基于生成神經(jīng)網(wǎng)絡(luò)的機械波無損檢測缺陷構(gòu)建算法分析*

湖北民族大學(xué)新材料與機電工程學(xué)院 王棟 周丙濤 楊杰 王海峰 張振

利用機械波,如超聲波、應(yīng)力波進行材料的無損檢測已經(jīng)被廣泛應(yīng)用,利用的原理是不同介質(zhì)中機械波速度不一樣,但是大多數(shù)需要進行復(fù)雜的數(shù)據(jù)分析。近期,生成神經(jīng)網(wǎng)絡(luò)在圖形重構(gòu)顯示出了巨大優(yōu)勢。本文提出了一種新型生成網(wǎng)絡(luò),通過將仿真的機械波不同線路的速度值輸入網(wǎng)絡(luò),生成材料的缺陷分布圖。實現(xiàn)了低維輸入到高維輸出的映射,從而解決了缺陷構(gòu)建復(fù)雜的難點。經(jīng)過試驗,該方法和傳統(tǒng)方法比有著一定優(yōu)勢。

機械波進行材料的無損檢測應(yīng)用十分廣泛,比如利用機械波對木材,對鋼材進行無損檢測,應(yīng)力波和超聲波都屬于機械波,他們對材料都能達到很好的無損檢測效果。機械波進行材料的無損檢測的主要優(yōu)點是檢測速度快,裝置簡單,對于材料的傷害幾乎為零。機械波無損檢測的原理是在不同介質(zhì)中機械波的速度不一樣,當(dāng)材料中有缺陷或是空洞時,機械波的速度就會發(fā)生明顯變化,通過對于速度數(shù)據(jù)的處理和分析,最后對缺陷位置進行預(yù)測,所以對于機械波無損檢測而言,數(shù)據(jù)處理的算法至關(guān)重要。馮海林等[1]提出一種圖像重建算法,利用周圍點值估計未知網(wǎng)格點的速度值,測試結(jié)果證明了該方法的可行性。Choi等[2]利用基于模型的損傷檢測算法來定位缺陷位置及腐朽程度。這兩種算法能夠基本構(gòu)建出機械波的傳輸路徑圖,但是算法較為復(fù)雜,需要根據(jù)具體的材料與檢測環(huán)境進行調(diào)整。魏喜雯[3]研究了應(yīng)力波在原木上傳播速度變化情況,建立不同方向角和縱截面夾角的應(yīng)力波傳播速度模型,以期進一步認(rèn)識應(yīng)力波在原木不同方向角度縱截面內(nèi)的傳播規(guī)律,為樹木內(nèi)部缺陷的二維成像技術(shù)提供理論與實驗依據(jù),此算法更進一步提出了角度對于傳播速度的影響。目前比較權(quán)威的算法是CT重構(gòu)法[4],通過對路徑上的值進行拉東積分,重構(gòu)出缺陷圖像。而神經(jīng)網(wǎng)絡(luò)在無損檢測領(lǐng)域的使用較少,Miguel等[5]通過多層感知器神經(jīng)網(wǎng)絡(luò)(3個輸出層神經(jīng)元)使用木材的密度、超聲波傳播速度和動態(tài)彈性模量作為輸入,對木材機械性能的硬度、彈性模量和斷裂模量進行了評估。近年來,生成神經(jīng)網(wǎng)絡(luò)在圖像恢復(fù)、圖像重構(gòu)方面應(yīng)用廣泛,而它在缺陷檢測方面的應(yīng)用主要體現(xiàn)在對于缺陷進行圖形加強。

在本文中,為了解決機械波速度處理復(fù)雜,時間長的缺點,提出了一種基于生成網(wǎng)絡(luò)的方法,以n條機械波傳播路徑的速度為輸入數(shù)據(jù),設(shè)置隱含層,并在輸出層進行權(quán)重凍結(jié)并進行與標(biāo)簽值對比,輸出2n個點值,作為缺陷的重構(gòu)圖像,該算法與CT重構(gòu)法相比,有著更高的準(zhǔn)確率以及速度。

1 機械波無損檢測原理

機械振動在介質(zhì)中的傳播稱為機械波。應(yīng)力波,超聲波都屬于機械波。通過記錄它在指定路徑上的速度從而對缺陷的位置或者空洞進行預(yù)測。在此實驗中,我們選用圓柱形材料作為研究對象,通過在橫縱交叉的機械波路徑來對于缺陷做圖形重構(gòu)。

由圖1可知,圓形的截面被n條路徑理論上可以分割成2n個區(qū)域,生成2n個點。在本文中,我們運用各個點的數(shù)值來作為材料被檢測截面的缺陷分布圖。在圓形截面的上部分分布一塊缺陷,每個點上的數(shù)字表示機械波通過該點時傳播的速度。根據(jù)機械波在介質(zhì)中傳播的規(guī)律,假設(shè)在無缺陷處傳播速度為1,缺陷處傳播速度為2,相交位置傳播速度為1.5。

圖1 材料被檢測截面的缺陷分布圖Fig.1 Defect distribution map of tested section

對圖中的每條路徑進行平均傳播速度的計算,可以求得此截面理論上的路徑速度數(shù)據(jù)。

經(jīng)過以上的分析可知,由缺陷圖可以預(yù)測出各個路徑上的速度分布,現(xiàn)階段的預(yù)測方法主要基于數(shù)學(xué)手段,例如CT重構(gòu)法,計算方法較為復(fù)雜,需要經(jīng)過大量的計算。本文擬設(shè)計一種基于生成神經(jīng)網(wǎng)絡(luò)的方法,先模擬仿真出材料缺陷分布圖,再求出截面理論上的路徑速度數(shù)據(jù),建立網(wǎng)絡(luò),由后者映射到前者,實現(xiàn)低維度向高維度的預(yù)測。

