基于多尺度融合的蜂窝复合材料缺陷检测网络

　　摘要：针对航空蜂窝板复合材料外部蒙皮破损导致内部产生泥沙、积水以及裂纹等影响飞行安全的问题，提出采用电容层析成像技术(ElectricalCapacitanceTomography，ECT)进行蜂窝板复合材料缺陷检测。针对平面ECT成像精度低的问题，通过构建多尺度融合策略、残差编码解码融合模块，引入一种新的池化模块(Softpool)等形成多尺度残差编码解码路径的深层神经网络(MultiscaleResidualEncodingandDecodingpaths，MsRED)，使最终的结果完全融合解码阶段学到的特性，对使用共轭梯度成像算法的重建图像进一步改善。结果表明，应用平面ECT技术可以实现蜂窝材料的缺陷检测，通过MsRED网络可以提升图像重建效果，更清晰重建出蜂窝结构缺陷图像。

　　关键词：蜂窝复合材料，无损检测，电容层析成像，多尺度融合，图像重建算法

　　0引言

　　随着现代复合材料和制造工艺技术的不断发展，以碳纤维、芳纶纤维、玻璃纤维等高性能纤维制成的材料得到了越来越广泛地运用[1]。蜂窝复合材料以其优异的性能得以迅速发展，因具有高抗压性、低变形、耐腐蚀、优良的电绝缘性能，能够减轻飞行器结构质量，提高飞行器隔热性能，因而被广泛应用于航空航天、国防工业等领域。蜂窝复合材料主要由三部分组成，蜂窝材料的上下表面蒙皮(一般为树脂或碳纤维材质)，内部的蜂窝夹芯层(一般为芳纶纸粘合而成)，用来结合表面蒙皮和蜂窝芯的胶层。常见损伤包括脱粘、基体开裂、进水和冲击损伤，常见的损伤检测方法有红外成像法、射线检测、声阻法等。

　　红外成像法借助对热红外敏感的特点对物体进行成像，常用于蜂窝复合材料是否进水的检测，但受周围环境温度影响很大;射线检测的检测结果虽然准确可靠，但设备庞大，费用高，且对人体有伤害[3];声阻法检测构建冲击损伤操作简单，但检测效率和判伤类型不够灵敏，具有一定局限性。常规无损检测存在检测盲区、检查效率差、检测成像效果差等缺点。因此，本文首次提出基于电容层析成像技术对航空蜂窝复合材料进行缺陷检测。其检测原理是通过测量获得一组电容值，再根据计算得到的电容值求取介质的介电常数分布。当蜂窝复合材料内部有损伤缺陷时，电极板产生的电场线会发生扭曲，电容传感器可以由此检测到电学信号的变化，再通过电容层析成像算法重构图像[4]。

　　1平面ECT系统检测原理

　　平面阵列ECT传感器各极片在电压激励下的电场线分布是均匀的，当电极片相对时电场线为平行线，当电极片在同一平面上时电场线呈―开口状‖分布，电场分布因电极片的分布变化而改变，这种现象称作电容的边缘效应。平面阵列ECT即根据电容的边缘效应进行基本的复合材料检测。

　　1.1蜂窝复合材料建模过程

　　首先创建三维模型向导，运用模型开发器中的几何工具和零件绘制一个三维蜂窝复合材料的模型，设置蜂窝夹层的介电常数为1.0695，蜂窝表面蒙皮树脂材料介电常数为4.0。

　　1.2数据归一化

　　在ECT系统中电容值信号比较微弱，且传感器不同位置的电容值会相差很多个数量级，相距较近的电极对间电容值远远大于相距较远的电极对，为解决ECT系统中电容值数量级相差过大的问题，在研究中将得到的电容数值和灵敏度矩阵[6]进行归一化处理，以减少电容差别对于图像准确性产生的干扰。

　　2图像重建算法

　　首先通过传统算法对仿真模型进行图像重建结果及分析，为构建损伤分类模型选取合适的算法[7]。基于COMSOLMultiphysics5.3有限元仿真软件构造不同的缺陷类型，在MATLAB编译相关的图像重建算法进行成像。根据损伤位置和损伤大小将缺陷类型定义为双矩形、中心圆形、复杂类型三种，其中双矩形缺陷尺寸为1.5cm×1.5cm，中心圆形缺陷半径为1.5cm，复杂形损伤的矩形缺陷尺寸为1.5cm×1.5cm、中心圆形缺陷半径为1.5cm。

