張 良，王高峰，楊鋒平，郭 翔，袁瑩濤，蘇 鑫

(1. 中國石油集團石油管工程技術研究院，西安 710077；2. 西北工業(yè)大學航空學院，西安 710072)

結構健康監(jiān)測一直是航天、民用和機械基礎設施維護與安全領域的前沿研究課題。損傷過程檢測是結構健康監(jiān)測的基礎。近年來，一些新技術的發(fā)展使損傷自動檢測成為可能[1]。傳統的檢測方法是電測法[2]。然而電測法是滯后的，而且并不直觀[3]。隨著非接觸式檢測方法的發(fā)展，在過去的20 年里出現了多種檢測方法[4-5]。聲發(fā)射(AE)技術是一種廣泛應用于材料結構健康監(jiān)測的診斷技術[5-6]。由于操作的復雜性，聲發(fā)射方法的時間成本導致其無法用于裂紋的自動檢測，因此，提出一種簡便的裂紋檢測方法在結構健康監(jiān)測和斷裂力學[7]研究等領域具有重要意義。

對視覺圖像進行特征提取和分類識別是卷積神經網絡(CNN)的主要任務[8]。CNN 在目標識別的應用已經取得了很好的效果，如字符[9]、特征編號[10]、無紋理目標[11]、交通標志[12-13]等等[14-17]。雖然已經有了一些關于裂紋檢測的研究[18-21]，但仍存在許多問題困擾著裂紋擴展測量的應用。其中金屬表面劃痕和紋理圖案的存在是裂紋檢測的主要挑戰(zhàn)。由于這些噪聲的干擾，傳統的圖像處理算法不能有效地檢測到裂紋特征[18]。

研究工作[22]指出，當使用邊緣檢測算法檢測全尺寸圖像中的裂紋時，裂紋的位置很難精準判斷。目前已有多種基于視覺的裂紋檢測方法在土木工程和建筑領域得到了發(fā)展，但解決金屬表面裂紋擴展檢測的技術仍然很少，特別是有加工痕跡的金屬表面。文章[22-24]對基于視覺的金屬表面檢測系統進行了綜述。雖然這些算法在實際應用中可以達到90%以上的準確性，但裂紋尖端的位置的檢測仍然是一大挑戰(zhàn)?；谶@些問題，目前已有方法用于裂紋擴展的自動化測量仍然困難。

本文提出了一種測量結構變形過程中裂紋擴展長度的方法。搭建了一種卷積神經網絡來消除結構表面的噪聲干擾并識別裂紋特征，獲得裂紋帶的初始區(qū)域。然后，提出了一種改進的裂紋尖端識別算法，獲得裂紋尖端的精確位置坐標，得到裂紋長度信息。通過增加攝像機的數量，可以同時檢測到不同方向和位置的裂紋，并配合多相機同步標定方法[25]，可實現多區(qū)域測量坐標系的統一。利用該方法可以得到裂紋擴展長度與加載信息之間的關系。最后與DIC 全場應變結果中的應變梯度區(qū)域擴展結果進行了比較，驗證了該方法的有效性和準確性。

1 裂紋擴展檢測方法

本文提出的裂紋擴展檢測方法如圖1 所示，首先，在加載過程中安裝幾個攝像機來獲取試件表面的圖像，同時記錄獲取圖像時的載荷信息，如疲勞周期。其次，利用卷積神經網絡獲得該圖像裂紋帶的初始位置。本文搭建的卷積神經網絡將在1.1 節(jié)中介紹。然后，通過裂紋擴展長度計算算法，對初始區(qū)域進行處理，獲得裂紋尖端的精確位置坐標。裂紋擴展長度的計算算法將在1.2 節(jié)中介紹。

