外热成像[21]、声发射[22]、涡流[23]等常规手段中已经开展了成果的应用.

本文通过分析QFRP中缺陷材料的太赫兹时域信号特点，构建一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)模型，通过大量正常材料和缺陷材料的太赫兹时域信号数据训练网络模型，提取缺陷材料的局部特征，实现高准确度的缺陷检测.针对QFRP分层缺陷太赫兹检测智能化开展研究工作，利用太赫兹时域光谱系统对QFRP内部预制不同深度和大小的缺陷进行可视化检测，通过图像重构的方法实现损伤缺陷太赫兹智能检测.

1 实验样件及环境

实验样件采用QFRP层压板1块，图1a和图1b分别为QFRP实验样件设计图和实物图，层压板采用环氧树脂预浸料，纤维铺层方向为±45°，单铺层厚度为0.22 mm，共有4个铺层.实验样件共预埋有9个缺陷，第1～3铺层下分别有1列，总共3列直径分别为3、5、9 mm的聚四氟乙烯薄片组，薄片厚度为0.02 mm.

a.设计图;b.实物图图1 QFRP实验样件设计图及实物图Fig.1 Design drawing and physical drawing of QFRP test sample

实验设备由反射式太赫兹时域光谱系统和二维移动平台构成，太赫兹时域光谱系统采用中心波长为1 550 nm、重复频率为100 MHz、脉冲宽度<90 fs的光纤飞秒激光器作为激发源.太赫兹发射及接收器均是基于InAlAs/InGaAs材料的多层异质结构光电导天线.光谱范围可达1.5 THz(快速)、2.5 THz(慢速)以上，光谱分辨率可达10 GHz以下，动态范围50～70 dB.在进行测试时将实验样件置于二维移动平台上，同时调整样件上表面使其位于探测光的焦距位置，样品与水平面保持垂直，使太赫兹波尽量垂直穿过样品，实验环境示意如图2所示.

图2 太赫兹时域光谱检测系统示意Fig.2 Schematic diagram of terahertz time domain spectrum detection system

2 太赫兹智能识别实验

2.1 识别原理

太赫兹探测天线接收到的信号由太赫兹主脉冲和多个反射脉冲组成[14].当待测材料内部存在损伤缺陷时，太赫兹波会在缺陷处发生反射和散射，在接收的太赫兹时域信号上产生对应脉冲的波峰与波谷，如图3所示.图3中分别显示了实验样件3种不同深度缺陷以及无缺陷区域处采集的太赫兹时域信号，可以看出缺陷1、2、3的时域信号分别在23.6、26.166 7、29.366 7 ps处有明显的反射峰存在，分别代表太赫兹波在不同深度预埋缺陷处发生了反射.

图3 不同区域太赫兹时域信号示意Fig.3 Schematic diagram of terahertz time domain signals in different regions

卷积神经网络的卷积操作可以很好地保持缺陷材料时域信号的局部特征，以太赫兹时域信号作为训练数据，能够对不同区域太赫兹时域信号所表现出的特征进行提取和学习，因此利用神经网络能够实现太赫兹时域信号的智能识别，主要原理如图4所示.

图4 基于神经网络的太赫兹缺陷分类识别方法示意Fig.4 Schematic diagram of terahertz defect classification and recognition method based on neural network

2.2 数据集搭建

对实验样件进行2次太赫兹信号采集，第1次从不同深度缺陷区域和非缺陷区域共采集了1 624个太赫兹时域信号，其中包含无缺陷区域600个太赫兹时域信号，缺陷深度为0.22、0.44、0.66 mm的3个区域分别421、306、297个太赫兹时域信号，将各个区域采集太赫兹时域信号数量的80%作为训练集，20%作为验证集对网络模型进行训练和验证.第2次进行实验样件完全扫查，共采集了15 861个太赫兹时域信号作为测试集，用于评估训练完毕的网络模型的泛化性能.

2.3 一维卷积神经网络结构

实验搭建的一维卷积神经网络示意如图5所示，该模型从左至右分别为1个输入层(input layer)，3个卷积层(convolutional layer)、1个最大池化层(maxpooling layer)、2个卷积层(convolutional layer)和1个全局平均池化层(global average pooling layer)，1个全连接层(fully connected layer)和1个输出层(output layer).

图5 一维卷积神经网络模型结构示意Fig.5 Structure diagram of one-dimensional convolutional neural network model

前3个卷积层的每一层都使用了64个尺寸为3×1的卷积核用于初步提取信号的特征，每层卷积层后使用ReLU激活函数，卷积核移动步长设定为1，第3层卷积层输出64个特征向量；接着使用1个最大池化层进行下采样，对冗余信息进行去除；紧接着使用类似的2个卷积层对高阶特征进行提取，每层使用128个尺寸为3×1的卷积核，每层卷积层后使用ReLU激活函数，第2个卷积层输出128个特征向量；在卷积层后使用一个全局平均池化层进行下采样，将128个特征向量转化为1个长度为128的特征向量，其作用为一定程度上减小过拟合现象产生的概率；最后使用全连接层，使用6个神经元与上一层所有的特征图进行全连接，将其排成一维向量的形式并送入输出层，输出层包含5个神经元，采用了Softmax函数作为激活函数实现多分类任务，如式(1)所示，其计算结果为0～1，表示预测结果为某种类型的概率，选取概率最大的类别进行输出.

