基于深度学习的复合材料层合板损伤图像分类的研究

针对复合材料结构检测损伤检测问题，本文提出了一种基于深度学习进行复合材料结构损伤检测的方法。本方法首先通过网络和文献收集复合材料结构图像资料，建立数据集，数据集包含损伤和未损伤的复合材料层合板图片；然后采用三个卷积神经网络模型AlexNet、VGG和ResNet对损伤情况进行自动分类；最后对三种预先训练过的网络架构的性能进行评估。实验结果表明，在相同的实验条件下，AlexNet技术使用相对较小的图像数据集，在合理的计算时间内能够成功地检测出损伤，且测试精度最高，复杂性较低。

复合材料是具有优良性能的新型材料，由多种属性不同材料组成，它比组成的原始材料更坚硬，更耐磨，更轻[1]。尽管复合材料有这些出色的优点，但是，复合材料结构在制造和使用的过程中容易受到各种损伤，从而显著地改变了它们的结构行为，最终导致结构失效或者使用寿命减少。为了保证复合材料结构的结构安全，当结构受损时，尽早知道损伤的具体情况是十分关键的。但是复合材料的各向异性特性使得一般的检测方法较难进行损伤评估。目前有许多无损检测技术NDT (Non-Destructive Testing)可用于检测复合材料结构内部的缺陷，如红外热成像检测[2]，声发射检测[3]等，虽然这些无损检测技术现如今很成熟，但是其中的大部分技术并不能按照最开始所设想的那样， 直接使用检测设备进行无损检测， 除了相关的仪器之外，还需要技术娴熟的操作员以及特定的检测环境。对于结构表面损伤，常采用目视检查技术。此外，目视检查也是许多现实实例中使用的最基本的NDT 类型。因为它可以通过减少其他种类测试措施来节省检测所需要的时间和金钱，或者在某些特殊情况下同时减少对其他类型测试的需要， 目视检查主要的优点就是速度快和相对承受性高[4]，但是检测的准确性也取决于检查员的判断能力。照明、检查的时间、检查员的疲劳和经验、环境条件等因素都会影响检查员的判断力，进一步影响目视检测的可靠性和检测成功的概率，随之就带来了健康和安全风险等问题。

近年来，随着科技发展，计算机硬件可以提供充足的算力，人们在自动化、数据分析、图像采集技术、人工智能技术等方面的取得了较大进步，使得低成本硬件的计算能力能够满足软件的计算需求，这也让搭建一个实用的自动视觉检查系统成为了可能[5]。Min Ma 等人[6]使用一维多尺度残差卷积神经网络对碳纤维增强聚合物CFRPs (Carbon Fiber Reinforced Polymers)进行损伤检测，基于仿真软件和实验获得CFRPs 的损伤图像构造数据集。实验中训练所提出的网络结构，并根据测试数据集结果对该算法进行评估。该方法的决定系R2 数为0.885，是该组网络架构中最高的网络结构，说明了模型的拟合效果较好。

过去提出的CNNs (Convolutional Neural Networks)在基于图像的数据上的应用中， 所获取的图像都是通过NDT 获得，如热成像和X 射线，NDT 需要专业的设备以及经验丰富的操作员获取。这些研究的专