机械工程学报

作者：程军, 朱煜龙, 汪步云, 梁艺, 许德章, 刘蒙蒙, 刘有余

单位：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

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；

基金：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。

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。

来源：2025年第6期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第6期