注意融合双流学习用于在使用多角度超声波散射特征的复杂微结构的厚型航空航天CFRP中进行缺陷分类
Andong Cao1, Songli Tan1, Peng Xiao2
1School of Aerospace Engineering and Applied Mechanics, Tongji University, Shanghai 200092, China.
Ultrasonics
|December 11, 2025
概括
一个新的双流深度学习框架改善了碳纤维增强聚合物的缺陷检测. 这种先进的方法增强了超声波测试的关键缺陷,如分层,特别是在复杂的复合结构.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 非破坏性测试是指非破坏性测试.
背景情况:
- 在厚厚的碳纤维增强聚合物 (CFRPs) 中检测关键缺陷,如分层,是具有挑战性的.
- 复杂的微观结构,如光纤波动性,可以显著降低传统超声波测试 (UT) 的有效性.
研究的目的:
- 开发一个先进的深度学习框架,以可靠地检测CFRP中的缺陷,克服传统UT的局限性.
- 协同整合各种数据流,以加强复杂复合材料的缺陷识别.
主要方法:
- 提出了一种双流深度学习框架,其中包含了AttentionFusion模块.
- 该框架将来自B扫描图像的空间形态数据与来自原始全矩阵捕获 (FMC) 数据的多角度散射特征集成.
- 基于YOLOv8的探测器被用于缺陷识别,利用检查流的自适应称重.
主要成果:
- 与单流基线相比,实现了25.8%的相对平均精度在50%的IOU (mAP50) 中的改善.
- 该框架在具有挑战性的波状纤维复合样本上表现出了29.9%的性能提升.
- 废除研究证实了注意力融合机制的重要贡献,注意力图可视化了决策过程.
结论:
- 拟议的双流深度学习框架为复杂的航空航天复合材料的自动化非破坏性测试 (NDT) 提供了更准确和透明的解决方案.
- 利用经常被丢弃的FMC原始数据,提高了缺陷检测的可靠性.
- "注意力融合"模块对于协同整合多模式数据以提高无线核试验性能至关重要.
