图1 含盲孔铝板稳态波场图像样本示意图
Fig. 1 Schematic diagram of steady-state wavefield image samples of aluminum plates with blind holes
北京大学学报(自然科学版) 第62卷 第1期 2026年1月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 1 (Jan. 2026)
doi: 10.13209/j.0479-8023.2025.099
国家自然科学基金(11702118, 12232001, 52475190)资助
收稿日期: 2024–12–24;
修回日期: 2025–03–31
摘要 提出一种基于深度学习目标检测算法的导波损伤识别方法。该方法根据结构局部损伤处的波数变化特性, 利用图像识别算法, 对结构全域波场图像进行检测, 进而实现损伤定位识别。在获取训练图像样本时, 构建一系列含不同位置盲孔损伤铝板的数值模型, 通过多频率激励, 得到结构的稳态波场图像, 并利用图像增强技术扩充样本数据库。选取 YOLOv5s 网络进行训练, 并分别对仿真模型和实验结构的时域导波场进行检测。结果表明, 当导波传播经过损伤处时, 导波场中存在由损伤引起的局部畸变, 损伤检测框与实际结构的损伤特征一致。因此该目标检测算法能够避开激励点的图像特征, 有效地抓取盲孔损伤的图像特征。
关键词 损伤检测; 导波场识别; 深度学习; 图像目标识别
在制备和长期服役过程中, 工程结构受内外因素(如设计制造、环境变化、载荷、材料腐蚀、冷冻、冲击和擦伤等)影响, 会发生各类损伤并逐渐老化, 导致强度和刚度降低[1–2]。若损伤未能得到及时修补处理, 则会在外力作用下继续扩展, 严重影响结构的力学性能和整体功效, 带来极大的安全隐患。为了延长结构使用寿命, 节约结构维护成本, 提高结构生产效率并保障人员安全, 必须定期对结构进行损伤检测。
传统的损伤检测方法包括表面探测、静力实验和抽样调查等[3–4], 这些技术在实施过程中存在诸多局限性, 如探测效率低、试验周期长、成本高以及有损结构等。随着物理学和传感技术的发展, 无损检测技术逐渐成为工程结构损伤检测的主要手段, 具有非破坏性、高效性、多样性和可信度高的优势[5–7], 包括涡流、磁粉、声发射和超声导波检测等技术。其中, 超声导波检测技术具有传播距离远、能量衰减小、检测速度快以及对微小损伤敏感的优点, 广泛用于大型板状和管道等结构的无损检测和安全评估[8–9]。超声导波的结构损伤评估主要基于其在材料中的传播特性以及与缺陷的相互作用, 可依据导波传播模式的变化, 逆推结构损伤的状态。
在传统的超声导波检测技术中, 通常采用分布式换能器拾取导波信号, 但换能器的尺寸偏大且较少的检测信号会限制导波场的空间分辨率, 影响损伤成像精度。为了提高检测的时空分辨率, 并实现全导波场快速扫描, 利用扫描激光多普勒测振仪(SLDV, Scanning Laser Doppler Vibrometer)可实现时域导波场的非接触式快速测量[10–11]。测得的时域波场信号成像包含大量信息, 能够清晰地显示导波在激励点处向外传播、在结构边界反射以及在结构内部盲孔损伤区域处散射的细节。Joen 等[12]通过压电换能器单一频率激励, 并使用镜像倾斜装置激光多普勒测振仪获取全场稳态波场, 扫描完成后对被测波场进行波数滤波, 确定指向结构损伤的主要波数分量, 再对局部波数滤波进行映射处理, 从而实现更高效的损伤区域可视化。Wojtczak 等[13]根据频散曲线选取适当的频率, 对碳纤维增强复合材料(carbon fiber reinforced plastic, CFRP)层合板进行激励, 提出一种确定导波信号加权均方根(WRMS)参数最优解的新方法, 并使用激光多普勒测振仪, 扫描被测结构表面 WRMS 值分布, 实现 CFRP 层合板的脱粘损伤成像。Rogge 等[14]使用 SLDV 测量含分层脱粘损伤的复合材料层合板, 得到导波全场数据, 并用局部傅里叶变换对数据进行处理, 研究结果, 表明局部波数分析可以定量地评估复合材料板分层的深度和大小。Michaels 等[15]使用 SLDV 扫描由环氧树脂粘接的含损伤双层铝板, 采用频率–波数域分析方法, 将三维傅里叶变换应用于时域信号分析, 用滤波方法将导波模态分离, 最终实现波场图像损伤的可视化增强。上述研究在处理 SLDV 扫描获取的导波信号时, 采取时域分析、频域分析、频谱和小波提取和损伤成像等方式。
然而, 在基于物理特征对导波进行分析时, 由于超声导波存在多模态和频散的特性, 尤其是与损伤相互作用而产生散射信号后, 与直达波和边界反射波等混叠, 导致测得的信号复杂。虽然可以采用信号处理技术进行分析, 但损伤信号识别及成像依旧困难, 存在时间成本较高、理论模型运算量较大、依赖于信号处理系统以及精度较低的问题。
