论文部分内容阅读
针对碳纤维复合材料(CFRP)的缺陷类型自动判别,提出一种超声一维卷积神经网络(U-1DCNN),结合贝叶斯优化方法进行超参数优选,通过自动提取超声A-Scan信号特征,实现分层、气孔、无缺陷三种类型自动区分。首先采集超声A-Scan信号构建数据集,然后利用多卷积块同时进行特征提取,以增强提取特征的多样性,并将一维残差单元堆叠连接,在进一步提取特征的同时简化网络的训练,利用贝叶斯优化算法优选网络的学习率和随机梯度下降的动量参数,最终实现了A-Scan信号与缺陷类型的非线性映射。实验结果表明,U-1DCNN可通过自动提取特征实现CFRP的缺陷类型识别,准确率为99.50%,并且较二维卷积神经网络方法识别速度更快,可辅助缺陷检测结果判断。