董學(xué)金，邵紅亮，李志學(xué)，羅鈞

基于卷積神經(jīng)網(wǎng)絡(luò)的航天復(fù)合材料缺陷智能檢測

董學(xué)金1，邵紅亮1，李志學(xué)2，羅鈞2

（1.上海衛(wèi)星裝備研究所，上海 200240；2.重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點實驗室，重慶 400030）

針對傳統(tǒng)的缺陷圖像識別處理方式存在著準(zhǔn)確度與辨識度不足，且處理缺陷種類單一的問題，提出了一種基于Cascade R-CNN和Mask R-CNN的神經(jīng)網(wǎng)絡(luò)模型。首先，為了提高缺陷檢測的可視化效果和檢測準(zhǔn)確度，在實例分割卷積網(wǎng)絡(luò)Mask R-CNN的基礎(chǔ)上，結(jié)合級聯(lián)神經(jīng)網(wǎng)絡(luò)Cascade R-CNN結(jié)構(gòu)，組合成了新的級聯(lián)實例分割Cascade Mask R-CNN網(wǎng)絡(luò)；其次，對組合而成的級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，將訓(xùn)練好的模型對復(fù)合材料缺陷圖像進(jìn)行了檢測。實驗結(jié)果表明：檢測的平均準(zhǔn)確度達(dá)到了91.5%，平均置信度達(dá)到了97.3%，達(dá)到了檢測精度的要求。該研究成果可運(yùn)用于航天復(fù)合材料缺陷識別。

深度學(xué)習(xí)；級聯(lián)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)；復(fù)合材料；缺陷檢測；實例分割

0　引言

隨著我國綜合國力的增強(qiáng)，復(fù)合材料的制備手段和應(yīng)用領(lǐng)域不斷拓展。目前先進(jìn)復(fù)合材料主要以碳纖維增強(qiáng)樹脂基、金屬基等為主，在航天領(lǐng)域被大量應(yīng)用，例如用來制作火箭發(fā)動機(jī)殼、航天器外殼及其相關(guān)零件等基本材料。復(fù)合材料可以有效減輕航天器的重量，增強(qiáng)其抗壓減震等性能，起到保護(hù)航天器的作用。先進(jìn)復(fù)合材料使得航天飛行器的質(zhì)量和水平得到了進(jìn)一步提高，為航天事業(yè)的發(fā)展提供了堅實的保障［1］。先進(jìn)復(fù)合材料在制備過程中由于制備環(huán)境和設(shè)備的影響，導(dǎo)致內(nèi)部會產(chǎn)生夾雜、氣孔等缺陷；而復(fù)合材料內(nèi)部復(fù)雜的結(jié)構(gòu)導(dǎo)致其在運(yùn)輸過程中會產(chǎn)生損傷、分層等缺陷，一旦將內(nèi)部含有缺陷的復(fù)合材料制備航天產(chǎn)品，其性能將會大打折扣，甚至在運(yùn)行過程中會對操作人員的生命安全造成威脅，產(chǎn)生不可預(yù)估的災(zāi)難性后果［2］。先進(jìn)復(fù)合材料在制備成航天器等設(shè)備前進(jìn)行內(nèi)部缺陷檢測的重要性不言而喻，提高復(fù)合材料缺陷檢測能力是目前航天制造業(yè)的熱點問題。無損檢測的方式主要以X射線、超聲、紅外、渦流、太赫茲等檢測手段為主，通過無損檢測可以采集到內(nèi)部缺陷信息，主要表現(xiàn)形式為圖像、聲波、振動信號等［3］。而傳統(tǒng)的缺陷識別需要利用這些信息進(jìn)行后續(xù)人為的分析與檢測，這種方式存在著較大的局限性，例如：檢測效率低、誤檢漏檢率較高、人力成本高、主觀因素大、損害檢測人員身體等。利用無損檢測所獲得的信息進(jìn)行后續(xù)智能化處理以提高缺陷檢測的速度和精度是目前航天領(lǐng)域需要解決的重點問題。