2 基于生產(chǎn)神經(jīng)網(wǎng)絡(luò)的缺陷預(yù)測

2.1 數(shù)據(jù)集的生成

數(shù)據(jù)集的產(chǎn)生工具本文選用的是MATLAB 2016a,而本實驗選擇縱橫都是12條速度路徑為實驗研究對象。第一步采用隨機生成矩陣的方法,生成12×12的模擬矩陣,矩陣中的每一個元素為0.5～1.5之間的模擬量,同時根據(jù)機械波的傳播規(guī)律,將材料有無缺陷位置的速度差定為3倍。后將數(shù)據(jù)進行降維平鋪,生成以144為單位的向量Bdefect。

第二步由模擬矩陣生成路徑速度向量,分別計算縱橫兩個方向上各個方向的平均值。而后將兩個向量進行降維平鋪,生成以24為單位的向量。

本文所涉及的生成神經(jīng)網(wǎng)絡(luò)的輸入為Bspeed,而輸出為Bdefect。用MATLAB生成多組數(shù)據(jù)作為數(shù)據(jù)集,按照一定比例分為訓(xùn)練集和測試集。

2.2 生成神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與設(shè)計

在此文的要求中,輸入維度為24×1的Bspeed,輸出為144×1的Bdefect。本文所設(shè)計的總體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示:

圖2 總體網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Overall network structure diagram

神經(jīng)網(wǎng)絡(luò)分為兩個部分,第一部分為生成器,主要功能是由輸入生成輸出,由兩層BP神經(jīng)網(wǎng)絡(luò)組成,維度分別是32和64。傳遞函數(shù)選用LeakyReLU函數(shù),給所有負(fù)值賦予一個非零斜率。為了避免過擬合,本文采用了Batch Normalization的訓(xùn)練方法,衰減率為0.1。

網(wǎng)絡(luò)第二部分為對比器,主要功能是對比生成器所生成的向量與目標(biāo)值的差距。將生成器的輸出值與目標(biāo)值求L1distance作為整個函數(shù)的損失函數(shù)值,網(wǎng)絡(luò)由兩部分組合而成,網(wǎng)絡(luò)在訓(xùn)練時需要凍結(jié)對比器的全部權(quán)重,保證在訓(xùn)練時只有生成器的參數(shù)得到訓(xùn)練。

3 實驗結(jié)果與分析

實驗所使用的數(shù)據(jù)集包含300000組數(shù)據(jù),將數(shù)據(jù)按5∶1的比例分為訓(xùn)練集和測試集。學(xué)習(xí)率選用0.005,每個批次batch size=10,訓(xùn)練10000個epochs后模型穩(wěn)定。為了檢測本文生成網(wǎng)絡(luò)的效果并與其他方法進行對比,我們模擬產(chǎn)生1組缺陷圖,并選用CT重構(gòu)法作為對比,CT重構(gòu)法的原理是對于每一條路徑上的速度進行積分,在此文所設(shè)置的條件中,即為對于離散速度值的加和。所做出的對比圖如圖3所示:

圖3 對比圖Fig.3 Comparison chart

從模擬圖可以看出,CT重構(gòu)法可以基本定位出缺陷的位置以及缺陷的嚴(yán)重程度,但是存在一定的缺陷,主要在于將缺陷所處位置的整個路徑都標(biāo)識為缺陷所在處;而本文的算法能夠克服這一缺點,基本可以將缺陷位置進行定位,但是也存在著問題,主要體現(xiàn)在小的缺陷顯示不明顯,也存在將無缺陷的位置定義為微小缺陷?？偟膩碚f,本文的算法和CT重構(gòu)法相比具有一定的優(yōu)勢。

4 結(jié)語

通過對于機械波無損檢測原理的分析,利用了機械波在不同介質(zhì)中的傳播速度不同這一簡單原理,設(shè)置了縱橫兩組路徑速度為輸入,缺陷分布圖為輸出的測試模式。并使用MATLAB生成了30000組數(shù)據(jù)作為數(shù)據(jù)集。本文研發(fā)了一種新型的生成神經(jīng)網(wǎng)絡(luò),由生成器和比較器組成,能夠?qū)?4×1的速度值升維為144×1的缺陷分布點值,在比較器的第一層,將生成器輸出值與同維度的目標(biāo)值求L1 distace作為整個函數(shù)的損失函數(shù)。經(jīng)過試驗,網(wǎng)絡(luò)在訓(xùn)練后loss值迅速收斂,并且在缺陷圖重構(gòu)能力上強于傳統(tǒng)的CT重構(gòu)法,但是還是存在小缺陷的定義不準(zhǔn)問題,未來需要改進生成器結(jié)構(gòu)或是增加訓(xùn)練樣本來進行改進。

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,孫麗萍,許述正,等.基于應(yīng)力波傳播速度模型的原木缺陷定量檢測[J].北京林業(yè)大學(xué)學(xué)報,2020,42(5):143-154.

[4]馬宏林,相建凱,張剛,等.超聲CT方法檢測古建筑木構(gòu)件缺陷研究[J].文物保護與考古科學(xué),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.