一种多源特征融合深度学习模型及复杂构件缺陷类型识别方法

复杂构件内部缺陷的类型识别对于保证装备制造质量及安全可靠运行具有重要的意义。针对现有深度学习模型用于缺陷类型识别时存在局部特征提取较差、缺乏考虑缺陷经验特性以及特征信息丢失的问题,提出了一种融合先验特征、全局特征以及ReliefF-Pooling策略的缺陷类型识别方法;实现了缺陷几何、纹理等先验特征与卷积神经网络全局特征的融合分析,并通过构建基于ReliefF-Pooling的特征优化方法,实现不同权重特征信息优化利用;最后,以某航天企业实际的复杂构件内部缺陷的射线检测为例进行了验证。试验结果表明,所提方法可以有效提升复杂构件内部缺陷的类型识别精度。

图谱数据深度学习融合模型及焊缝缺陷识别方法

针对当前利用超声衍射时差法(TOFD)图谱数据进行缺陷类型判定时以人工判别为主,主观性大、效率低以及缺乏从波形特征及图像特征进行集成分析的问题,提出了一种深度学习融合模型及焊缝缺陷识别方法。通过对TOFD检测原理及缺陷检测图谱数据特点进行分析,建立了综合考虑波形数据和图像数据的缺陷特征表征方法,实现了缺陷标准数据集构建;通过构建基于时间卷积网络(TCN)的波形序列数据分析模块、基于卷积神经网络(CNN)的图像数据分析模块以及特征自适应融合分类模块,建立了一种可以实现波形序列特征与图像特征综合分析的深度学习融合网络模型(DLFM)及模式分类方法。以企业实际TOFD检测焊缝缺陷数据对所提方法进行了验证,结果表明所提DLFM方法对缺陷类型的识别率明显高于单独使用基于TCN、CNN以及CNN-TCN的方法;所提方法拓展了现有深度学习模型的构建方法,并可以推广应用到其他模式识别领域,具有较强的通用性。