隨著先進(jìn)無損檢測技術(shù)和圖像處理算法的發(fā)展，大量的智能化處理手段在國內(nèi)外涌現(xiàn)， MALDAGUE等［4］提出脈沖相位熱成像算法，首先利用傅里葉變換將圖像的時間和空間信息轉(zhuǎn)化到頻域中，得到相應(yīng)的相位和幅值信息，之后根據(jù)缺陷和非缺陷部分的相位和幅值不同的原理來判斷缺陷。HAJRYA等［5］在復(fù)合材料內(nèi)部結(jié)構(gòu)進(jìn)行缺陷檢測時結(jié)合了獨立成分分析（Independent Component Analysis， ICA），通過分析從混合矩陣中獲得的對稱矩陣定義了損傷指數(shù)（Damage Index， DI）來表征。劉慧［6］對超聲紅外鎖相熱像無損檢測技術(shù)進(jìn)行了系統(tǒng)研究，基于Canny算子提出了缺陷特征的識別方法，通過建立檢測系統(tǒng)進(jìn)行實驗實現(xiàn)了缺陷的形狀識別和尺寸大小計算。張南南等［7］針對火箭發(fā)動機(jī)隔熱層的缺陷，根據(jù)缺陷的組成、位置等建立了仿真模型并進(jìn)行了仿真計算，提出了一種簡單高效的建模方法。

近些年來，深度學(xué)習(xí)算法蓬勃發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)逐漸成為模式識別、目標(biāo)檢測、圖像處理等領(lǐng)域的主要研究方法［8］。劉濤［9］將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用至紅外熱波無損檢測中，通過擬合函數(shù)關(guān)系來對缺陷進(jìn)行定量識別，并通過實驗證明了BP神經(jīng)網(wǎng)絡(luò)的有效性。嚴(yán)治［10］利用超聲探傷儀器對缺陷試塊進(jìn)行探傷，獲取相應(yīng)缺陷的信息圖像，并建立合適的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了缺陷智能檢測。這些缺陷檢測方法在缺陷檢測的種類和檢測精度上或多或少存在一定的問題，在此基礎(chǔ)上，本文提出了一種新的復(fù)合材料缺陷檢測方法，通過訓(xùn)練級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，對圖像進(jìn)行有效的特征提取，在圖像中對復(fù)合材料內(nèi)部缺陷進(jìn)行識別分類和定位，同時進(jìn)行圖像分割，獲得了較高的平均置信度和平均準(zhǔn)確度。

1　卷積神經(jīng)網(wǎng)絡(luò)研究發(fā)展

KRIZHEVSKY于2012年提到AlexNet［11］，AlexNet具有8層網(wǎng)絡(luò)結(jié)構(gòu)，在ImageNet數(shù)據(jù)集上實現(xiàn)了15.3%的錯誤率，錯誤率整體下降了接近一半。之后，越來越多的研究者在卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和深度上進(jìn)行創(chuàng)新，相應(yīng)地出現(xiàn)了VGG-16［12］、ResNet［13］等卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，目前使用最廣泛的是ResNet網(wǎng)絡(luò)結(jié)構(gòu)。ResNet的理論基礎(chǔ)是深度卷積神經(jīng)網(wǎng)絡(luò)，但隨著網(wǎng)絡(luò)層數(shù)的增加，圖像識別準(zhǔn)確率達(dá)到飽和后迅速出現(xiàn)了退化現(xiàn)象，這導(dǎo)致識別準(zhǔn)確率很難上升反而會下降，ResNet利用恒等映射，構(gòu)建基本的殘差模塊，很好地解決了該問題，ResNet允許網(wǎng)絡(luò)不斷加深，最深的網(wǎng)絡(luò)有1 000多層。

