Machine learning-based real-time visible fatigue crack growth detectio

作者：Le Zhang, Zhichen Wang , Lei Wang , Zhe Zhang , Xu Chen, Lin Meng

摘要：航空航天和汽車工業(yè)中應(yīng)用了許多大型和復(fù)雜的結(jié)構(gòu)部件。然而，在使用過(guò)程中，反復(fù)的交變或循環(huán)載荷往往會(huì)導(dǎo)致意外的疲勞斷裂。因此，開(kāi)發(fā)實(shí)時(shí)可見(jiàn)的疲勞裂紋萌生和擴(kuò)展監(jiān)測(cè)方法對(duì)結(jié)構(gòu)安全至關(guān)重要。本文提出了一種結(jié)合計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)的基于機(jī)器學(xué)習(xí)的疲勞裂紋擴(kuò)展檢測(cè)方法。在我們的模型中，計(jì)算機(jī)視覺(jué)用于數(shù)據(jù)創(chuàng)建，機(jī)器學(xué)習(xí)模型用于裂紋檢測(cè)。然后使用計(jì)算機(jī)視覺(jué)對(duì)裂紋的擴(kuò)展路徑和長(zhǎng)度進(jìn)行標(biāo)記和分析。我們應(yīng)用了7種模型進(jìn)行裂縫分類，發(fā)現(xiàn)決策樹(shù)是本研究中模型。實(shí)驗(yàn)結(jié)果證明了該方法的有效性，實(shí)現(xiàn)的裂縫長(zhǎng)度測(cè)量精度為0.6 mm。此外，輕微的機(jī)器學(xué)習(xí)模型幫助我們實(shí)現(xiàn)了實(shí)時(shí)可見(jiàn)的疲勞裂紋檢測(cè)。

關(guān)鍵詞：疲勞裂紋、擴(kuò)展預(yù)測(cè)、機(jī)械響應(yīng)、發(fā)光材料結(jié)構(gòu)健康監(jiān)測(cè)、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)

1.簡(jiǎn)介

航空、汽車工業(yè)中應(yīng)用了許多大型、復(fù)雜的結(jié)構(gòu)部件，如發(fā)動(dòng)機(jī)、渦輪等。其中一些在使用中受到反復(fù)交變或循環(huán)載荷的作用，容易產(chǎn)生意外的疲勞斷裂。因此，開(kāi)發(fā)實(shí)時(shí)可見(jiàn)的疲勞裂紋萌生和擴(kuò)展監(jiān)測(cè)方法對(duì)結(jié)構(gòu)安全至關(guān)重要。在過(guò)去的幾十年里，工業(yè)上廣泛發(fā)展了用于疲勞損傷評(píng)估的結(jié)構(gòu)健康監(jiān)測(cè)(SHM)方法。壓電傳感器、紅外熱成像、聲發(fā)射、蘭姆波和數(shù)字圖像相關(guān)(DIC)等技術(shù)在飛機(jī)結(jié)構(gòu)安全監(jiān)測(cè)中得到了廣泛應(yīng)用。然而，有限的傳感器尺寸、高成本和復(fù)雜的測(cè)量系統(tǒng)以及復(fù)雜的加工程序限制了它們?cè)诖笮蛷?fù)雜結(jié)構(gòu)部件上的應(yīng)用。目前迫切需要一種現(xiàn)場(chǎng)、實(shí)時(shí)、可見(jiàn)的SHM疲勞損傷評(píng)價(jià)方法。