随着人工智能技术的发展, 模式识别和深度学习[16–17]等方法应用于导波信号处理中。通过训练深度学习模型, 可解决损伤信号分析困难的问题, 实现对导波信号的自动分类和识别。李奇等[18]将卷积神经网络与导波散射理论相融合, 实现基于SH 导波的减薄缺陷定量化重构, 精度比传统方法提高近 200%。骆英等[19]利用卷积神经网络, 建立Lamb 波信号与结构损伤区域的映射关系, 实现板结构损伤的快速智能识别。张超等[20]利用残差网络模型 VGG11 提取导波场信号中的时空域特征, 实现结构损伤成像, 可视化效果良好, 成像精度均在 67%以上。杨宇等[21]将深度学习算法用于研究载荷对导波的影响规律, 建立载荷补偿标准, 用于设计网络模型, 实现–20dB 的补偿精度, 有效地提高载荷影响下的损伤可靠性。Shao 等[22]基于 Lamb 检测信号, 采用一维卷积神经网络的迁移训练, 针对飞机结构中不同程度的损伤, 实现高准确率和高精度的损伤定位和识别。Zargar 等[23]综合卷积网络和循环网络架构, 结合时间反转法的物理机制, 提出一种用于冲击诊断的波场自主分析方法, 可识别冲击位置并重建冲击力时程。
在深度学习训练中, 导波信号的处理方式主要有数据处理和图像处理两大类。数据处理侧重从原始的导波信号中提取数值特征和关键信息, 包括信号去噪、特征提取、数据归一化及数据增强等, 图像处理则关注对导波信号在空间中形成的图像进行分析和识别, 包括图像预处理、分割、特征提取和描述以及图像分类和目标检测等任务, 旨在从图像中提取特征以支持后续的图像预测[24–25]。许伯强等[26]在导波阵列全聚焦成像算法的基础上构建网络训练数据库, 增强圆孔–裂纹双损伤以及圆孔–圆孔双损伤的成像精度。Cui 等[27]采用 1D-CNN 算法处理飞机复合材料板材的导波信号, 提升测试板表皮区域和钢绞线区域的损伤成像效果。杨剑[28]通过线性灰度转换, 将损伤散射信号映射为包含损伤点的灰度图像, 利用两个相同结构的 CNN 模型, 成功地预测图像中损伤位置的横纵坐标。
本研究将导波损伤成像与深度学习图像预测相结合, 采用损伤成像方法, 将 SLDV 导波信号转化为图像, 随后采用深度学习方法, 对实时波场图像进行损伤信息识别, 避免了深度学习模型数据偏斜的问题。损伤成像方法能够覆盖监测全域, 用图像形式直观且高精度地展示损伤, 并为深度学习的训练提供丰富的信息。在获取样本方面, 本文编写程序, 批量地生成正方形检测框标签文件, 以便提高获取标注文件的效率, 从而实现更高效更直接的基于导波场图像识别的损伤信息提取。鉴于深度学习算法在图像识别领域具有精度高、自适应特征提取、处理复杂数据和迁移学习的优势, 且针对图像中的特定目标通常采用目标检测算法, 本文选取目标检测算法中的网络模型进行训练, 然后分别对仿真模型和实际结构进行检测, 验证方法的有效性。
YOLOv5s 算法模型具有检测速度快、测试准确度高以及网络参数简洁的优势, 能够提取并识别图像的局部变化特征[29–30]。本文的研究对象是含盲孔损伤结构全导波场图像, 因此选取目标检测算法中的 YOLOv5s 模型, 对导波场中由损伤引起的局部畸变特征进行识别, 进而表征损伤的位置和尺寸等细节特征。
为验证板状结构中盲孔损伤引起的导波场局部畸变特性, 并为深度学习模型提高训练数据集, 本文以含盲孔铝板稳态波场图像(图 1)为样本, 采用COM-SOL Multiphysics 6.0 软件, 仿真模拟含盲孔损伤的铝板。盲孔模拟的腐蚀类等损伤的典型特征尺寸通常为厘米级, 因此在仿真模拟时选用厘米级的盲孔直径。由于数据库的组成需要不同直径的盲孔样本, 本文选择的直径区间为 10～20mm。根据频散曲线, 盲孔区间尺寸对应的检测频率为 250kHz 左右, 同时数据库的组成需要不同频率激励下的样本, 因此选择 250kHz 左右的激励频率。仿真过程中, 在铝板结构中心点处施加高频激励, 选取中心频率为 200, 250 和 300kHz 的稳态简谐信号的离面位移, 分别对铝板进行激励, 得到离面位移稳态波场图像。模拟仿真铝板结构尺寸为 400mm× 400mm×1mm, 盲孔的深度为 0.5mm, 直径分别设为 10, 15 和 20mm。盲孔损伤位置呈 9 行 9 列分布, 共有 81 个位置。为了提高输入图片样本质量, 保证YOLOv5s的模型性能, 在训练之前对稳态波场图片像素进行插值处理, 最终得到的样本图像分辨率为4001×4001。