1.1 裂紋初始區(qū)域定位

本節(jié)開發(fā)了基于視覺的裂紋檢測系統，利用深度學習模型檢測圖像區(qū)域裂紋帶的初始位置。

1.1.1 初始區(qū)域定位方法

本文建立了裂紋圖像數據集。它包含了超過12 000 張有/沒有裂縫的圖片。首先，對6300 個裂紋圖像子集進行了人工提取和標注；然后，對圖像子集進行翻轉和旋轉，得到不同的裂紋方向來增加數據集的多樣性。在每張圖像原始灰度值的基礎上，利用范圍為0.8～1.2，均值為1.0，標準差為0.1 截斷后的高斯隨機變量，與原始灰度值相乘進行亮度干擾模擬。從背景區(qū)域劃分無裂紋圖像子集。超過60%的非裂紋圖像子集包含劃痕或紋理圖案；其他的非裂紋圖像子集則從背景區(qū)域隨機劃分。最終的數據集包括172 000 個裂紋圖像子集和17 000 個無裂紋圖像子集。圖2 展示了圖像子集的示例。

圖3 是本文中所提出的CNN 架構。每層下面的數字表示輸出數據的尺寸大小。輸入層有三種類型：原始圖像、增強圖像和濾波后的圖像(經過小波變換濾波)。輸入層的分辨率是256 像素×256 像素。通過搭建的CNN 后，尺寸大小在第5 層減小到1×1×96。各層網絡中CN 表示卷積層，BN 表示批處理標準化層，RLU 表示整流線性激活層，PL 表示池化層，FC 表示全連接層，DL 表示Dropout 層。最后，分類器給出兩個分數，預測輸入的數據是裂紋圖像還是非裂紋圖像。本文所提的卷積神經網絡架構遵循文獻[24, 26 - 27]中的模型，并做了一些修改。

卷積層在整個輸入數據中執(zhí)行三種操作，如圖4 所示。首先，卷積核的初始權值是隨機產生的[22]。卷積操作通過卷積核對輸入數據子區(qū)域執(zhí)行逐元素乘法并相加。KRIZHEVSKY 等[17]提出了一個最著名的偏置初始化理論。其次，將每個相乘的值和偏置相加，計算卷積運算的輸出結果。通過卷積運算，計算量隨數據尺寸的減小而減小。在該層中，需要設置步長的參數。步長定義了輸入數據的提取速率。為了降低計算成本，通常會安排一個大的步長，以獲得更小的輸出尺寸，但輸入數據的特征會丟失更多，本文卷積層步長為1，池化層步長為2，從而保證輸出尺寸與輸入數據特征的平衡。

在CNN 中也使用了池化層[26]來減小輸入圖片數據的尺寸大小。有兩種不同的池化操作，最大池化和平均池化。最大池化從輸入圖片的子區(qū)域中獲取最大值。圖5 解釋了池化操作的過程，步長為1。研究發(fā)現[28]，圖像數據集最大池化性能優(yōu)于平均池化。因此，本文使用的所有池化層都是最大池層。

最近，整流線性單元(ReLU)作為非線性激活函數[17]被提出。與其他以輸出值固定的非線性函數(如正的、負的1 和0)相比，ReLU 除了負的輸入值外沒有固定的輸出值。這些特性提供了更快的計算速度和更高的精度。為了提高方法的分類性能和訓練穩(wěn)定性，推薦使用有界的ReLU 函數變量[29]：

式中：A為函數能產生的最大輸出值；λ 是0～1 范圍內的預定義參數，通常λ=0.01[30]。

Dropout 層[31]以固定的概率隨機斷開連接層神經元之間的連接。因此，其可以降低網絡訓練復雜度，更有效地產生訓練數據集，同時提供滿意的驗證精度。為了減少網絡訓練時間，本文使用訓練數據集的平均值[32]進行驗證。采用批處理歸一化方法提高了算法的學習速度和網絡收斂速度[33]。

Softmax 層是最后一層，用來預測數據是否是裂紋。Softmax 函數[34]如式(3)所示，q(Zj)表示為n(訓練數)中第j個訓練數的概率表達式，其中Zj表示第j個輸出神經元的對數。因為該函數總是使分布歸一化[22]，第j個輸入的和恒等于1。每個輸入類的概率可以表示為：