基于熒光的檢測(cè)技術(shù)具有可視化和快速響應(yīng)的優(yōu)點(diǎn)。因此，在生物、化學(xué)、光電子等領(lǐng)域得到了廣泛的應(yīng)用。機(jī)械-發(fā)光(machine -noluminescence, ML)材料在機(jī)械響應(yīng)的測(cè)量中被考慮，其中，當(dāng)ML材料受到機(jī)械力的作用時(shí)，熒光波長(zhǎng)或強(qiáng)度可以發(fā)生變化。因此，ML現(xiàn)象對(duì)于實(shí)現(xiàn)對(duì)應(yīng)力分布和疲勞裂紋行為等機(jī)械響應(yīng)的實(shí)時(shí)、直接可見(jiàn)的監(jiān)測(cè)有很大的好處。許多無(wú)機(jī)物基ML材料，如SrAl2O4:Eu2t、Dy3t、Nd3t(SAO)和CdSe@ZnS顆粒，被混合在陶瓷中或涂覆在金屬表面，從而可以實(shí)現(xiàn)對(duì)疲勞裂紋擴(kuò)展的實(shí)時(shí)可見(jiàn)監(jiān)測(cè)。1,1,2,2-四基(4-硝基苯基)乙烷(TPE-4N)是一種純有機(jī)機(jī)械響應(yīng)發(fā)光材料(MRL)。它在無(wú)定形狀態(tài)下表現(xiàn)出強(qiáng)烈的綠色熒光，而在結(jié)晶狀態(tài)下其發(fā)射則被強(qiáng)烈猝滅。與無(wú)機(jī)ML材料相比，純有機(jī)MRL材料在金屬表面具有良好的成膜性，為大型復(fù)雜結(jié)構(gòu)件疲勞損傷評(píng)估的現(xiàn)場(chǎng)、實(shí)時(shí)、可見(jiàn)監(jiān)測(cè)開(kāi)辟了新的可能性。通常，疲勞損傷出現(xiàn)在材料表面。因此，金屬表面的誘導(dǎo)熒光可以用來(lái)表征疲勞損傷。要使該技術(shù)真正應(yīng)用，必須實(shí)現(xiàn)疲勞裂紋損傷的自動(dòng)監(jiān)測(cè)和保護(hù)報(bào)警。因此，在目前的工作中，應(yīng)用計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)來(lái)實(shí)現(xiàn)對(duì)熒光分布的監(jiān)測(cè)，熒光分布代表疲勞的發(fā)生和傳播。

在計(jì)算機(jī)視覺(jué)的研究領(lǐng)域，裂紋檢測(cè)可能定義為一種目標(biāo)檢測(cè)方法，并取得了良好的性能。在某些情況下，機(jī)器學(xué)習(xí)模型通過(guò)使用計(jì)算機(jī)視覺(jué)提取的圖像特征對(duì)物體進(jìn)行分類。例如，甲骨文(Oracle Bone Inscription, OBI)是一種刻在骨頭上的類似裂縫的文字，利用計(jì)算機(jī)視覺(jué)技術(shù)和機(jī)器學(xué)習(xí)模型對(duì)甲骨文進(jìn)行分類就取得了很好的效果。此外，隨著計(jì)算能力的不斷提高，深度學(xué)習(xí)技術(shù)被廣泛用于具有更高精度的目標(biāo)檢測(cè)。深度學(xué)習(xí)方法在OBI分類中也取得了很好的準(zhǔn)確率。

因此，提出的工作研究計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)方法，通過(guò)有機(jī)MRL方法實(shí)時(shí)和可見(jiàn)地監(jiān)測(cè)疲勞裂紋檢測(cè)。將金屬中的疲勞裂紋起裂和裂紋擴(kuò)展路徑轉(zhuǎn)換為可見(jiàn)的熒光信號(hào)。在檢測(cè)過(guò)程上，首先通過(guò)計(jì)算機(jī)視覺(jué)提取圖像特征作為預(yù)處理，然后采用機(jī)器學(xué)習(xí)方法對(duì)裂紋和非裂紋進(jìn)行分類。最后，在原始圖像上標(biāo)記裂紋部位，并測(cè)量其生長(zhǎng)方向。根據(jù)熒光分布，可以實(shí)時(shí)確定疲勞裂紋長(zhǎng)度和疲勞裂紋擴(kuò)展路徑。這些結(jié)果表明，本文提出的方法在實(shí)際應(yīng)用中對(duì)大型復(fù)雜結(jié)構(gòu)構(gòu)件的裂紋檢測(cè)具有很大的潛力。

