基于深度学习的激光剪切散斑干涉无损检测缺陷识别

摘要：

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术.目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制.为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法.利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5 和Faster R-CNN 目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5 和Faster R-CNN 两种算法获得训练模型.然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测.最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析.实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN 和YOLOv5 的检测速率分别能达到11 f/s 和50 f/s,并且两种深度学习算法的平均精度均能达到92％以上,验证了提出方法的可行性.

关键词：剪切散斑干涉、相移技术、深度学习、缺陷识别

所属期刊栏目：53

分类号：TH741;TN247(仪器、仪表)

资助基金：国家自然科学基金;江西省自然科学基金

在线出版日期：2023-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1156-1162