1.1.2 裂紋初始區(qū)域定位方法驗證

裂紋識別誤差定義為不正確預測的比例，以評估訓練后的網絡未檢測目標的準確性。如圖6所示，通過計算裂紋面積，對本文提出的CNN 方法進行誤差判斷。從結果中可以看出，即使在存在散斑圖案周圍的裂紋也可以被識別出來。

圖7 顯示了訓練和驗證結果的準確性。裂紋圖像數量與無裂紋圖像數量之比為1∶1，訓練與驗證圖像數量之比為3∶1。驗證精度的訓練集圖像的個數為48 000，驗證集圖像的個數為16 000。訓練和驗證的最高正確率分別為第39 個訓練批次的97.23%和第42 個訓練批次的96.75%。從結果中可以看出，本文提出的CNN 方法在裂紋區(qū)域檢測的驗證中在訓練周期達到30 及以上時，準確地達到95%以上的準確率。

1.2 裂紋擴展長度計算

利用CNN 方法可以得到裂紋的初始位置。裂紋長度的檢測在以往的研究中仍然是未解決問題[18,22]。根據CNN 檢測結果，可以標記裂縫的位置，如圖6 所示。根據裂紋周圍的梯度可以計算出裂紋尖端的位置。在數字圖像中，裂紋的邊緣被定義為強烈的灰度梯度。本文根據CNN 提出的裂紋位置，利用改進的Canny 邊緣檢測算法檢測并定位邊界。

Canny 邊緣檢測器是一個卷積濾波器。該算法利用卷積運算對帶有高斯掩膜的圖像進行平滑處理，以消除噪聲。高斯掩模的表達式為：

由于裂紋擴展路徑的方向可以通過預裂紋的位置和測量區(qū)域來判斷，因此只需要在小范圍內檢測裂紋尖端。如圖8 所示，本文使用提出的Canny 檢測器來識別裂縫的尖端區(qū)域，與Sobel 邊緣檢測器相比，Canny 檢測器的有效性和功能都有所提高。對比結果如圖9 所示。裂紋尖端點是沿裂紋擴展路徑方向最遠的點。因此，將最遠點像素位置視為裂紋的尖端。當CNN 的結果沒有檢測到整個裂紋區(qū)域時，尖端區(qū)域應沿裂紋擴展方向移動。重復尖端檢測過程，直到結構破壞。

根據實驗開始時和實驗過程中裂紋尖端的位置，利用攝影測量標定方法進行多相機三維標定[44]，對多相機的裂紋尖端進行三維重建，獲得裂紋尖端的三維坐標，并進行裂紋長度解算。

2 實驗步驟及結果

通過帶中心孔試樣的疲勞試驗驗證了該方法的有效性。將該方法用于X80 管線鋼全尺寸彎曲試驗試驗的裂紋測量，并與DIC 方法得到結果進行了比較。

2.1 帶中心孔的試樣實驗

帶有中心孔的試樣如圖10 所示。試樣材料為鋁合金。試樣的寬度為60 mm。中心孔橫向長度為5 mm。預裂的裂紋長度為中心孔每邊4 mm。

兩個相機垂直地安裝在試樣的前面。采用的相機分辨率為4240 像素×2824 像素，鏡頭焦距為75 mm，對裂紋尖端位置進行追蹤，如圖11 所示。經過標定，每個像素的實際空間距離為0.009 mm。實驗開始時，對試件施加2 Hz 的載荷。相機的捕捉頻率設置為2 Hz，并在每個疲勞周期的最大壓力時刻觸發(fā)每張圖像。如圖12 所示，裂紋長度隨著疲勞循環(huán)次數的增加而擴展。每隔2500 個周期，用光學顯微鏡測量裂紋長度，并與本文方法的測量結果進行比較。測量誤差小于0.012 mm，標準偏差為0.0075 mm。結果表明，本文提出的方法是有效和穩(wěn)定的。該方法可用于長時間的裂紋擴展觀測并且記錄了傳播過程的圖像。根據記錄的圖像和裂紋擴展結果，可以分析試樣的斷裂力學特性。裂紋擴展結果易于與數值模擬分析結果進行比較。同時，也為其他斷裂力學的研究和應用提供了方便。

