基于卷積神經網絡的鉚釘缺陷檢測方法研究

鄒恒毅 范周童 聶廣銀 蒲程 劉涼

摘 要：針對鉚接過程中鉚釘內部斷裂缺陷難以分類判別問題，利用卷積神經網絡和長短期記憶網絡設計檢測算法。首先，使用平滑濾波法將特征信號中的異常噪聲值濾去，同時根據擬合函數對檢測信號進行插值，提高特征數據的信息量。其次，利用處理后的故障樣本訓練網絡來實現鉚釘缺陷診斷。實驗結果表明：該方法總體識別準確率可達99%，能夠有效地進行鉚釘缺陷診斷。

關鍵詞：鉚接質量 渦流檢測 擬合插值 缺陷識別

1 前言

汽車車身輕量化是未來新能源汽車制造環節的重要方向。由于鋁合金材料重量輕、延展性好、多層鉚接結構機械穩定性能好[1]，因此被廣泛引用于輕量化車身的設計與制造中。由于鉚接材料、鉚接設備、鉚接工藝及環境存在不確定因素，導致多層鋁板在鉚接過程或者使用過程中，會產生斷裂等情況[2]。這些缺陷將直接影響車身結構的穩定性，危害到消費者的安全。因此，對鉚接缺陷開展無損檢測十分重要。

由于鉚接工藝中技術參數較多且耦合關系復雜[3]，針對內部鉚接斷裂缺陷的檢測技術依然不成熟，缺少相應的國家標準。目前，在缺陷檢測算法方面，于霞等針對航空發動機渦輪葉片缺陷，基于渦流檢測提取信號特征，結合SVM模型對葉片裂紋缺陷分類[4]。饒雷等面向齒輪箱故障，提出了基于卷積神經網絡（CNN）與SVM相結合的檢測方法[5]。本文基于渦流檢測信號，結合CNN和長短期記憶網絡構建改進型缺陷識別算法，對標簽樣本數據進行學習和識別，實現鉚釘缺陷的準確診斷。

2 鉚接板常見缺陷

本文采用5052鋁合金板，利用鋼制鉚釘對三層鋁合金板進行鉚接。圖1為三層鋁合金板鉚接實物圖。

鉚釘斷裂缺陷的表現形式較多，這里主要分析四種內部斷裂缺陷：一字裂縫、十字裂縫、徑向斷裂、軸向斷裂和釘腳斷裂。如圖2所示，為鋁合金板鉚接過程中鉚釘的不同缺陷表現形式。根據上述不同類型缺陷的斷裂程度，可將正常鉚釘和缺陷鉚釘分成13種類型，如表1所示。

根據實際工業生產過程中的經驗，具體生產流程中的13種常見鉚接缺陷如表2所示。

3 渦流檢測信號處理

由于渦流信號采在集過程存在噪聲，這里選擇對脈沖噪聲和高斯噪聲進行中值濾波和均值濾波對響應信號進行降噪處理。

為了合理地拓展脈沖渦流信號的數據信息量，在降噪處理后，使用三階樣條函數對采樣點之間的數據信息進行線性擬合。該函數在連續的數值點對之間使用不同的三階多項式進行插值，不僅可通過各路徑點，保證原始數據點的基本映射關系，同時可減少數據插值點的振蕩。對渦流信號數據擬合前后效果對比，如圖3所示。由圖可知，擬合的波形圖通過了所有原始渦流數據點，可較好地反應實際渦流采集信號信息。確定好擬合函數后，可對原始渦流信號進行擬合插補，擴充檢測信號數據量。

4 缺陷診斷算法及應用

4.1 算法模型結構

由于CNN共享卷積核的特性，可使其對高維數據的處理上存在較大優勢。但基于單一CNN網絡的分析模型無法充分提取存在時序關聯的數據特征，因此，為彌補單一網絡特征提取尺度不足，提出將CNN與雙向長短期記憶網絡相結合的多維度、多尺度的網絡模型。

傳統網絡模型可能會發生“過擬合”現象，為了防止CNN在訓練過程中時出現過擬合的情況，我們在全連接層引入“Dropout”方法。在訓練時，模型設定概率值P，當訓練誤差計算值小于這個概率P時，讓隱藏層的神經元停止工作，從而提高網絡的泛化能力。