繼圖像識別后，卷積神經(jīng)網(wǎng)絡(luò)推出的另一大應(yīng)用是目標(biāo)檢測。目標(biāo)檢測除了要識別目標(biāo)的類別之外，還要在圖像中定位出它的位置?；诨瑒哟翱诘乃枷耄繕?biāo)檢測首先在2014年Girshick的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN）出現(xiàn)［14］，R-CNN通過選擇性搜索在圖像上生成了約2 000個候選區(qū)域，對每個區(qū)域利用一個大型卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，之后對每個區(qū)域進(jìn)行圖像分類，用邊框回歸確定目標(biāo)矩形框的位置。R-CNN將PASCAL-VOC 數(shù)據(jù)集上目標(biāo)檢測的平均準(zhǔn)確率大大提高了，但是沒有實現(xiàn)端對端的訓(xùn)練檢測方式。隨后，F(xiàn)aster R-CNN［15］的出現(xiàn)使得目標(biāo)檢測的精度和速度得到了進(jìn)一步提升，同時對之前產(chǎn)生的問題進(jìn)行了較好的解決。在目標(biāo)檢測功能的基礎(chǔ)上，出現(xiàn)了新的網(wǎng)絡(luò)結(jié)構(gòu)Mask R-CNN［16］。Mask R-CNN額外提供了圖像實例分割的功能，是目前應(yīng)用最為廣泛的技術(shù)之一。

2　Cascade Mask R?CNN的目標(biāo)檢測方法

2.1　Mask R-CNN目標(biāo)檢測方法

Mask R-CNN是由He Kaiming團(tuán)隊提出的，其基于Faster R-CNN目標(biāo)檢測網(wǎng)絡(luò)發(fā)展而來，最大的特點是多任務(wù)的集成實現(xiàn)，除了可以實現(xiàn)傳統(tǒng)的目標(biāo)檢測功能之外，還可以對圖像進(jìn)行實例分割，對于目標(biāo)檢測的邊界框，實例的分割效果可精確到目標(biāo)物體的邊緣區(qū)域，除此之外，相對傳統(tǒng)的圖像語義分割，實例分割會在圖像上對同一類別的不同個體進(jìn)行不同的灰度值標(biāo)注，顯示不同的顏色，提高可視化效果。

Mask R-CNN網(wǎng)絡(luò)主要分為特征提取網(wǎng)絡(luò)、區(qū)域預(yù)測網(wǎng)絡(luò)和功能性網(wǎng)絡(luò)。

區(qū)域預(yù)測網(wǎng)絡(luò)（Region Proposal Network， RPN）利用獲取的特征圖來計算可以表示物體在圖像中的位置的預(yù)測框。Mask R-CNN通過Anchor技術(shù)來實現(xiàn)區(qū)域預(yù)測功能，Anchor是指預(yù)先設(shè)定好的一個框選box。根據(jù)特征圖中的每個像素點，都會以其坐標(biāo)為中心，不同的寬高來預(yù)生成多個Anchor box，但是這些box并不是表示物體位置的最佳box，RPN網(wǎng)絡(luò)根據(jù)回歸輸出來對這些Anchor box進(jìn)行中心、寬和高的修正，修正步驟如下：

功能性網(wǎng)絡(luò)的作用主要是對象分類、對象定位和對象分割。通過獲取到的特征，對象分類采用全連接（Fully Connected，F(xiàn)C）層和Softmax層的固定搭配以獲得類別信息；對象框選則是進(jìn)一步對表示對象在圖像中所處位置的信息進(jìn)行修正，修正過程與式（2）相同；對象分割利用全卷積分割網(wǎng)絡(luò)（Fully Connected Network， FCN）［18］，可以生成用于分割掩碼的掩碼層，進(jìn)一步尋找到對象的邊緣位置，將待測對象完整進(jìn)行分割。Mask R-CNN的工作流程如圖1所示。

2.2　Cascade R-CNN 目標(biāo)檢測方法

Cascade R-CNN［19］是由Cai團(tuán)隊提出的，基礎(chǔ)網(wǎng)絡(luò)是Faster R-CNN，主要解決了目標(biāo)檢測中的交并比（Intersection Over Union，IOU）閾值選取問題。對于目標(biāo)檢測，選取高的IOU閾值使得模型輸出的代表物體位置的box更準(zhǔn)確，有利于獲取高質(zhì)量的目標(biāo)檢測結(jié)果，而僅僅提高IOU閾值可能會引發(fā)訓(xùn)練過擬合問題，導(dǎo)致測試精度大幅度下降。Cascade的核心就是利用不斷提高的閾值，在保證樣本數(shù)不減少的情況下得到高質(zhì)量的目標(biāo)檢測訓(xùn)練結(jié)果：它級聯(lián)了多個功能性網(wǎng)絡(luò)，各功能性網(wǎng)絡(luò)根據(jù)各自的特征圖來進(jìn)行計算，同時將一個功能性網(wǎng)絡(luò)輸出的回歸框輸入到另一個功能性網(wǎng)絡(luò)，不同的功能性網(wǎng)絡(luò)根據(jù)連接順序，不斷提升IOU閾值，以達(dá)到提升目標(biāo)檢測精度的目的。IOU閾值通常選擇為0.5，本文采取三階級聯(lián)網(wǎng)絡(luò)，其中每個級聯(lián)網(wǎng)絡(luò)的IOU閾值逐步提升，故分別設(shè)置為0.6、0.7和0.8。