第2節(jié)討論了相關(guān)工作。我們?cè)诘?節(jié)中提出了提出的疲勞裂紋檢測(cè)方法。第4節(jié)介紹了實(shí)驗(yàn)過(guò)程，結(jié)果見(jiàn)第5節(jié)。第6節(jié)討論了這項(xiàng)工作的貢獻(xiàn)以及局限性。我們?cè)诘?節(jié)中總結(jié)了一個(gè)簡(jiǎn)短的總結(jié)和未來(lái)工作的計(jì)劃。

2.相關(guān)工作

疲勞裂紋檢測(cè)是疲勞損傷評(píng)估中最重要的一步，因?yàn)榱鸭y檢測(cè)的準(zhǔn)確性深刻影響疲勞裂紋起裂和擴(kuò)展路徑的預(yù)測(cè)。在此，我們對(duì)不同研究領(lǐng)域的裂紋檢測(cè)相關(guān)工作進(jìn)行了綜述。

2.1.金屬力學(xué)響應(yīng)的實(shí)時(shí)可見(jiàn)檢測(cè)

近年來(lái)，純有機(jī)MRL已經(jīng)成功實(shí)現(xiàn)了金屬內(nèi)部應(yīng)力分布和疲勞裂紋擴(kuò)展的動(dòng)態(tài)可視化。通過(guò)在金屬表面涂覆有機(jī)MRL膜，可以將金屬的超靈敏力學(xué)響應(yīng)轉(zhuǎn)化為可見(jiàn)的熒光信號(hào)。有機(jī)MRL法測(cè)得的應(yīng)力分布與DIC法或有限元法模擬得到的結(jié)果吻合較好。然而，對(duì)有機(jī)MRL膜機(jī)械響應(yīng)熒光圖像的定量評(píng)估仍然不足，限制了其在實(shí)時(shí)機(jī)械損傷評(píng)估中的應(yīng)用。

2.2.基于視覺(jué)的疲勞裂紋檢測(cè)

裂紋檢測(cè)可以定義為計(jì)算機(jī)視覺(jué)中的一種物體檢測(cè)。Mohan等人對(duì)使用圖像處理的裂紋檢測(cè)進(jìn)行了全面的調(diào)查，并發(fā)現(xiàn)了使用圖像處理的方法。與傳統(tǒng)的物體檢測(cè)類似，疲勞裂紋檢測(cè)包括降噪、特征提取和分類。通常，Reduction使用過(guò)濾器來(lái)減少噪聲，二值化來(lái)增強(qiáng)對(duì)象(裂紋)。為了檢測(cè)鉻鍍層中的裂紋網(wǎng)絡(luò)圖案區(qū)域，Vidal等人首先將拉普拉斯高斯(LoG)濾波器和Prewitt濾波器結(jié)合起來(lái)，然后直接對(duì)所選像素進(jìn)行閾值化，構(gòu)建二值圖像。Heideklang等人提出了一種數(shù)據(jù)融合濾波器，用于改進(jìn)近表面裂紋檢測(cè)。孟等人旨在通過(guò)定向梯度直方圖(Histogram of oriented Gradients, HoG)獲取裂紋網(wǎng)絡(luò)信息，并通過(guò)分析幾個(gè)案例獲得了更好的二值化閾值。Glud等人采用Gabor濾波器進(jìn)行降噪，采用Otsu方法獲得二值化圖像。形態(tài)學(xué)處理包括(a)初始二值圖像;(b)對(duì)角填充處理;(c)閉合處理;(d)細(xì)化處理;(e)清洗處理(骨架的最終圖像);以及(f)分支點(diǎn)處理。由于特征是從二值圖像中提取的，因此通常提取的裂縫為黑色，背景為白色。

2.3.基于機(jī)器學(xué)習(xí)的疲勞裂紋檢測(cè)

支持向量機(jī)(SVM)、k -最近鄰算法(KNN)、樸素貝葉斯、決策樹(shù)、隨機(jī)森林、集成模型和神經(jīng)網(wǎng)絡(luò)(NN)等機(jī)器學(xué)習(xí)模型已被廣泛用于分類。作為機(jī)器學(xué)習(xí)的延伸，深度學(xué)習(xí)模型現(xiàn)在被用于裂紋檢測(cè)。