得到样本图像后, 对其进行标注, 以便提供网络模型真实损伤的具体位置和尺寸。传统的方法通常使用 Python 标注工具 Labelme 对图像进行手动标注, 工作量繁重, 准确度不高。为了减轻数据标注的工作量, 高效地精确地获取稳态波场图对应的标签文件, 本文根据预先设定的盲孔信息, 编写相应的 MATLAB 程序, 批量地生成 XML 标签文件。标签文件为盲孔圆形的外切正方形检测框, 其中心坐标与盲孔圆形坐标一致, 正方形边长与圆形直径一致, 因此检测框包含盲孔损伤的位置和尺寸信息。将含盲孔结构的稳态导波场图片作为网络输入样本, 盲孔位置按 9×9 的网格陈列分布, 将盲孔设置为 3 种不同尺寸, 将激发信号设置为 3 种不同的频率, 因此样本数量为 9×9×3×3=729, 每组样本包含一张 JPG 图片和一个 XML 标签文件。为了避免过拟合现象, 提高训练结果精度, 将样本按照 9:1:1 的比例划分为训练集、测试集和验证集。
图1 含盲孔铝板稳态波场图像样本示意图
Fig. 1 Schematic diagram of steady-state wavefield image samples of aluminum plates with blind holes
由于数据库所含图片和标签文件较大, 模型训练对可扩展计算资源和硬件设备要求较高, 因此本研究所有训练过程均在算力云平台上进行, 所选平台为 AutoDL 服务器。配置环境为深度学习框架pytorch1.10, Ubuntu20.04 系统, Python3.8.0, CUDA= 11.3, 显卡为 A40 48G。YOLOv5s 模型的迭代次数设置为 200 次, 最小学习率设置为 0.0001, 最大学习率设置为 0.01。
从图 2 可以看出, 损失曲线在初步训练阶段快速下降, 随着训练次数增加而逐渐趋于平稳, 最终在迭代次数为 200 时收敛完成, 表明本文训练的YOLOv5s 模型具有良好的训练精度和检测精度。
为验证所训练 YOLOv5s 模型对未知结构损伤的检测能力, 再次模拟含盲孔损伤铝板的瞬态波场图像。与模型训练阶段所用的稳态波场图样本不同, 将上述瞬态波场图输入训练好的网络模型, 检验其检测效果。使用 COMSOL Multiphysics 6.0 仿真模拟铝板结构, 铝板尺寸为 200mm×100mm, 厚度为 1mm, 其几何模型结构如图 3 所示。在铝板中心设置直径为 5mm 的薄状圆柱体压电材料模拟压电片, 激励信号设置为 200kHz 五峰波。通过在铝板的表面挖空圆柱形半通孔来模拟盲孔损伤, 盲孔的剩余厚度为 0.5mm, 直径分别为 10 和 5mm, 其位置如图 3 所示。在 COMSOL 中, 网格的大小直接影响模拟结果的准确性和计算效率, 因此需根据几何复杂度、物理过程、计算资源和收敛性等因素来选择合适的网格。本研究试验对象的结构较为简单, 但需要捕捉较细致的损伤局部图像畸变。由于计算资源充足, 本文选择较小的网格(网格大小为 1mm)。设置时间步长时需考虑准确性、稳定性、计算资源和物理现象特征等因素, 由于本研究需要获取较高精度的损伤成像, 且需要在损伤变化处捕捉模型的不稳定性以及瞬态响应, 因此在计算资源充足的情况下, 优先选择较小的时间步长(0.1μs)。模拟中使用铝板的杨氏模量为 71.7Gpa, 密度为 2700kg/m3, 泊松比为 0.33, 三角网格大小设置为 1mm, 时间步长为 0.1μs。
图2 YOLOv5s 模型训练曲线
Fig. 2 YOLOv5s model training curves
模拟瞬态波场成像结果如图 4 所示。可以看出, 在 20μs 时, Lamb 波在中心点处被激励并向周围扩散, 尚未传到损伤处; 30μs 时, Lamb 波前传至损伤处, 引起微小损伤散射; 40μs 后, Lamb 波与损伤相互作用, 形成反射波场且幅值明显。
将 5 帧模拟全场波场图像输入训练好的 YOLO-v5s 模型中进行测试, 结果如图 5 中方框所示, 其中损伤识别标签设为“Defect”, 其后的数值为检测的置信度(0～1)。将检测结果与模拟盲孔损伤相对比可以发现, 定位误差小于 1mm, 尺寸误差小于 10%, 检测结果如图 6 所示。可以看出, YOLOv5s 模型训练良好, 能够忽略中心激励点的图像特征, 并抓取盲孔损伤引起的图像局部畸变。
本文搭建的 SLDV 非接触扫描实验平台如图 7所示。实验所用板结构为预制含盲孔损伤铝板, 铝板尺寸为 200mm×100mm, 厚度为 3mm, 两处盲孔为半通孔。采用 Tektronix 公司 AFG 31000 系列信号发生器, 生成中心频率为 100kHz 的五峰波激励信号; 经 Aigtek 公司 ATA-2021H 型功率放大器放大 20 倍后, 由粘贴于铝板中心位置的PZT换能器对铝板施加激励。然后, 在铝板背面贴上反光膜, 利用 Polytec 公司生产的 PSV-500-M 型激光多普勒测振仪激光头, 采集对应区域扫描点的振动信号, 扫描区域范围为 150mm×100mm, 设置扫描点间隔为 1mm, 共采集 151×101 个点阵数据。将数据导入 MATLAB 程序中, 导出 Lamb 波在铝板中心处激励、向外扩散传播以及因盲孔损伤发生散射的全场波场时空域图像。
图3 含盲孔损伤铝板的有限元模拟数值模型
