本发明涉及复合材料结构损伤超声检测方法及存储介质。
背景技术：
1、复合材料具有良好的力学性能，被广泛地应用于航天航空和船舶等领域。在很多领域都有优势，比如比强度、比刚度、抗疲劳能力、安全性和减震性等方面，因为复合材料的密度较低，用于工业领域的性价比也很高。制造复合材料的工艺相比于其他材料来说比较简单。然而，在制取和工作过程中，因为制备环境可能在高压高温状态下，不可避免会造成复合材料试件内部不同类型的损伤。包括造成空孔，分层之间缺陷是最主要的缺陷形式，无损检测是航空航天、汽车和制造业等各个行业的关键过程。它涉及检查材料和组件而不对其造成任何损坏。传统的无损检测方法依赖于人类的专业知识，耗时、昂贵且容易出错。
技术实现思路
1、本发明的目的是为了解决传统的无损检测方法依赖于人类的专业知识，耗时、昂贵且容易出错的问题，而提出基于深度学习的复合材料结构损伤超声检测方法及存储介质。
2、基于深度学习的复合材料结构损伤超声检测方法具体过程为：
3、步骤一、通过仿真软件建立尺寸相同，一个有分层缺陷和一个没有缺陷的复合材料层合板模型；
4、步骤二、通过仿真软件在有分层缺陷和没有缺陷的复合材料层合板模型内设置探针；
5、步骤三、在仿真软件内模拟激光照射复合材料层合板模型表面，复合材料层合板模型表面产生热源，复合材料层合板模型内探针吸收热源产生时间位移曲线；
6、对探针产生的时间位移曲线进行处理，得到一组时频图；
7、步骤四、通过仿真软件改变有分层缺陷的复合材料层合板模型中缺陷大小和位置，改变有分层缺陷和没有缺陷的复合材料层合板模型内探针位置，重复执行步骤三至步骤四n次，得到n组时频图；
8、步骤五、构建卷积神经网络模型；
9、步骤六、n组时频图作为卷积神经网络模型的输入，复合材料层合板模型有无分层缺陷作为卷积神经网络模型的输出，对卷积神经网络模型进行训练，获得训练好的卷积神经网络模型；
10、步骤七、基于训练好的卷积神经网络模型对待测复合材料层合板模型进行分类检测。
11、一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于深度学习的复合材料结构损伤超声检测方法。
12、本发明的有益效果为：
13、激光超声检测方法与传统的超声检测方法相比具有多项优势，包括更高的精度、更高的灵敏度以及检测复杂几何形状中的缺陷的能力。它对于检查难以接近或具有不规则形状的材料特别有用。卷积神经网络可以将缺陷信号进行预处理，特征提取并进行分类。减少了操作难度，缩短了无损检测耗费的时间。同一般的传统信号处理方法相比，使用卷积神经网络可以大大降低相关人员从事此工作的时间和对知识的掌握程度和经验掌握的多少。提高检测准确性。
14、考虑现有的超声检测技术，结合卷积神经网络在图像识别中的优势，本发明提出一种基于深度学习的无损检测方法。基于激光超声的理论和激发机制，使用comsol有限元软件模拟激光超声检测复合材料层合板中分层缺陷的过程，利用所设置探针点的位移时间曲线来模拟超声波在结构中传播的过程，经过改变设置缺陷的大小和位置等得到若干数据。将所得到的时域响应经连续小波变换后得到的时频图经过尺寸处理后作为卷积神经网络的数据集带入神经网络进行训练，并用编程方法对训练好的模型进行引用，从而达到识别复合材料层合板中分层缺陷的目的。
15、激光超声技术由它在无损检测领域内具有的特性和其他超声检测方法相比有很多优点。使用激光可以实现无接触的检测，也可以在复杂的环境中对部件进行检测，如当构件处于高温，高压等环境时，使用激光检测是一种较为妥当的方法。而且激光还具有时空间分辨率高的特点，超声学和激光的结合可以解决传统超声技术存在的问题。卷积神经网络可以将缺陷信号进行预处理，特征提取并进行分类。减少了操作难度，缩短了无损检测耗费的时间。同一般的传统信号处理方法相比，使用卷积神经网络可以大大降低相关人员从事此工作的时间和对知识的掌握程度和经验掌握的多少。提高检测准确性；解决了传统的无损检测方法依赖于人类的专业知识，耗时、昂贵且容易出错的问题。
1.基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述仿真软件为comsol有限元仿真软件。
3.根据权利要求2所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述步骤三中对探针产生的时间位移曲线进行处理，得到一组时频图；具体过程为：
4.根据权利要求3所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述步骤五中构建卷积神经网络模型；具体过程为：
5.根据权利要求4所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述步骤五中构建卷积神经网络模型依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、输出层。
6.根据权利要求5所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述第一卷积层、第二卷积层、第三卷积层的卷积核大小为5×5。
7.根据权利要求6所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述步骤六中n组时频图作为卷积神经网络模型的输入，具体过程为：
8.根据权利要求7所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述步骤六中n组时频图作为卷积神经网络模型的输入，复合材料层合板模型有无分层缺陷作为卷积神经网络模型的输出，对卷积神经网络模型进行训练，获得训练好的卷积神经网络模型；具体过程为:
9.根据权利要求8所述的基于深度学习的复合材料结构损伤超声检测方法，其特征在于：所述步骤七中基于训练好的卷积神经网络模型对待测复合材料层合板模型进行分类检测；具体过程为：
10.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至9任意一项所述的基于深度学习的复合材料结构损伤超声检测方法方法。