基于計(jì)算機(jī)視覺(jué)的裂紋檢測(cè)方法已經(jīng)取得了良好的性能。但是，閾值的判定比較困難，通常需要人工修改，這就限制了制造業(yè)的發(fā)展。目前，在高精度目標(biāo)檢測(cè)的研究領(lǐng)域，提出了幾種深度學(xué)習(xí)模型。LeNet是第一個(gè)成功分類數(shù)字手寫(xiě)數(shù)字的深度學(xué)習(xí)模型。提出了AlexNet和GoogleNet，并在更大數(shù)量的分類中取得了很好的精度，后來(lái)提出了Inception和Xception ResNet，以獲得更好的精度。但是，這些模型都需要提前手工切割目標(biāo)圖像。后來(lái)，YOLO和SSD同時(shí)被提出用于目標(biāo)檢測(cè)和分類，也被用于一些特殊的研究領(lǐng)域，如古文字識(shí)別。

因此，研究人員嘗試將深度學(xué)習(xí)應(yīng)用于裂紋檢測(cè)。Fan等人提出了一個(gè)14層的模型，其中有7個(gè)卷積層。每?jī)蓚€(gè)卷積層之間應(yīng)用一個(gè)最大池化層，最后一個(gè)是連接層。Li等人提出了一個(gè)12層模型，其中兩次三個(gè)卷積層t池化層后應(yīng)用三個(gè)卷積層。接下來(lái)的步驟是三個(gè)連接的層，最后一層應(yīng)用了一個(gè)softmax。此外，還提出了一些其他模型，通過(guò)使用深度學(xué)習(xí)模型進(jìn)行裂紋檢測(cè)。

然而，深度學(xué)習(xí)的局限性在于需要準(zhǔn)備大量的數(shù)據(jù)進(jìn)行訓(xùn)練。這也證明了為什么提出了大量深度學(xué)習(xí)模型來(lái)檢測(cè)混凝土裂縫的原因。本文提出了一種基于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)的疲勞裂紋檢測(cè)方法，利用機(jī)器學(xué)習(xí)避免數(shù)據(jù)限制，并嘗試將裂紋檢測(cè)結(jié)果用于疲勞裂紋擴(kuò)展評(píng)價(jià)。我們采用了7種機(jī)器學(xué)習(xí)模型來(lái)檢驗(yàn)和選擇裂紋檢測(cè)的模型。

3.機(jī)器學(xué)習(xí)的疲勞裂紋檢測(cè)

我們提出了一種計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)相結(jié)合的疲勞裂紋檢測(cè)和增長(zhǎng)路徑預(yù)測(cè)方法。圖1是該方法的概述，它由三個(gè)步驟組成:

步驟1.預(yù)處理用于檢測(cè)數(shù)據(jù)集的創(chuàng)建，將原始圖像分成若干塊，并通過(guò)傳統(tǒng)的圖像處理從這些塊中提取特征。

步驟2.使用機(jī)器學(xué)習(xí)進(jìn)行分類，利用機(jī)器學(xué)習(xí)將塊分類為有裂紋和無(wú)裂紋。

步驟3.利用分類結(jié)果對(duì)裂紋進(jìn)行測(cè)量，在原始圖像中標(biāo)記裂紋，并利用裂紋的坐標(biāo)來(lái)檢測(cè)裂紋的擴(kuò)展方向和長(zhǎng)度。

3.1. 特征提取

特征提取包括二值化、圖像分離和特征像素計(jì)數(shù)。二值化后，每張裁剪后的圖像分別被縱軸和橫軸分割成四個(gè)部分。這意味著裁剪后的圖像被分成16個(gè)部分。然后對(duì)二值化后的圖像中各部分的白像素?cái)?shù)進(jìn)行計(jì)數(shù)。最后得到16個(gè)數(shù)字作為裂縫分類的特征。

3.2. 檢測(cè)數(shù)據(jù)集預(yù)處理

由于原始圖像太大，裂縫有時(shí)小于原始圖像大小，因此應(yīng)將圖像裁剪成幾個(gè)塊。在第一步中，原始圖像被裁剪成幾個(gè)塊。裁剪的動(dòng)作如圖2所示。圖2(a)為簡(jiǎn)單原始圖像，大小為{Size_j， Size_i}。圖2 (b)是中心塊，其大小定義為8?8。

