《Engineering》:A Novel Surface Defect Detection Method for Carbon Fiber Composite Plates Based on Super-Resolution Reconstruction and U-Net Network
编辑推荐:
【编辑推荐】针对碳纤维复合材料(CFCPs)表面微细缺陷检测难题,本研究创新性地提出双阶段增强框架:首先通过任务自适应超分辨率(SR)重建增强弱缺陷信号,再结合深度残差多尺度融合U?Net网络实现精准分割。实验表明,该方法在少量样本条件下显著提升缺陷检测精度(MIoU达0.4923),为复合材料微尺度缺陷自动化检测提供新思路。
随着航空航天、国防工业等领域对高性能轻量化材料需求的日益增长,碳纤维复合材料(CFCPs)因其低密度、高比强度和耐腐蚀等优异性能,被广泛应用于卫星太阳能板、飞机发动机风扇叶片等关键部件。然而,由于材料工艺限制和复杂服役环境的影响,CFCPs表面易产生裂纹、孔隙等微细缺陷,这些缺陷会随时间积累并削弱结构完整性,因此早期精准检测尤为关键。
传统无损检测技术如超声检测(UT)、红外热成像(IIT)和涡流检测等在应对CFCPs复杂结构时存在局限:超声检测易受耦合剂和薄层材料噪声干扰;红外热成像对深层缺陷分辨率不足;而光学检测方法在复杂背景和弱信号条件下难以平衡效率与精度。数字射线成像(DR)虽能穿透多层碳纤维,但成像系统分辨率限制、光子噪声等因素导致图像对比度低,微缺陷信号难以辨识。
针对上述挑战,浙江大学流体动力与机电系统国家重点实验室团队在《Engineering》发表研究,提出了一种融合超分辨率重建与改进U?Net网络的双阶段缺陷检测框架。该研究通过增强弱缺陷信号和优化语义分割网络,实现了CFCPs表面微缺陷的高精度定位与识别,在少量样本条件下显著提升检测性能。
关键技术方法
研究采用基于生成对抗网络(GAN)的超分辨率重建技术,通过子像素卷积(Pixel Shuffle)对低分辨率DR图像进行4倍分辨率提升;随后构建改进U?Net分割网络,引入深度残差模块(ResNet)缓解梯度消失,结合多尺度特征融合机制增强对小缺陷的敏感性。实验使用85张256×256像素的CFCPs DR图像(60张训练,25张验证),通过LabelMe工具精细标注缺陷区域,并以峰值信噪比(PSNR)和结构相似性(SSIM)评估重建效果。
研究结果
4.1 超分辨率重建优化
通过对比2倍、4倍和8倍放大效果,发现4倍重建图像(1024×1024像素)在保持细节与计算效率间取得最佳平衡。重建后图像PSNR值超过25,SSIM高于0.65,有效增强缺陷边缘纹理(图10)。
4.2 网络性能对比
在256×256和1024×1024分辨率下,改进U?Net的像素精度(PA)分别达0.9685和0.9813,均优于U?Net、FCN等基线模型(表4)。引入残差模块后,训练损失在300轮迭代后降至0.0016,收敛速度提升20%。
4.3 微缺陷检测效果
如图11所示,改进方法成功识别出4处潜在缺陷区域(标记1–4),而传统U?Net仅检测到2处。在复杂纹理背景下,该方法对微裂纹的召回率提升约50%,且误检率显著降低。
结论与展望
该研究通过超分辨率重建与改进U?Net的协同框架,有效解决了CFCPs微缺陷在低对比度DR图像中的检测难题。残差连接与多尺度融合机制保障了模型在少量样本下的稳定性,为复合材料自动化质检提供了新思路。未来工作将聚焦于跨领域自适应算法开发,并引入空间标尺以实现缺陷尺寸的精确量化。