2.3　Cascade Mask R-CNN目標(biāo)檢測方法

Cascade Mask R-CNN是Mask R-CNN和Cascade R-CNN綜合而成的，其結(jié)合了Mask R-CNN和Cascade R-CNN各自的優(yōu)勢：在進(jìn)行了目標(biāo)檢測的同時進(jìn)行了實例分割，檢測效果更為突出；利用級聯(lián)結(jié)構(gòu)提升了檢測的精度。本文的Cascade Mask R-CNN的工作流程整體如圖2所示。

3　實驗過程和分析

3.1　實驗數(shù)據(jù)預(yù)處理以及實驗過程

航天復(fù)合材料內(nèi)部缺陷圖像數(shù)據(jù)集是在上海衛(wèi)星裝備研究所實地采集的，包含常見的高密度夾雜（high_inclusion）、低密度夾雜（low_inclusion）、裂紋（crack）和氣孔（void）共4類缺陷，其中高密度夾雜是白色橢圓狀，低密度夾雜是黑色不規(guī)則形狀，裂紋是條紋狀，氣孔是深色圓形或橢圓形狀，如圖3所示。

續(xù)圖3各類缺陷顯示

Continued fig. 3Display of various defects

數(shù)據(jù)集一共有2 800多張圖像，部分圖像存在多種多個缺陷。為了確保實驗?zāi)軌蝽樌M(jìn)行，對 2 800多張圖像進(jìn)行了實驗數(shù)據(jù)預(yù)處理，主要步驟為：首先，對數(shù)據(jù)集進(jìn)行擴(kuò)充處理，采用的手段主要是直接對部分樣本進(jìn)行過采樣，改變樣本的亮度、灰度和角度等信息，而改變樣本的亮度和灰度沒有改變?nèi)毕莸谋举|(zhì)特征，只是缺陷和背景的亮度、灰度同時改變了，這有利于增強(qiáng)模型對獲取的不同對比度X射線缺陷的檢測能力，除此之外還有向其中增加噪聲、高斯模糊等操作；其次，操作后最終形成的數(shù)據(jù)集有7 200張，之后對圖像進(jìn)行標(biāo)準(zhǔn)化處理，即將尺寸統(tǒng)一固定為800×1 333像素點，這樣可以更好地適應(yīng)網(wǎng)絡(luò)模型，提高特征提取的效果；再次，利用Labelme軟件對復(fù)合材料缺陷圖像進(jìn)行缺陷標(biāo)注，生成相應(yīng)的json格式配置文件；最后，將各圖像的json配置文件匯總，將7 200張圖像隨機(jī)生成訓(xùn)練集和測試集，其中訓(xùn)練集6 400張圖像，測試集800張圖像，訓(xùn)練集和測試集中的圖像分布情況相同。數(shù)據(jù)集具體分配情況見表1。