當(dāng)裂縫分類正確時(shí)，我們只能得到裂縫的局部信息。這意味著我們只獲得了原始圖像中的裂紋坐標(biāo)，這一步很難判斷裂紋的擴(kuò)展方向和長(zhǎng)度。為了解決生長(zhǎng)路徑預(yù)測(cè)的問(wèn)題，我們從左、右、上、下四個(gè)方向移動(dòng)起點(diǎn)，然后裁剪圖像。換擋動(dòng)作如圖2(c)、(d)、(e)、(f)所示，分別表示左換擋、右換擋、上換擋和下?lián)Q擋。移位像素?cái)?shù)定義為步長(zhǎng)，如圖2所示，步長(zhǎng)定義為2。

這并不意味著可以在每個(gè)塊中檢測(cè)到裂縫。然而，通過(guò)這種方式，可能會(huì)在某些塊中檢測(cè)到裂縫。例如，在圖2(b)的裁剪圖像中存在部分裂紋。通過(guò)平移圖像，左移圖像(c)失去了裂縫，而右移圖像中仍然存在一部分裂縫。在這種情況下，可以在(b)和(d)中檢測(cè)到裂縫，并在同一位置進(jìn)行標(biāo)記。

算法1以五個(gè)方向顯示原始圖像的裁剪塊。首先計(jì)算五個(gè)塊的起始點(diǎn)（左上坐標(biāo)），然后檢查溢出。當(dāng)溢出不存在時(shí)，塊被裁剪。

3.3. 機(jī)器學(xué)習(xí)分類

我們采用支持向量機(jī)、KNN、樸素貝葉斯、決策樹(shù)、隨機(jī)森林、集成模型和神經(jīng)網(wǎng)絡(luò)等7種機(jī)器學(xué)習(xí)模型進(jìn)行檢驗(yàn)，并選出裂縫分類的模型。所有這些模型都是傳統(tǒng)模型。

支持向量機(jī)是一種監(jiān)督學(xué)習(xí)模型，用于從最大邊界超平面上確定邊界并對(duì)數(shù)據(jù)進(jìn)行分類。KNN計(jì)算特征空間中的k個(gè)訓(xùn)練數(shù)據(jù)。Na?ve貝葉斯分類器是基于貝葉斯理論的概率分類器，特征之間具有很強(qiáng)的獨(dú)立性假設(shè)。決策樹(shù)是一種分類器，它使用樹(shù)狀模型進(jìn)行決策及其可能的后果，包括事件結(jié)果的概率、資源成本和效用。決策樹(shù)在工業(yè)中廣泛應(yīng)用于各種不確定數(shù)據(jù)領(lǐng)域，如道路裂縫檢測(cè)和生物技術(shù)。隨機(jī)森林結(jié)合了樹(shù)的預(yù)測(cè)器，其中每棵樹(shù)都獨(dú)立依賴于隨機(jī)向量樣本的值，并且森林中的所有樹(shù)都具有相同的分布。

神經(jīng)網(wǎng)絡(luò)是一種研究大腦神經(jīng)元結(jié)構(gòu)的數(shù)學(xué)模型，它為訓(xùn)練數(shù)據(jù)構(gòu)建多層相互連接的節(jié)點(diǎn)，通常用于分類。這項(xiàng)工作構(gòu)建了一個(gè)由五層組成的神經(jīng)網(wǎng)絡(luò)模型。輸入層有8個(gè)節(jié)點(diǎn)，第二層、第三層、第四層分別有16、32、64個(gè)節(jié)點(diǎn)。前四層的激活為整流線性單元（ReLU），輸出層的激活為s型。對(duì)于參數(shù)，epoch設(shè)為50，置信度為0.5，即當(dāng)裂縫分類置信度大于0.5時(shí)，判斷預(yù)測(cè)結(jié)果為裂縫，否則判斷預(yù)測(cè)結(jié)果為非裂縫。集成模型通過(guò)組合幾個(gè)基本模型來(lái)進(jìn)行預(yù)測(cè)。關(guān)鍵思想是通過(guò)對(duì)基本模型預(yù)測(cè)進(jìn)行投票，生成最終的預(yù)測(cè)結(jié)果