Fig. 3 Finite element simulation numerical model of aluminum plate with blind hole damage
图4 5 帧模拟全场波场图像
Fig. 4 5 frames of simulated full-field wavefield images
图5 5 帧模拟全场波场图像检测结果
Fig. 5 5 frames of simulated full-field wavefield image test results
图6 检测结果与模拟结构盲孔的对比
Fig. 6 Comparison of simulated detection results with actual structural blind holes
图7 实验装置示意图
Fig. 7 Schematic diagram of the experimental setup
实验所得瞬态全场波场图像如图 8 所示。可以看出, 10μs 后, Lamb 波在中心点处被激励并向周围扩散; 18μs 时, Lamb 波前传至第一个盲孔损伤处, 引起微小损伤散射; 34μs 后, Lamb 波与损伤相互作用, 形成反射波场且幅值明显。
将实验测得波场图像输入训练好的 YOLOv5s模型中进行测试, 结果如图 9 中方框所示。可以看出, 当导波经过损伤处时, 本文方法可以快速地识别波场中的畸变, 准确地定位损伤位置。将检测结果与实际结构的盲孔损伤进行对比, 可以发现, 定位误差小于 1mm, 尺寸误差小于 10%, 结果如图 10 所示。
检测结果充分表明, 所训练的 YOLOv5s 模型具有优秀的损伤检测能力。该目标检测算法能够避开激励点的图像特征, 抓取盲孔损伤的图像特征, 较为精确地表征损伤的尺寸和位置等多维度特征。
本文基于深度学习目标检测 YOLOv5s 算法建立工程结构中损伤图像的智能化识别方法, 并对典型板状结构的盲孔损伤的位置和尺寸进行表征。通过模拟多种损伤位置稳态波场图像建立数据库, 使得 YOLOv5s 模型从数据库中学习并训练出良好的性能。为了验证模型效果, 将数值模拟与数据库样本不同的瞬态波场图像输入已训练好的网络模型中, 结果表明模型输出的损伤检测框与预设模拟损伤特征一致。
本文搭建了实验平台, 采集数据并绘制瞬态波场图, 输入完成模拟验证的模型进行检测, 结果表明输出的损伤检测框与实际结构的损伤特征一致。模拟和实验的检测结果充分表明所训练的 YOLOv5s模型具有优秀的损伤检测能力。本文提出的基于深度学习目标检测算法的损伤检测技术可用于识别结构波场中的局部波数变化特征(例如金属结构中的腐蚀损伤、复合材料结构中常见的层裂损伤等情形), 同时通过结构的稳态或瞬态波场的测量, 可以实现对结构损伤的实时监测, 为含损伤结构的复杂检测信号识别分析提供新的研究思路。
图8 5 帧实验全场波场图像
Fig. 8 5 frames of experimental full-field wavefield images
图9 5 帧实验全场波场图像检测结果
Fig. 9 Test results of 5 frames of experimental full-field wavefield image
图10 实验瞬态波场检测结果与实际结构盲孔的对比
Fig. 10 Comparison of experimental transient wavefield detec-tion results with actual structural blind holes
参考文献
[1] 孙利民, 尚志强, 夏烨. 大数据背景下的桥梁结构健康监测研究现状与展望. 中国公路学报, 2019, 32 (11): 1–20
[2] 郑跃滨, 周凯, 雷振坤, 等. 基于同心压电传感器的单模态 Lamb 波信号提取方法. 实验力学, 2020, 35(4): 547–556
[3] 张雅婷. 轧钢产品表面缺陷检测方法及其应用研究. 冶金与材料, 2024, 44(9): 112–114
[4] 吉东亮, 朱永全, 李晓斌, 等. 静载作用下复合岩体损伤演化与渐进破坏机制. 复合材料学报, 2025, 42(8): 4672–4682
[5] 耿荣生. 新千年的无损检测技术——从罗马会议看无损检测技术的发展方向. 无损检测, 2001(1): 2–5
[6] Kumpati R, Skarka W, Ontipuli S K. Current trends in integration of nondestructive testing methods for en-gineered materials testing. Sensors, 2021, 21(18): 6175