2.2 X80 管線鋼全尺寸彎曲試驗

實驗使用φ1.2 m 的全尺寸X80 管線鋼，圓管中部使用環(huán)焊接進行連接，中部預制缺陷后，通過注水加壓，使內壓達到10 MPa，采用四點彎曲試驗，將缺陷位置放置在變形最大區(qū)域，進行推力變形，直至連接破壞。試驗現場如圖13 所示。布設兩個相機拍攝環(huán)焊接預制缺陷位置，使用三維標定方法[25,44]進行相機內外參數的標定，使用本文所提出方法進行裂紋長度追蹤并與三維全場應變測量結果進行比較。其中裂紋長度追蹤方法為分別對兩個相機采集圖像中的裂紋尖端位置進行解算，使用雙相機的三維標定方法所獲得內外參數對裂紋尖端進行三維重建，獲得三維的裂紋長度信息。三維全場應變測量是使用數字圖像相關測量方法[44-46]進行全場變形測量，利用數圖像相關算法測量計算區(qū)域表面應變，進而計算應變場梯度分布，根據裂紋起裂時刻(起裂狀態(tài)基于裂紋長度追蹤方法裂紋長度開始改變)獲得裂紋尖端應變場梯度值，從而定義裂紋區(qū)域應變閾值。隨時間變化計算應變梯度分布區(qū)域，并將裂紋長度解算并與裂紋長度追蹤方法的結果進行對比。

根據圖14 全場變形結果中的裂紋區(qū)域應變和裂紋尖端應變集中區(qū)域的擴展速度與本文所識別的裂紋擴展長度進行比較，結果如圖15 所示。

使用本文所提出方法與數字散斑全場變形測量中的高應變集中區(qū)域長度進行對比可見，裂紋開始擴展時，兩方法計算的裂紋擴展長度基本相當。從管材受彎曲變形開始，隨著裂紋擴展，裂紋周圍的應變場范圍及數值逐漸增大。受到管材表面應變分布的影響，利用應變梯度閾值所獲得的裂紋范圍增大。由于應變梯度法的測量精度與數字圖像相關面片步長尺寸相關，使用應變梯度法進行了裂紋長度的解算結果精度較差。結果表明兩者計算所得的裂紋擴展變化趨勢相當，具有相近的趨勢，使用本文方法準確地測量了含缺陷管材在加載過程中實際的裂紋擴展過程。隨著裂紋擴展，裂紋周邊應變場發(fā)生集中，裂紋周邊區(qū)域軸向應變遠遠大于遠離裂紋區(qū)域，證明裂紋周邊變形較大。

3 結論

本文提出了一種基于卷積神經網絡的非接觸式裂紋長度測量方法，并提出了一種裂紋長度計算算法。首先采用優(yōu)化的卷積神經網絡檢測裂紋的初始區(qū)域，然后采用改進的Canny 邊緣檢測算法計算裂紋擴展長度，最后通過對中心孔試件疲勞試驗和X80管線鋼全尺寸彎曲試驗進行了試驗驗證。

(1)中心孔試件疲勞試驗結果表明本文所提方法裂紋擴展長度測量精度可為0.012 mm。

(2)在管線鋼全尺寸彎曲實驗中，本文所提方法裂紋擴展長度檢測結果與數字散斑方法得到的結果吻合良好。

實驗結果表明：本文提出的方法測量效率高，測量精度高。相比現有的三維數字散斑相關等方法，本方法可不對表面進行處理進行直接測量，操作更加簡單方便，可以用以檢測裂紋在結構中的擴展。本文所提出的方法對于裂紋的識別和裂紋擴展的模擬研究具有重要意義，并將為斷裂力學的研究提供重要的實驗手段。