　　3基于多尺度融合深层神经网络

　　针对传统平面电极电容层析成像技术可以为复合材料检测技术提供依据，但有精度不高、对比度低等缺陷。为此提出一种基于多尺度残差编码解码路径的深层神经网络MsREDMultiscaleResidualEncodingandecodingpaths，使用多分支卷积层MCLMultibranchConvolutionLayer来提取特征，使用多尺度残差编码融合模块MsREFMMultiscaleResidualEncodingFusionModule来融合编码特征，使用多尺度残差解码融合模块MsRDFM(MultiscaleResidualDecodingFusionModule反映了多尺度残差译码路径，引入卷积注意力模块ConvolutionalBlockAttentionMoule,CBAM来捕获远程多通道的依赖关系和有效利用空间特征表示，将一种新的池化模块(Softpool)引入到复合材料缺陷检测网络中，该模块能够在降采样时保留更多的信息，并获得更丰富的特征，多尺度残差编码译码网络(MsRED)总体框架。使最终的结果完全融合每一层在解码阶段学到的特性，实现融合解码特征，实现ECT的图像重建。

　　3.1多尺度融合策略

　　传统卷积神经网络在信息传递过程中总会存在信息丢失、信息损耗、梯度消失、梯度爆炸等问题，多尺度可以通过对信号的不同粒度进行采样解决此类问题[9]。通常，为了完成不同的任务，可以在不同的尺度上观察到不同的特征。目标尺寸的巨大变化是影响模型性能的主要因素，极小或极大的目标将显著降低模型的性能，当接收场较小时，只能观察到目标的局部特征。当接收野较大时，大量无用的信息会混入视野中。卷积神经网络一层层地提取目标特征，随着层次的加深，神经网络的接受野逐渐增加[10]。

　　因此，多尺度模型体系结构在近年来备受关注。其结构可以分为多尺度输入、多尺度特征融合、多尺度特征预测融合[11]，以及这三种结构的组合。目前有两种常见的多尺度特征融合网络。第一种是并联多分支网络，第二种是串行跳层连接结构。它们都提取了不同感受野的特征。多尺度特征融合首先根据不同尺度的特征对目标进行预测，然后将预测结果进行融合。

　　3.2多尺度残差编码融合模块

　　MsREFM为了使网络在编码阶段能够完全学习数据的上下文特征[12]，设计了多尺度残差编码融合模块MSREFM，与其他采用元素相加或连接的方式融合多尺度特征的方法不同[13]，本文提出的MsREFM能够自适应地学习不同编码级别的特征权值[14]。MsREFM包括两个步骤：相同缩放和自适应融合。

　　4检测结果与分析

　　4.1模型评价指标

　　为了评价网络中各个模块，进行不同模块的消融实验。基线：选择CS2Net[19]为模型基础上完成网络结构的设计。模型一：使用多分支卷积层替换CS2Net中的编码解码模块。模型二：在模型一的基础上添加多尺度残差编码融合模块。模型三：在模型一的基础上添加多尺度残差解码融合模块。模型四：在模型一的基础上添加多尺度残差编码融合模块和多尺度残差解码融合模块。模型五：在模型四的基础上添加Softpool。模型六：本文构建的MsRED网络。为评价各模型效果，选用的性能指标分别为：准确率Accuracy(ACC、召回率Recall、精确率Precision。

　　材料工程论文范例：石墨烯纳米复合材料的制备及其应用研究

　　5结束语

　　本文提出基于平面ECT的航空蜂窝复合材料缺陷检测方法，构建了基于多尺度残差编码解码路径的深度神经网络MsRED来进行ECT图像重建。详细介绍了基于平面ECT检测蜂窝材料的工作原理和图像重建的网络结构。结果表明：MsRED网络对于蜂窝复合材料缺陷的对真实分布的形状保真度更好。设置不同模块的消融实验对比，通过ACC、Recall、Precision三种模型评价指标验证了所添加模块的有效性，并对基于MsRED的ECT图像重建算法进行验证，得到较高图像相关系数和较低图像相对误差[20]，本网络获得的图像误差平均值为0.2667，图像相关系数平均值为0.8053，表明了MsRED是一种有效的图像重建算法。

　　参考文献

　　[1]许有昌碳纤维复合材料舱体超声波检测工艺研究[D]南京理工大学,2006

　　[2]刘雷弱磁技术在蜂窝复合材料检测中的应用研究[D]南昌航空大学,2019

　　[3]常俊杰李媛媛蜂窝结构复合材料的空气耦合Lamb波检测技术[J].复合材料科学与工程,2020(02):6268.

　　[4]马敏邓晨肖吴轲平面阵列电容传感器优化[J].传感器与微系统,2020,39(03):2529

　　[5]刘建英于海亭王伯波薛倩基于ECT/EST双模成像系统的激励测量模式[J].仪表技术与传感器,2016(10):3236.

　　[6]张玉燕任萍王震宇孙东涛温银堂基于平面电容层析成像的复合材料无损检测灵敏度矩阵[J].无损检测,2018,40(11):4549

　　作者：马敏马小雯