3.4. 疲勞裂紋擴(kuò)展檢測(cè)

分類后，對(duì)有裂縫的區(qū)域用正方形、橢圓形和圓形標(biāo)記，表示分別從中心塊、左右塊、上下塊檢測(cè)裂縫。將漸降信息用于裂紋擴(kuò)展預(yù)測(cè)。我們使用一個(gè)簡(jiǎn)單的圖像（圖3）來(lái)介紹增長(zhǎng)預(yù)測(cè)算法。在這里，我們定義裂紋分支中的裂紋方向變化，這可以通過(guò)檢查同類標(biāo)記的退化來(lái)找到。例如，在左右裂紋分支的情況下，紅色橢圓從兩個(gè)（左和右）變?yōu)橐粋€(gè)（左）。這意味著疲勞裂紋有向左擴(kuò)展的趨勢(shì)。此外，在上下裂紋分支的情況下，藍(lán)色循環(huán)從兩個(gè)（上下）變?yōu)橐粋€(gè)（上）。這意味著疲勞裂紋擴(kuò)展趨向于減小。因此，得出的結(jié)論是，裂紋擴(kuò)展預(yù)測(cè)是左下的，距離可以通過(guò)對(duì)抗檢測(cè)到的裂紋數(shù)來(lái)測(cè)量，如圖3中的5?Block_size。

4.疲勞裂紋擴(kuò)展試驗(yàn)過(guò)程及熒光響應(yīng)實(shí)驗(yàn)程序

4.1.實(shí)驗(yàn)程序

本文對(duì)航空工業(yè)中常用的結(jié)構(gòu)材料之一A2024鋁合金進(jìn)行了研究。1,1,2,2-四akis (4-nitrophenyl)乙烷(TPE-4N)是一種具有聚集誘導(dǎo)發(fā)射(AIE)特性的純有機(jī)MRL材料，其晶體狀態(tài)被破壞時(shí)表現(xiàn)出敏感的機(jī)械響應(yīng)熒光信號(hào)。文獻(xiàn)詳細(xì)介紹了TPE-4N的熒光特性和成膜過(guò)程。在 A2024鋁合金表面形成厚度約為1 μm的均勻結(jié)晶TPE-4N薄膜。疲勞裂紋試驗(yàn)試樣的尺寸和試驗(yàn)裝置如圖 4所示。疲勞裂紋擴(kuò)展試驗(yàn)采用單刃缺口試樣。試件的尺寸如圖 4 (a)所示。通過(guò)線電極切割加工一個(gè)尖銳的缺口。圖 4(b)顯示了實(shí)驗(yàn)裝置，其中包括一臺(tái)施加機(jī)械載荷的原位疲勞試驗(yàn)機(jī)(IBTC-5000, CARE)和一個(gè)成像系統(tǒng)，該系統(tǒng)包括一個(gè)CCD相機(jī)來(lái)捕捉實(shí)時(shí)圖像，一個(gè)紫外燈來(lái)提供紫外線，以及一臺(tái)計(jì)算機(jī)來(lái)進(jìn)行數(shù)據(jù)分析。在室溫下，在恒力(F?700 N)控制下進(jìn)行疲勞試驗(yàn)。在脈沖循環(huán)拉伸(應(yīng)力比R?0)下，進(jìn)行了恒周期為4s的三角形波形加載。力從0上傳至最大值，再下載至0，記為一個(gè)應(yīng)力循環(huán)。同時(shí)，CCD攝像機(jī)記錄了TPE-4N薄膜在不同周期(N)下的實(shí)時(shí)熒光響應(yīng)。用相對(duì)灰度值表示熒光強(qiáng)度，即從背景中去除了灰度值。

4.2.疲勞裂紋擴(kuò)展試驗(yàn)下的熒光響應(yīng)

