基于改进迁移学习的CFRP缺陷涡流检测与识别

doi:10.3901/JME.2025.06.053

机械工程学报 ›› 2025, Vol. 61 ›› Issue (6): 53-65.doi: 10.3901/JME.2025.06.053

• 仪器科学与技术 • 上一篇

扫码分享

基于改进迁移学习的CFRP缺陷涡流检测与识别

程军^1,2,3, 朱煜龙^1,4, 汪步云^1,2,3, 梁艺^1,2,3, 许德章^1,2,3, 刘蒙蒙^1,4, 刘有余^1,4

1. 安徽工程大学安徽省机器人产业共性技术研究中心芜湖 241007;
2. 安徽工程大学人工智能学院芜湖 241000;
3. 芜湖云擎机器人科技有限公司芜湖 241007;
4. 安徽工程大学机械工程学院芜湖 241000

收稿日期:2024-06-01 修回日期:2025-01-20 发布日期:2025-04-14
作者简介:程军(通信作者)，男，1986年出生，博士，副教授，硕士研究生导师。主要研究方向为复合材料无损检测、机器视觉与图像处理。E-mail:chengjun@ahpu.edu.cn
基金资助:
国家自然科学基金(51605229)、教育部重点实验室开放课题(KFKT202209)、安徽省高校自然科学基金(2023AH050928)、安徽省经信委制造业重点领域揭榜挂帅(JB22031)和安徽未来技术研究院企业合作(2023qyhz35)资助项目。

Improved Transfer Learning Method for Eddy Current Testing and Identification of CFRP Defects

CHENG Jun^1,2,3, ZHU Yulong^1,4, WANG Buyun^1,2,3, LIANG Yi^1,2,3, XU Dezhang^1,2,3, LIU Mengmeng^1,4, LIU Youyu^1,4

1. Anhui Research Center for Generic Technologies in Robot Industry, Anhui Polytechnic University, Wuhu 241007;
2. School of Artificial Intelligence, Anhui Polytechnic University, Wuhu 241000;
3. Wuhu Yunqing Robot Technology Co., Ltd., Wuhu 241007;
4. School of Mechanical Engineering, Anhui Polytechnic University, Wuhu 241000

Received:2024-06-01 Revised:2025-01-20 Published:2025-04-14

摘要/Abstract

摘要： 近年来，碳纤维增强树脂基复合材料(Carbon fiber reinforced polymer，CFRP)缺陷的自动化检测与识别已经成为无损检测领域的热点课题之一。然而，CFRP构件缺陷数据的不足会产生过拟合现象，导致缺陷识别精度低等问题。基于此，提出了一种基于改进迁移学习的CFRP材料缺陷涡流检测方法。首先利用涡流C扫描成像和复平面信号特征提取获得CFRP缺陷样本并进行数据增强，解决了样本不足的问题；然后利用MobileNet V2网络与K-means聚类的方法，在热轧带钢表面缺陷数据集中挑选出特征相似源域图片进行预训练，完成目标域相似特征的提取，减小“负迁移”的影响；最后在特征提取网络中融合卷积注意力模块，减少特征图中背景特征信息的影响，再通过模型迁移的方式将源域训练的网络权值迁移到改进后的Faster R-CNN目标检测模型中，建立CFRP缺陷检测模型。通过对比试验，该方法有效解决了CFRP构件缺陷数据较少的问题，并且具有较高的准确率和鲁棒性。构建出的CFRP缺陷检测模型实现了对裂纹、分层、褶皱三类缺陷的高精度识别，平均精度均值达到了94.62%，相较于传统训练方法与原始网络迁移学习检测精度分别提升了29.31%与2.79%，尤其对于褶皱缺陷的识别精度显著提高，取得了较好的效果，满足了对CFRP构件缺陷的检测要求。