[7] Ehsani M, Shamshirsaz M, Sadighi M, et al. Three-dimensional scaled boundary finite element method to simulate Lamb wave health monitoring of homogene-ous structures: experiment and modelling. Ultrasonics, 2023, 129: 106892
[8] 郑跃滨, 武湛君, 雷振坤, 等. 基于超声导波的航空航天结构损伤诊断成像技术研究进展. 航空制造技术, 2020, 63(18): 24–43
[9] 丁涛涛, 郭宇, 项延训. 超声导波目标模式的激励方法研究. 振动与冲击, 2024, 43(4): 20–26
[10] 陈永强, 杨亚. 一种机械臂电机故障时频尺度诊断方法——基于深度学习和激光多普勒测振技术. 西昌学院学报(自然科学版), 2024, 38(1): 80–86
[11] 张驰, 王顺, 关向雨, 等. 激光多普勒测振技术应用的新进展. 激光与光电子学进展, 2022, 59(19): 85–91
[12] Jeon J Y, Gang S, Park G, et al. Damage detection on composite structures with standing wave excitation and wavenumber analysis. Advanced Composite Materials, 2017, 26(Suppl 1): 53–65
[13] Wojtczak E, Rucka M. Damage imaging algorithm for non-destructive inspection of CFRP/steel adhesive joints based on ultrasonic guided wave propagation. Composite Structures, 2022, 297: 115930
[14] Rogge M D, Leckey C A C. Characterization of impact damage in composite laminates using guided wavefield imaging and local wavenumber domain analysis. Ul-trasonics, 2013, 53(7): 1217–1226
[15] Michaels T E, Michaels J E, Ruzzene M. Frequency-wavenumber domain analysis of guided wavefields. Ultrasonics, 2011, 51(4): 452–466
[16] Dong S, Wang P, Abbas K. A survey on deep learning and its applications. Computer Science Review, 2021, 40: 100379
[17] 李柯泉, 陈燕, 刘佳晨, 等. 基于深度学习的目标检测算法综述. 计算机工程, 2022, 48(7): 1–12
[18] 李奇, 笪益辉, 王彬, 等. 一种基于深度学习的超声导波缺陷重构方法. 固体力学学报, 2021, 42(1): 33–44
[19] 骆英, 毛雨欣. 一种基于 Lamb 波的智能结构损伤识别方法. 实验力学, 2022, 37(3): 305–314
[20] 张超, 魏宇, 王宏远, 等. 基于深度学习的导波特征提取及其激光超声检测. 仪器仪表学报, 2022, 43 (11): 242–251
[21] 杨宇, 王彬文, 曹雪洋, 等. 导波受载荷影响补 偿的深度学习神经网络方法. 振动、测试与诊断, 2022, 42(4): 812–819
[22] Shao Weihan, Sun Hu, Wang Yishou, et al. A multi-level damage classification technique of aircraft plate structures using Lamb wave-based deep transfer lear-ning network. Smart Materials and Structures, 2022, 31: 075019
[23] Zargar S A, Yuan F G. Impact diagnosis in stiffened structural panels using a deep learning approach. Structural Health Monitoring, 2021, 20(2): 681–691
[24] 刘海桥, 刘萌, 龚子超, 等. 基于深度学习的图像匹配方法综述. 航空学报, 2024, 45(3): 82–95
