一种基于深度学习的超声导波缺陷重构方法

• 作者: 李奇 笪益辉 王彬 蒋浩 Dianzi Liu 钱征华
• 来源期刊: 固体力学学报
• 关键词: 超声波检测 深度学习 卷积神经网络 缺陷重构
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 研究论文|Research Papers
• 页码范围: 33-44
• 页数: 12页
• 语种: 中文
• DOI: 10.19636/j.cnki.cjsm42-1250/o3.2020.041

摘要

超声导波检测因其传播效率高、耗能少等优势成为了无损检测领域的重要研究方向.目前已有的利用超声导波进行结构缺陷探测和定量化重构的方法主要由相关的导波散射理论推导得出.然而,由于导波散射问题本身的高复杂性,使得在推导上述理论方法时引入一些近似假设,降低了重构结果的质量.另外,有些方法通过优化迭代的方式提高重构精度,又会增加检测的时间成本.有鉴于此,论文探索了一种将卷积神经网络与导波散射理论模型以局部融合的方式实现缺陷定量化重构的新方法.应用样本数据训练后的神经网络实现缺陷定量化重构,弥补缺陷重构过程中的理论模型误差,同时去除在实际检测过程中所存在的环境噪声.论文以利用SH导波重构平板中的减薄缺陷为研究对象,通过数值模拟验证了该方法在缺陷重构时具有高效率和高精度的特点,特别是对矩形缺陷的重构,新方法的结果精度比波数空间域变换法的精度提高了近200％.