关键词: 涡流检测, 碳纤维复合材料, 迁移学习, K-means聚类, 卷积神经网络

Abstract: In recent years, automated detection and identification of defects in carbon fiber reinforced polymer (CFRP) composites has emerged as a hot topic in the field of nondestructive testing. However, insufficient defect data of CFRP components might result in overfitting and low defect recognition accuracy. Therefore, an eddy current testing approach for CFRP defects using improved migration learning is proposed. Firstly, the methods of eddy current C-scan imaging and complex plane signal feature extraction are used to obtain CFRP defect samples and implement data enhancement, which solves the problem of insufficient samples. The MobileNet V2 network with K-means clustering is then used to pick out source domain images with similar features in the hot rolled strip surface defect data set for pre-training, to complete the extraction of similar features in the target domain and reduce the negative migration. Finally, the convolutional attention module is integrated into the feature extraction network to reduce the influence of background feature information in the feature map. The network weights trained on the source domain are transferred to the improved Faster R-CNN object detection model through model transfer, to establish a CFRP defect detection model. Through comparison tests, the method efficiently overcomes the problem of less defect data for CFRP components while maintaining high accuracy and robustness. The constructed CFRP defect detection model achieves high-precision recognition of three types of defects, namely, crack, delamination, and wrinkle. The mean average precision reaches 94.62%, which is 29.31% and 2.79% higher than that of the traditional training method and the original network migration learning detection accuracy, respectively. The recognition accuracy of wrinkle defects in particular is significantly improved, which achieves a better result and meets the requirements for CFRP defect detection.

Key words: eddy current testing, CFRP, transfer learning, K-means clustering, convolutional neural network

中图分类号:

程军, 朱煜龙, 汪步云, 梁艺, 许德章, 刘蒙蒙, 刘有余. 基于改进迁移学习的CFRP缺陷涡流检测与识别[J]. 机械工程学报, 2025, 61(6): 53-65.

CHENG Jun, ZHU Yulong, WANG Buyun, LIANG Yi, XU Dezhang, LIU Mengmeng, LIU Youyu. Improved Transfer Learning Method for Eddy Current Testing and Identification of CFRP Defects[J]. Journal of Mechanical Engineering, 2025, 61(6): 53-65.

