一种基于2D-CNN的激光超声表面缺陷检测方法

摘要：

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定.针对这一问题,提出一种基于图像识别的二维卷积神经网络(2D-CNN)的缺陷自动分类检测方法.利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换(CWT)处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络(CNN)分类模型,实现对表面缺陷深度的自动分类.验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3％;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路.

关键词：激光超声检测、缺陷分类、卷积神经网络、连续小波变换

所属期刊栏目：42

分类号：TN247(光电子技术、激光技术)

资助基金：大连理工大学中央高校基本科研业务费专项项目DUT15ZD110

在线出版日期：2021-04-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：149-156