表1　數(shù)據(jù)集分配情況

為了突出級聯(lián)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，實驗在Mask R-CNN網(wǎng)絡(luò)、Cascade R-CNN和Cascade Mask R-CNN網(wǎng)絡(luò)上分別進(jìn)行。為保證公平，在3種缺陷檢測卷積神經(jīng)網(wǎng)絡(luò)上使用的特征提取網(wǎng)絡(luò)均是預(yù)訓(xùn)練好的ResNet-50模型；在復(fù)合材料缺陷數(shù)據(jù)集上訓(xùn)練均采用相同的參數(shù)，即：由于GPU性能有限，設(shè)置batch大小為1，訓(xùn)練集整體迭代次數(shù)epoch為100 000，學(xué)習(xí)率初始設(shè)置為0.002 5，學(xué)習(xí)率變化初始采用線性增加的策略，之后在第50 000和80 000個epoch降低學(xué)習(xí)率，網(wǎng)絡(luò)參數(shù)的優(yōu)化方式采用基于動量Nesterov momentum的隨機(jī)梯度下降算法momentum設(shè)置為0.9［13］，權(quán)重衰減系數(shù)weight_decay設(shè)置為0.000 1［13］。實驗在Linux（Ubuntu16.04）系統(tǒng)上進(jìn)行，使用Pytorch框架，硬件平臺為Intel（R） Core（TM） i7-6800K CPU@3.4 GHz，內(nèi)存大小為16 GB，GPU為NVIDIA Geforce GTX1080Ti （11 GB顯存）。

本文采用的模型在航天復(fù)合材料內(nèi)部缺陷測試顯示如圖4所示。

續(xù)圖4測試顯示結(jié)果

Continued fig. 4Results of the test display

實驗的結(jié)果為平均準(zhǔn)確度mAP、平均置信度［20］和平均耗時，對應(yīng)Mask R-CNN模型、Cascade R-CNN模型以及Cascade Mask R-CNN模型在復(fù)合材料內(nèi)部缺陷測試集上的實驗對比情況見表2。

表2　Mask R-CNN、Cascade R-CNN和Cascade Mask R-CNN實驗結(jié)果

本文在Cascade Mask -RCNN網(wǎng)絡(luò)上訓(xùn)練迭代過程中的檢測精度如圖5（a）所示，而各模型測試的準(zhǔn)確度和置信度的分布情況如圖5（b）所示。

3.2　結(jié)果分析

表2給出了Mask R-CNN、Cascade R-CNN和Cascade Mask R-CNN的對比結(jié)果。從表2中可知，在相同的訓(xùn)練參數(shù)條件下，Mask R-CNN由于整體結(jié)構(gòu)相對簡單，其檢測一張復(fù)合材料缺陷圖像的平均耗時最少，但檢測準(zhǔn)確度和置信度較低，Cascade R-CNN雖然缺陷檢測整體精度都比Cascade Mask R-CNN更優(yōu)秀，但它不包含缺陷的實例分割功能；而無論是平均準(zhǔn)確度還是平均置信度，Cascade Mask R-CNN與Mask R-CNN相比都較為領(lǐng)先，但它的檢測平均耗時最大。由圖4可知，通過實例分割后的缺陷檢測可視化效果顯著提升，而這對于在實際中利用其進(jìn)行高效復(fù)合材料缺陷檢測具有明顯意義。

4　結(jié)束語

本文提出了一種基于深度學(xué)習(xí)的航天復(fù)合材料缺陷檢測方法。經(jīng)過測試，本文所使用的級聯(lián)神經(jīng)網(wǎng)絡(luò)Cascade Mask R-CNN缺陷檢測方法具有普遍性。檢測結(jié)果顯示：算法能夠很好地適應(yīng)復(fù)合材料內(nèi)部的缺陷，在多種不同的缺陷檢測中都取得了較好的效果，適用場景廣泛，魯棒性強(qiáng)。但是，目前的級聯(lián)網(wǎng)絡(luò)也有一定的局限性，并不能完全達(dá)到實時處理復(fù)合材料缺陷檢測的要求。在未來的工作中，需進(jìn)一步將研究重點放在損失最小的準(zhǔn)確度、最大化壓縮剪枝模型的問題上，以保證缺陷檢測的模型能達(dá)到實時性的要求。

［1］ 竇鳳云.淺談復(fù)合材料在航空航天領(lǐng)域中的應(yīng)用［J］.信息記錄材料，2020，21（5）：18-19.

［2］ 陳積懋，張穎.復(fù)合材料無損檢測的新進(jìn)展［J］.航空工藝技術(shù)，1998，22（5）：17-19，27.