(1)

3 实验结果及评价

3.1 评价指标

目前通常采用混淆矩阵[24]的方法对网络模型进行评价，如表1所示，其中TP(true positive)表示当真实值为positive时，模型认为是positive的数量；FN(false negative)表示真实值是positive，模型认为是negative的数量；FP(false positive)表示真实值是negative，模型认为是positive的数量；TN(true negative)表示真实值是negative，模型认为是negative的数量.

当数据量比较大且不均衡时，根据上述指标的数值很难判断模型对某个类别预测能力的优劣，可以采用准确率(Accuracy)、精确率(Precision)、灵敏度(Sensitivity)和特异度(Specificity)等参数进行衡量，相应的计算方法如下：

(2)

在混淆矩阵中可以将相应结果转化为0～1的比率，用精确率(Precision)和召回率(Recall)2个指标进行评价.

3.2 结果及分析

实验所用的电脑搭载了主频2.21 GHz的Intel酷睿i7-8750H处理器，32 GB容量的内存和NVIDA GTX 1070显卡.深度学习框架版本为Tensorflow 2.1.0.将第1次实验获取的太赫兹时域信号输入1D-CNN进行训练，模型的优化器选择Adam优化器，学习率设置为0.000 01，损失函数选择分类交叉熵函数.网络模型的参数选择如表2所示，表2中给出了网络模型在训练阶段的输入维度(input dimension)，输入步长(input step)，批数量(batch size)和迭代次数(epoch).

表1 模型评价混淆矩阵

表2 网络模型训练参数

网络训练完成后分别绘制训练集和验证集准确率(acc)和损失函数值(loss)随epoch变化的图像，如图6所示.经过多次的试错和参数调整，网络模型的训练损失和验证损失均低于0.05并达到了稳态.

a.准确率;b.损失函数值图6 训练集和验证集准确率(acc)和损失函数值(loss)示意Fig.6 Schematic diagram of accuracy (acc) and loss function value (loss) of training set and verification set

图7显示了验证集的验证情况，其中0、1、2、3标签分别代表无缺陷区域和深度分别为0.22、0.44和0.66 mm的缺陷，对角线表示的是对应标签下的灵敏度，即在真实值是正样本的所有结果中，模型预测对的比重.可以看出网络对验证集中不同类型标签的预测准确率均在90%以上，验证了网络模型的有效性.

使用第2次实验重新采集的太赫兹时域信号对网络模型进行测试.当测试数据输入模型后，模型预测出该输入信号属于无缺陷区域，或缺陷深度为0.22、0.44、0.66 mm的区域并进行标注输出.将这4种输出结果分别用蓝色、青色、绿色和黄色的像素点进行标注，图8是通过扫描坐标将像素点进行排列重建出图像.采用太赫兹时域成像方法进行成像的结果图如图9所示.通过对比可以看出网络模型基本能够实现不同深度缺陷的智能识别.在无缺陷区域存在少量识别错误的点，这是由于太赫兹在扫查过程中容易受到环境的影响，导致部分区域采集到的信号噪声较大，这一点从第1张的成像结果中也可以看出.因此在网络模型进行预测时，容易将少量区域的信号识别错误，导致智能识别结果图中出现噪点.此外，在0.44和0.66 mm缺陷周围存在部分识别成0.22 mm的错误，这是由于在检测缺陷边缘时太赫兹波反射角度存在偏移，导致太赫兹信号反射波特征出现偏差，因此在网络模型识别时出现了错误，太赫兹时域成像结果中缺陷边缘的颜色相比缺陷中心颜色较浅也可以看出.

图7 验证集混淆矩阵示意Fig.7 Schematic diagram of verification set confusion matrix

图8 不同深度缺陷智能识别结果示意Fig.8 Schematic diagram of intelligent identification results at different depths

a.飞行时间23.6 ps;b.飞行时间26.166 7 ps;c.飞行时间29.366 7 ps图9 实验样件太赫兹时域成像结果Fig.9 Terahertz time domain imaging results of experimental samples

4 结论

太赫兹波可以在不接触石英纤维复合材料的情况下穿透材料，具有亚毫米的分辨率，可以检测复合材料中的分层缺陷和损伤.本文分析了不同深度缺陷材料的太赫兹时域信号，由于缺陷位置对太赫兹波的反射，时域信号的主脉冲后会出现表征缺陷的反射脉冲.为了降低信号中噪声对检测结果的影响，建立了一维卷积神经网络模型，利用大量非缺陷区域和缺陷区域的太赫兹时域信号对模型进行训练.验证结果表明，不同位置和不同深度的缺陷均能准确识别，所有探测点的识别准确率在90%以上.利用太赫兹时域光谱系统对整个复合材料进行逐点扫描，将识别结果作为像素点进行图像重建，通过与不同缺陷的飞行时间的太赫兹成像进行对比可以看出，缺陷位置和大小均可准确标注且成像清晰，在个别非缺陷位置存在小的噪点.所以，利用卷积神经网络的识别结果重建图像可以实现复合材料损伤缺陷的可视化智能检测.

综上所述，利用太赫兹时域信号结合一维卷积神经网络模型，可以准确标注出复合材料的缺陷位置和缺陷大小，完成复合材料中损伤缺陷的高准确度和可视化的智能检测.该方法可以应用于其他非极性材料的无损检测，在损伤探测和无损检测领域有巨大的应用前景.