参考文献

[1] Rajak D K，Wagh P H，Linul E. Manufacturing technologies of carbon/glass fiber-reinforced polymer composites and their properties：A review [J]. Polymers，2021，13(21)：3721.
[2] 陈吉平，李岩，刘卫平，等. 连续纤维增强热塑性树脂基复合材料自动铺放原位成型技术的航空发展现状[J]. 复合材料学报，2019，36(4)：784-794. CHEN Jiping，LI Yan，LIU Weiping，et al. Aerospace development status of continuous fiber-reinforced thermoplastic resin matrix composite material automatic placement and in-situ molding[J]. Acta Materiae Compositae Sinica，2019，36(4)：784-794.
[3] Sun Z，Shan Z，Huang H，et al. Multi-scale modeling and finite element analyses of thermal conductivity of 3D C/SiC composites fabricating by flexible-oriented woven process[J]. Chinese Journal of Mechanical Engineering，2024，37：60.
[4] 张磊，许帅康，陈洁，等. 列车车体轻量化设计研究进展[J]. 机械工程学报，2023，59(24)：177-196. ZHANG Lei，XU Shuaikang，CHEN Jie，et al. Research progress in lightweight design of train body[J]. Journal of Mechanical Engineering，2023，59(24)：177-196.
[5] 刘明良，唐颀，田小永，等. 连续纤维增强加筋圆柱壳回转3D打印工艺及其轴压性能研究[J]. 机械工程学报，2024，60(15)：283-290. LIU Mingliang，TANG Qi，TIAN Xiaoyong，et al. Study on the 3D printing process and axial compression performance of reinforced cylindrical shell[J]. Journal of Mechanical Engineering，2024，60(15)：283-290.
[6] 苏飞，欧阳晨恺，李枫，等. 碳纤维增强树脂复合材料齿槽加工中分层缺陷的形成机制[J]. 复合材料学报，2021，38(12)：4042-4051. SU Fei，OUYANG Chenkai，LI Feng，et al. Formation mechanism of the slotting delamination of carbon fiber reinforced plastics[J]. Acta Materiae Compositae Sinica，2021，38(12)：4043-4052.
[7] 程军，游勇，汪步云，等. 基于空频去混叠的CFRP材料纤维纹路涡流成像[J]. 机械工程学报，2022，58(4)：14-21. CHENG Jun，YOU Yong，WANG Buyun，et al. Eddy current imaging of fiber textures in cfrp composite based on spatial frequency domain de-aliasing method [J]. Journal of Mechanical Engineering，2022，58(4)：14-21.
[8] 程旭，宋晨，史金钢，等. 基于深度学习的通用目标检测研究综述[J]. 电子学报，2021，49(7)：1428-1438. CHENG Xu，SONG Chen，SHI Jingang，et al. A survey of generic object detection methods based on deep learning[J]. Acta Electronica Sinica，2021，49(7)：1428-1438.
[9] Bang H T，Park S，Jeon H. Defect identification in composite materials via thermography and deep learning techniques[J]. Composite Structures，2020，246：112405.
[10] 路浩. 基于机器视觉的碳纤维预浸料表面缺陷检测方法的研究[D]. 济南：山东大学，2020. LU Hao. Surface defect detection method of carbon fiber prepreg based on machine vision[D]. Jinan：Shandong University，2020.
[11] 周建民，陈超，涂文兵，等. 红外热波技术、有限元与SVM相结合的复合材料分层缺陷检测方法[J]. 仪器仪表学报，2020，41(3)：29-38. ZHOU Jianmin，CHEN Chao，TU Wenbing，et al. Composite layer defect detection method based on infrared heat wave technology，finite element and SVM[J]. Chinese Journal of Scientific Instrument，2020，41(3)：31-40.
[12] Saeed N，King N，Said Z，et al. Automatic defects detection in CFRP thermograms，using convolutional neural networks and transfer learning[J]. Infrared Physics & Technology，2019，102：103048.
[13] Cheng J，Zhu Y，Wang B，et al. Noncontact visualization of multiscale defects in CFRP composites using eddy current testing with T-R probe[J]. NDT and E International，2024，145：103138.
[14] 程军，徐帅，汪步云，等. 一种自调零平切型电涡流探头及其在碳纤维复合材料细观成像中的应用[J]. 机械工程学报，2021，57(4)：27-35. CHENG Jun，XU Shuai，WANG Buyun，et al. Application of self-nulling pancake-tangent eddy current probe for mesoscopic imaging of CFRP composites[J]. Journal of Mechanical Engineering，2021，57(4)：27-35.
[15] 胡嘉沛，李震，黄河清，等. 采用改进YOLOv4-Tiny模型的柑橘木虱识别[J]. 农业工程学报，2021，37(17)：197-203. HU Jiapei，LI Zhen，HUANG Heqing，et al. Citrus psyllid detection based on improved YOLOv4-Tiny model[J]. Transactions of the Chinese Society of Agricultural Engineering，2021，37(17)：197-203.
[16] Sinaga K P，Yang M S. Unsupervised K-means clustering algorithm[J]. IEEE Access，2020，8：80716- 80727.
[17] 何倩，李双富，黄焕，等. 一种海量数据快速聚类算法[J]. 北京邮电大学学报，2020，43(3)：118-124. HE Qian，LI Shuangfu，HUANG Huan，et al. A fast clustering algorithm for massive data [J]. Journal of Beijing University of Posts and Telecommunications，2020，43(3)：118-124.
[18] Cao C，Wang B，Zhang W，et al. An improved faster r-cnn for small object detection[J]. IEEE Access，2019，7：106838-106846.
[19] 王忠塬. 基于改进Faster RCNN的小目标检测技术研究[D]. 长春：长春理工大学，2021. WANG Zhongyuan. Research on small target detection technology based on improved faster RCNN[D]. Changchun：Changchun University of Science and Technology，2021.
[20] Woo S，Park J，Lee J Y，et al. CBAM：Convolutional block attention module[C]// Springer. 15th European Conference on Computer Vision (ECCV2018)，2018，Sep. 8-14，Munich，Germany. Springer Nature Switzerland AG，2018，LNCS 11211：3-19.
[21] Roh M C，Lee J Y. Refining faster-RCNN for accurate object detection[C]// IEEE. 15th IAPR International Conference on Machine Vision Applications (MVA) Nagoya University，2017，May 8-12，Nagoya，Japan. NewYork：IEEE，2017：514-517.
[22] Alwyn M，Jimson M，Mahesh G，et al. An improved transfer learning approach for intrusion detection [J]. Procedia Computer Science，2017，115：251-257．