[25] 张松兰. 基于卷积神经网络的图像识别综述. 西安航空学院学报, 2023, 41(1): 74–81
[26] 许伯强, 邱彤彤, 岳圣尧, 等. 基于深度学习和导波阵列的高精度损伤成像方法. 陕西师范大学学报(自然科学版), 2022, 50(6): 17–29
[27] Cui R, Azuara G, di Scalea F L, et al. Damage imaging in skin-stringer composite aircraft panel by ultrasonic-guided waves using deep learning with convolutional neural network. Structural Health Monitoring, 2022, 21(3): 1123–1138
[28] 杨剑. 基于主动 Lamb 波的板结构损伤识别方法研究[D]. 南京: 南京信息工程大学, 2023
[29] 魏文泉, 莫宏伟. 基于改进 YOLOv5s 的 PCB 缺陷检测算法. 计算机工程, 2024, 12(3): 1–13
[30] Gu J, Hu J, Jiang L, et al. Research on object detection of overhead transmission lines based on optimized YOLOv5s. Energies, 2023, 16(6): 2706
Research on Damage Detection Based on Guided-Wave Field Object Identification
Abstract A guided wave damage identification method based on the deep learning target detection algorithm is proposed. According to the wave number variation characteristics at the local damage of the structure, the image recognition algorithm is used to detect the full-field wave field images of the structure, thereby achieving damage location and identification. In the process of acquiring training image samples, a series of numerical models of aluminum plates with blind-hole damages at different positions are established, and through multi-frequency excitation, the steady-state wave field images of the structure are obtained, and the sample database is expanded by means of image enhancement technology. YOLOv5s network is selected for model training, and detection is performed on the time-domain guided wave fields of the simulation model and the experimental structure respectively. The results show that when the guided wave propagates through the damaged area, the guided wave field exhibits local distortion at the damage location, and the damage detection box is consistent with the actual damage characteristics of the structure, therefore, the target detection algorithm can avoid the image features of the excitation points and effectively capture the image features of blind-hole damages.
Key words damage detection; guided-wave recognition; deep learning; image object detection