圖5為A2024鋁合金表面TPE-4N薄膜在單調(diào)張力作用下的熒光響應(yīng)。未變形的試樣表面未觀察到明顯的熒光。相對(duì)灰度隨外加應(yīng)力的增大而逐漸增大。因此，值得注意的是，不可見(jiàn)的機(jī)械應(yīng)力被轉(zhuǎn)化為可見(jiàn)的熒光信號(hào)。此外，更高的應(yīng)力導(dǎo)致更高的熒光強(qiáng)度。圖6為A2024鋁合金單棱缺口疲勞裂紋擴(kuò)展試驗(yàn)時(shí)的熒光圖像。初始樣品中除圖像背景外，熒光信號(hào)不顯著(如圖 6(a)所示)。由圖 6(b) - (e)可以看出，在疲勞裂紋附近出現(xiàn)熒光，熒光擴(kuò)展伴隨著疲勞裂紋擴(kuò)展，應(yīng)力循環(huán)次數(shù)分別為7300、8500、10200、12500。利用熒光信號(hào)可以實(shí)時(shí)監(jiān)測(cè)疲勞裂紋的萌生、擴(kuò)展路徑和長(zhǎng)度。

5.基于機(jī)器學(xué)習(xí)的疲勞裂紋擴(kuò)展預(yù)測(cè)實(shí)驗(yàn)結(jié)果

5.1. 實(shí)驗(yàn)條件

使用Python 3.7和OpenCV編程進(jìn)行預(yù)處理、特征提取和機(jī)器學(xué)習(xí)設(shè)計(jì)。標(biāo)準(zhǔn)平臺(tái)是Anaconda。硬件環(huán)境是一個(gè)CPU (core i7 8th Gen，內(nèi)存:32gb)。測(cè)試映像大小為577?314，目標(biāo)映像的高度為6 mm。塊大小為32?32，步幅(偏移大小)為8像素。因此，裁剪后的目標(biāo)約為0.6毫米。

對(duì)于訓(xùn)練數(shù)據(jù)集的創(chuàng)建，我們將一張圖像分為裂紋部分和非裂紋部分。然后我們將裂縫裁剪成幾個(gè)32?32大小的塊，并使用左、右、上和下移動(dòng)進(jìn)行數(shù)據(jù)集增強(qiáng)，以克服裂縫圖像的數(shù)量限制。最后，創(chuàng)建41張裂紋和63張非裂紋大小為32?32的圖像作為訓(xùn)練數(shù)據(jù)集。

5.2. 實(shí)驗(yàn)結(jié)果

我們應(yīng)用了7個(gè)模型進(jìn)行裂縫分類，測(cè)量了這些模型的精度，并將它們與以前的人工裂縫收集進(jìn)行了比較。我們發(fā)現(xiàn)決策樹(shù)模型是本研究中的模型，因?yàn)樯窠?jīng)網(wǎng)絡(luò)和樸素貝葉斯方法經(jīng)常發(fā)生過(guò)擬合。此外，其他模型經(jīng)常失去裂縫。因此，我們?cè)诒狙芯恐信鋫淞藳Q策樹(shù)模型。

圖6 R-a)、R-b)、R-c)、R-d)、R-e)為(a)初始狀態(tài)下的裂紋檢測(cè)結(jié)果;(b) 7300個(gè)周期;(c) 8500次;(d) 10,200個(gè)周期;(e) 12,500個(gè)周期。如圖6 R-a)所示，由于(a)的目標(biāo)圖像為初始狀態(tài)，因此未檢測(cè)到裂紋。在圖 6R-b中，圖像的中心有兩個(gè)正方形，在正方形中也標(biāo)記了幾個(gè)橢圓和圓。這意味著在圖像的中心有一個(gè)裂縫。然后在這些標(biāo)記下可以觀察到一個(gè)橢圓，這意味著裂縫現(xiàn)在正在向下擴(kuò)展。如圖6 (R-c)所示，在圖6 (r)所示的最后一個(gè)橢圓上增加了兩個(gè)周期。結(jié)果表明，最后的擴(kuò)展路徑預(yù)測(cè)是正確的，裂紋繼續(xù)向下擴(kuò)展。最后一個(gè)橢圓為左橢圓，表示裂紋擴(kuò)展方向?yàn)樽笙蛳?。如圖6 (R-d)所示，在最后一個(gè)橢圓和周期中增加一個(gè)正方形。這也證明了最后的擴(kuò)展預(yù)測(cè)是正確的，裂紋繼續(xù)向下擴(kuò)展。在圖 6(R-e)中檢測(cè)到的裂紋區(qū)域左側(cè)加四個(gè)周期?？梢缘玫筋愃频脑鲩L(zhǎng)趨勢(shì)。

