超声一维CNN在碳纤维复合材料缺陷识别中的应用

"这篇论文提出了一种基于一维卷积神经网络(U-1DCNN)的碳纤维复合材料(CFRP)缺陷类型自动判别方法，结合贝叶斯优化进行超参数选择，以提高识别效率和准确性。研究中，通过采集超声A-Scan信号建立数据集，并利用多卷积块和一维残差单元提取特征，实现对分层、气孔和无缺陷三种类型的区分。实验结果显示，该方法的识别准确率达到99.50%，且识别速度优于二维卷积神经网络，有助于辅助缺陷检测的决策。" 在本文中，作者探讨了碳纤维复合材料(CFRP)缺陷检测的问题，这是一种广泛应用于航空、航天以及汽车行业的关键材料。由于其结构复杂，人工检测缺陷效率低且易出错，因此，开发自动化缺陷识别系统显得尤为重要。为了实现这一目标，研究者提出了一种创新的超声一维卷积神经网络(U-1DCNN)模型。 U-1DCNN是一种专为处理一维数据设计的深度学习模型，特别适合分析如超声波信号这类时间序列数据。在本研究中，超声A-Scan信号被用来获取材料内部的信息。通过采集这些信号并构建数据集，可以训练模型以识别不同的缺陷类型。多卷积块的使用增强了特征提取的多样性，而一维残差单元的堆叠则简化了网络训练过程，允许模型更有效地捕获信号的复杂模式。 为优化模型性能，研究者应用了贝叶斯优化算法来选取最佳的学习率和随机梯度下降的动量参数。这种方法能确保模型在训练过程中既能快速收敛又能避免过拟合。实验结果显示，U-1DCNN在识别CFRP缺陷类型时表现出高精度，达到了99.50%的准确率，且其识别速度超过传统的二维卷积神经网络(CNN)。 此研究成果对于CFRP的无损检测具有重要意义，不仅能提高检测效率，还能减少人为因素带来的误差。通过U-1DCNN自动识别缺陷，可以实时监控材料质量，及时发现潜在问题，从而保障产品的安全性和可靠性。这种方法不仅适用于CFRP，还可能推广到其他需要一维信号分析的领域，如金属材料检测或生物医学信号处理等。 关键词涉及图像处理、缺陷类型识别、卷积神经网络、超声信号以及碳纤维复合材料。这些关键词表明，本文是深度学习技术在无损检测领域的成功应用，为未来类似问题的解决提供了新的思路和技术支持。