［3］ 劉松平，劉菲菲，李樂剛，等.航空復(fù)合材料無損檢測與評估技術(shù)研究進(jìn)展回顧［J］.航空制造技術(shù)，2019，62（14）：14-27.

［4］ MALDAGUE X， MARINETTI S. Pulse phase infrared thermography［J］. Journal of Applied Physics， 1996， 79（5）： 2694-2698.

［5］ HAIRVA R， MECHBAL N， VERGE M. Damage detection of composite structure using independent component analysis［C］// International Workshop on Structural Health Monitoring. 2011： 241-248.

［6］ 劉慧.超聲紅外鎖相熱像無損檢測技術(shù)的研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2010.

［7］ 張南南，郭興旺.固體火箭發(fā)動機(jī)絕熱層脫粘的紅外無損檢測建模方法［J］.無損檢測，2016，38（8）：1-5，11.

［8］ 黃燦.圖像識別領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用［J］.信息記錄材料，2018，19（5）：39-40.

［9］ 劉濤，李永峰，黃威.BP神經(jīng)網(wǎng)絡(luò)在紅外熱波無損檢測定量識別中的應(yīng)用［J］.紅外與激光工程，2012，41（9）：2304-2310.

［10］ 嚴(yán)治.基于卷積神經(jīng)網(wǎng)絡(luò)的鑄件內(nèi)部缺陷超聲檢測方法研究［D］.沈陽：沈陽工業(yè)大學(xué)，2019.

［11］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.

［12］ SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. Computer Science， 2014.［2020-12-15］. https：//arxiv.org/pdf/1409.1556.pdf.

［13］ HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Washington D.C.， USA： IEEE Press， 2016： 770-778.

［14］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Washington D.C.， USA： IEEE Press，2014： 580-587.

［15］ REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2017， 39（6）： 1137-1149.

［16］ HE K， GKIOXARI G， DOLLáR P， et al. Mask R-CNN［C］// Proceedings of the IEEE International Conference on Computer Vision. Washington D.C.， USA： IEEE Press， 2017： 2961-2969.

［17］ LIN T Y， DOLLáR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Washington D.C.， USA： IEEE Press，2017： 2117-2125.

［18］ LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Washington D.C.， USA： IEEE Press， 2015： 3431-3440.

［19］ CAI Z， VASCONCELOS N. Cascade R-CNN： delving into high quality object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Washington D.C.， USA： IEEE Press，2018： 6154-6162.

［20］ 孫梓超，譚喜成，洪澤華，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感影像目標(biāo)檢測［J］.上海航天，2018，35（5）：18-24.

Intelligent Detection of Defects in Aerospace Composite Materials Based on Convolutional Neural Network

DONGXuejin1， SHAOHongliang1， LIZhixue2， LUOJun2

（1.Shanghai Satellite Equipment Research Institute， Shanghai 200240， China； 2.Key Laboratory of Optoelectronic Technology and Systems of Ministry of Education， Chongqing University， Chongqing 400030， China）

In view of the fact that traditional image recognition processing methods have the problems of insufficient accuracy， insufficient identification， and single type of defect processing， a neural network based on Cascade region-based convolutional neural network （R-CNN） and Mask R-CNN is proposed. First， a new Cascade Mask R-CNN is constructed based on the Mask R-CNN and Cascade R-CNN to improve the visualization and detection accuracy of defect detection. Then， the combined Cascade Mask R-CNN is trained， and the trained model is used to detect the defect images of a composite material. The test results show that the average accuracy of the detection reaches 91.5%， and the average confidence reaches 97.3%， which meet the requirements of the detection accuracy. The research results can be applied to the identification of defects in aerospace composite materials.

deep learning； Cascade R-CNN； composite material； defect detection； instance segmentation

2020?12?31；

2021?01?13

上海航天科技創(chuàng)新SAST基金（JG20180209）

董學(xué)金（1985—），男，碩士研究生，高級工程師，主要研究方向為檢測技術(shù)和圖像識別。

羅鈞（1963—），男，教授，博士生導(dǎo)師，主要研究方向為圖像識別、嵌入式機(jī)器視覺和深度學(xué)習(xí)。

TP 391

A

10.19328/j.cnki.2096?8655.2022.04.015