基于改进迁移学习的CFRP缺陷涡流检测与识别

Improved Transfer Learning Method for Eddy Current Testing and Identification of CFRP Defects

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马帅, 冷杰武, 陈祝云, 李巍华, 李波, 刘强. 基于数字孪生和深度迁移学习的电主轴热误差建模方法[J]. 机械工程学报, 2025, 61(3): 52-66.
[2]	乐珂, 李霁蒲, 陈祝云, 何国林, 邓书涵, 李巍华. 基于无源自监督域适应的旋转机械跨域新故障诊断方法[J]. 机械工程学报, 2025, 61(3): 67-76.
[3]	陈国强, 申正义, 杨宇驰, 李腾, 徐丽. FCN优化GA的飞行模拟座舱意象仿生视觉焦点预测模型[J]. 机械工程学报, 2025, 61(3): 154-166.
[4]	刘翰儒, 陈桂映, 许泽林, 彭世通, 郭嘉楠, 刘伟嵬, 王奉涛. 基于SERepVGG-A2的轻量化卷积神经网络在熔池状态识别中的应用[J]. 机械工程学报, 2025, 61(3): 440-448.
[5]	王帅帅, 段振景, 刘吉宇, 李育恒, 王梓恒, 周瑜阳, 刘新, 宋金龙, 孙晶. 冷等离子体耦合微量润滑微铣削CFRP加工性能与机理研究[J]. 机械工程学报, 2024, 60(9): 338-350.
[6]	狄子钧, 袁东风, 李东阳, 梁道君, 周晓天, 信苗苗, 曹凤, 雷腾飞. 基于多尺度-高效通道注意力网络的刀具故障诊断方法[J]. 机械工程学报, 2024, 60(6): 82-90.
[7]	邓聪颖, 邓子豪, 林丽君, 陈翔, 马莹, 禄盛. 基于迁移学习的变刀具-刀柄夹持状态下数控铣削稳定性预测研究[J]. 机械工程学报, 2024, 60(3): 296-304.
[8]	余海燕, 贺宏伟, 邢萍. 考虑不同刚度退化模式的碳纤维增强复合材料失效模型开发[J]. 机械工程学报, 2024, 60(2): 197-208.
[9]	朱永超, 朱才朝, 谭建军, 冉峯, 宋朝省. 考虑数据特征差异的风电齿轮箱群组健康状态预测研究[J]. 机械工程学报, 2024, 60(18): 64-75.
[10]	赵宇辉, 赵吉宾, 李明玥, 何振丰, 王志国, 贺晨. 激光熔化沉积TC4钛合金电涡流检测仿真及亚表面缺陷检测[J]. 机械工程学报, 2024, 60(14): 34-41.
[11]	袁静, 任港星, 蒋会明, 赵倩, 魏臣隽, 朱骏. 基于多元提升核神经网络的机械故障诊断方法及其特征提取可解释性研究[J]. 机械工程学报, 2024, 60(12): 51-64.
[12]	陈钱, 陈康康, 董兴建, 皇甫一樊, 彭志科, 孟光. 一种面向机械设备故障诊断的可解释卷积神经网络[J]. 机械工程学报, 2024, 60(12): 65-76.
[13]	王振亚, 刘韬, 伍星. 互信息规范的卷积神经网络及其在轴承故障特征提取中的应用[J]. 机械工程学报, 2024, 60(12): 137-146.
[14]	李响, 付春霖, 雷亚国, 李乃鹏, 杨彬. 保证数据隐私的装备协同智能故障诊断联邦迁移学习方法[J]. 机械工程学报, 2023, 59(6): 1-9.
[15]	邓磊鑫, 谢清林, 陶功权, 温泽峰. 基于轴箱振动与动力学模型驱动的高速列车车轮失圆状态识别方法[J]. 机械工程学报, 2023, 59(3): 110-121.