4.2 模型檢測工作流程與性能參數調整

根據實際操作過程中的鉚釘缺陷檢測工藝流程，基于改進模型網絡的鉚接質量檢測系統的工作流程如圖4所示。

根據其流程，可具體表述為以下9個步驟：

①利用檢測探頭，對鉚接點進行渦流信號的采集；

②對采集到的渦流信號進行平滑處理，并歸一化；

③在渦流信號中查找特定點，提取特征值，并將一維渦流數字信號轉換為二維特征矩陣；

④建立網絡并初始化網絡參數，根據樣本和要求，構建合適深度的網絡模型，確定網絡參數（如學習率、迭代次數、步長等）；

⑤網絡訓練和前向傳播，將樣本輸入到網絡中，通過前向傳播求得網絡輸出與預期目標的誤差；

⑥判斷網絡是否收斂，若網絡收斂，則執行步驟⑧，否則執行步驟⑦；

⑦反向傳播和權值修改，基于BP反向傳播算法思想，將步驟⑤求得的誤差反向逐層傳播到每個節點，并更新權值，重復執行步驟⑤～⑦，直至網絡收斂；

⑧根據測試樣本的精確度判斷網絡是否滿足實際要求，如滿足執行步驟⑨，否則跳轉到步驟④，修改網絡參數；

⑨輸入鉚接質量故障診斷結果。

為驗證學習率對網絡訓練性能的影響，基于相同的數據集，通過改變不同的學習率進行對比分析。圖5給出了100次實驗的結果對比，學習率在0.001-0.01區間內，總體測試樣本的識別準確率呈上升趨勢，在0.01時達到最大。因此，最適應網絡的學習率為0.01。

此外，Dropout誤差系數能減輕過擬合。如果誤差系數設置過大，將會導致網絡訓練產生過擬合現象，從而降低網絡的泛化能力；如果誤差系數設置太小，通常將使得網絡無法訓練成功，不能有效地提取不同類型的缺陷特征，從而造成網絡訓練失效，無法成功識別不同類型的缺陷。通過實驗可知，誤差系數小于0.9時，總體測試樣本的識別準確率呈上升趨勢，在0.9時達到最大。其次，當誤差區間在0.99～1區間內時，總體測試樣本的識別準確率上下浮動較為明顯，在0.998時準確率最大。

4.3 改進型網絡模型應用

為驗證檢測模型的準確性度，對大量不同鉚接缺陷的鋁合金板進行檢測實驗。隨機選取不同缺陷類型鉚釘的檢測信號進行網絡訓練與測試，共選取3714組樣本，其中1113組作為測試集，其余為訓練集?；诟倪M型模型訓練后，對測試集加以驗證，其檢測結果如圖6所示。其中，藍色方塊為正確識別數據量，灰色方塊為錯誤識別，這里僅有標簽6的一組樣本被識別錯誤。通過開展多次實驗，可得出網絡模型對不同缺陷類型及總體測試數據的平均識別率，如表2所示。

以上結果表明，改進型網絡對鉚釘缺陷類型平均識別成功率可達99%，對較小程度缺陷有較好的識別效果。此外，還將所提出的改進型CNN與經典CNN在鉚接質量缺陷檢測識別成功率方面進行比較，相比之下，傳統CNN方法的識別率只有64.5%。這說明所提出的網絡模型有更高的識別準確率，對提高鉚接質量檢測效率與精度具有較好的識別效果。

5 總結

（1）基于多層鋁合金板鉚釘缺陷檢測信號，提出了輸入層維度轉換和CNN卷積神經網絡相結合的診斷方法，完成了13種不同鉚接缺陷類型的缺陷診斷；

（2）實驗結果呈現出良好的識別效果，能快速準確地識別出13種缺陷類型，可用于多層鋁合金鉚接板的鉚釘內部缺陷在線檢測。

資助基金項目：天津理工大學大學生創新創業訓練計劃項目（202110060100）。

參考文獻：

[1] 彭海麗， 原溢. 鋁合金在車身輕量化技術中的應用[J]. 冶金與材料， 2021， 41（4）： 111-112.

[2] 譚東升. 車身鋁合金結構自沖鉚連接工藝試驗與仿真[D]. 廣州： 華南理工大學， 2021： 05.

[3] 姬琳輝. 半空心鉚釘自沖鉚接工藝及鉚接檢測機制的研究[D]. 天津： 天津理工大學， 2021： 05.

[4] 于霞， 張衛民， 邱忠超， 等. 基于渦流檢測信號的航空發動機葉片缺陷分類與評估方法[J]. 測試技術學報， 2016， 30（2）： 99-105.

[5] 饒雷， 唐向紅， 陸見光. 基于CNN-SVM和特征融合的齒輪箱故障診斷[J]. 組合機床與自動化加工技術， 2020， （8）： 130-133.