裂紋擴(kuò)展方向和裂紋長(zhǎng)度隨循環(huán)的變化如圖 7所示。發(fā)現(xiàn)裂紋擴(kuò)展方向預(yù)測(cè)正確，在10200 ~ 12500次循環(huán)之間，由于裂紋長(zhǎng)度增加，裂紋擴(kuò)展速度最快(圖中標(biāo)注了大部分裂紋痕跡)。這也證明了我們的建議的有效性，即更長(zhǎng)的周期帶來(lái)更長(zhǎng)的裂紋增長(zhǎng)。

6.討論

提出了一種基于機(jī)器學(xué)習(xí)的疲勞裂紋擴(kuò)展檢測(cè)方法，該方法將計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)相結(jié)合。實(shí)驗(yàn)結(jié)果表明，該方法能準(zhǔn)確監(jiān)測(cè)疲勞裂紋的擴(kuò)展情況，包括裂紋長(zhǎng)度和裂紋路徑。且長(zhǎng)度精度水平為一塊尺寸為0.6 mm，可用于實(shí)際應(yīng)用。由于時(shí)間較短，本研究使用了兩種分類機(jī)器學(xué)習(xí)模型(決策樹(shù))，計(jì)算時(shí)間幾乎是實(shí)時(shí)的。

但是，由于弱裂紋數(shù)據(jù)集和光線變化的影響，實(shí)驗(yàn)結(jié)果中出現(xiàn)了一些檢測(cè)誤差，如圖中圖像左側(cè)的檢測(cè)誤差(Rb)。有時(shí)，錯(cuò)誤檢測(cè)發(fā)生在圖像的探測(cè)中。由于光線變化很小，因此光校正并不是克服這一問(wèn)題的有效方法。幸運(yùn)的是，這種誤差不會(huì)在集中時(shí)發(fā)生，因此我們可以消除這些分散的標(biāo)記，以克服光影響的問(wèn)題

此外，盡管根據(jù)相關(guān)工作，深度學(xué)習(xí)可能是一種很好的裂紋檢測(cè)方法，但應(yīng)用幾種裂紋檢測(cè)模型并沒(méi)有達(dá)到比機(jī)器學(xué)習(xí)方法更好的精度。原因與訓(xùn)練數(shù)據(jù)集的弱點(diǎn)有關(guān)。

結(jié)論

提出了一種結(jié)合計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)的基于機(jī)器學(xué)習(xí)的疲勞裂紋擴(kuò)展檢測(cè)方法。利用計(jì)算機(jī)視覺(jué)進(jìn)行數(shù)據(jù)生成，利用機(jī)器學(xué)習(xí)模型進(jìn)行裂紋檢測(cè)，然后利用計(jì)算機(jī)視覺(jué)分析疲勞裂紋擴(kuò)展路徑和長(zhǎng)度。實(shí)驗(yàn)結(jié)果證明了該方法對(duì)疲勞裂紋擴(kuò)展路徑預(yù)測(cè)的有效性，獲得的裂紋長(zhǎng)度測(cè)量精度為0.6 mm。此外，輕微的機(jī)器學(xué)習(xí)模型(決策樹(shù))幫助我們實(shí)現(xiàn)實(shí)時(shí)的裂紋檢測(cè)。但是，由于裂紋數(shù)據(jù)本身的缺陷和受的影響較小，在今后的工作中存在一定的誤差，需要加以糾正。

算法1.數(shù)據(jù)集創(chuàng)建