摘要：針對航空蜂窩板復合材料外部蒙皮破損導致內部產生泥沙、積水以及裂紋等影響飛行安全的問題，提出采用電容層析成像技術(ElectricalCapacitanceTomography，ECT)進行蜂窩板復合材料缺陷檢測。針對平面ECT成像精度低的問題，通過構建多尺度融合策略、殘差編碼解碼融合模塊，引入一種新的池化模塊(Softpool)等形成多尺度殘差編碼解碼路徑的深層神經網絡(MultiscaleResidualEncodingandDecodingpaths，MsRED)，使最終的結果完全融合解碼階段學到的特性，對使用共軛梯度成像算法的重建圖像進一步改善。結果表明，應用平面ECT技術可以實現蜂窩材料的缺陷檢測，通過MsRED網絡可以提升圖像重建效果，更清晰重建出蜂窩結構缺陷圖像。

　　關鍵詞：蜂窩復合材料，無損檢測，電容層析成像，多尺度融合，圖像重建算法

　　0引言

　　隨著現代復合材料和制造工藝技術的不斷發展，以碳纖維、芳綸纖維、玻璃纖維等高性能纖維制成的材料得到了越來越廣泛地運用[1]。蜂窩復合材料以其優異的性能得以迅速發展，因具有高抗壓性、低變形、耐腐蝕、優良的電絕緣性能，能夠減輕飛行器結構質量，提高飛行器隔熱性能，因而被廣泛應用于航空航天、國防工業等領域。蜂窩復合材料主要由三部分組成，蜂窩材料的上下表面蒙皮(一般為樹脂或碳纖維材質)，內部的蜂窩夾芯層(一般為芳綸紙粘合而成)，用來結合表面蒙皮和蜂窩芯的膠層。常見損傷包括脫粘、基體開裂、進水和沖擊損傷，常見的損傷檢測方法有紅外成像法、射線檢測、聲阻法等。

　　紅外成像法借助對熱紅外敏感的特點對物體進行成像，常用于蜂窩復合材料是否進水的檢測，但受周圍環境溫度影響很大;射線檢測的檢測結果雖然準確可靠，但設備龐大，費用高，且對人體有傷害[3];聲阻法檢測構建沖擊損傷操作簡單，但檢測效率和判傷類型不夠靈敏，具有一定局限性。常規無損檢測存在檢測盲區、檢查效率差、檢測成像效果差等缺點。因此，本文首次提出基于電容層析成像技術對航空蜂窩復合材料進行缺陷檢測。其檢測原理是通過測量獲得一組電容值，再根據計算得到的電容值求取介質的介電常數分布。當蜂窩復合材料內部有損傷缺陷時，電極板產生的電場線會發生扭曲，電容傳感器可以由此檢測到電學信號的變化，再通過電容層析成像算法重構圖像[4]。

　　1平面ECT系統檢測原理

　　平面陣列ECT傳感器各極片在電壓激勵下的電場線分布是均勻的，當電極片相對時電場線為平行線，當電極片在同一平面上時電場線呈―開口狀‖分布，電場分布因電極片的分布變化而改變，這種現象稱作電容的邊緣效應。平面陣列ECT即根據電容的邊緣效應進行基本的復合材料檢測。

　　1.1蜂窩復合材料建模過程

　　首先創建三維模型向導，運用模型開發器中的幾何工具和零件繪制一個三維蜂窩復合材料的模型，設置蜂窩夾層的介電常數為1.0695，蜂窩表面蒙皮樹脂材料介電常數為4.0。

　　1.2數據歸一化

　　在ECT系統中電容值信號比較微弱，且傳感器不同位置的電容值會相差很多個數量級，相距較近的電極對間電容值遠遠大于相距較遠的電極對，為解決ECT系統中電容值數量級相差過大的問題，在研究中將得到的電容數值和靈敏度矩陣[6]進行歸一化處理，以減少電容差別對于圖像準確性產生的干擾。

　　2圖像重建算法

　　首先通過傳統算法對仿真模型進行圖像重建結果及分析，為構建損傷分類模型選取合適的算法[7]。基于COMSOLMultiphysics5.3有限元仿真軟件構造不同的缺陷類型，在MATLAB編譯相關的圖像重建算法進行成像。根據損傷位置和損傷大小將缺陷類型定義為雙矩形、中心圓形、復雜類型三種，其中雙矩形缺陷尺寸為1.5cm×1.5cm，中心圓形缺陷半徑為1.5cm，復雜形損傷的矩形缺陷尺寸為1.5cm×1.5cm、中心圓形缺陷半徑為1.5cm。

　　3基于多尺度融合深層神經網絡

　　針對傳統平面電極電容層析成像技術可以為復合材料檢測技術提供依據，但有精度不高、對比度低等缺陷。為此提出一種基于多尺度殘差編碼解碼路徑的深層神經網絡MsREDMultiscaleResidualEncodingandecodingpaths，使用多分支卷積層MCLMultibranchConvolutionLayer來提取特征，使用多尺度殘差編碼融合模塊MsREFMMultiscaleResidualEncodingFusionModule來融合編碼特征，使用多尺度殘差解碼融合模塊MsRDFM(MultiscaleResidualDecodingFusionModule反映了多尺度殘差譯碼路徑，引入卷積注意力模塊ConvolutionalBlockAttentionMoule,CBAM來捕獲遠程多通道的依賴關系和有效利用空間特征表示，將一種新的池化模塊(Softpool)引入到復合材料缺陷檢測網絡中，該模塊能夠在降采樣時保留更多的信息，并獲得更豐富的特征，多尺度殘差編碼譯碼網絡(MsRED)總體框架。使最終的結果完全融合每一層在解碼階段學到的特性，實現融合解碼特征，實現ECT的圖像重建。

　　3.1多尺度融合策略

　　傳統卷積神經網絡在信息傳遞過程中總會存在信息丟失、信息損耗、梯度消失、梯度爆炸等問題，多尺度可以通過對信號的不同粒度進行采樣解決此類問題[9]。通常，為了完成不同的任務，可以在不同的尺度上觀察到不同的特征。目標尺寸的巨大變化是影響模型性能的主要因素，極小或極大的目標將顯著降低模型的性能，當接收場較小時，只能觀察到目標的局部特征。當接收野較大時，大量無用的信息會混入視野中。卷積神經網絡一層層地提取目標特征，隨著層次的加深，神經網絡的接受野逐漸增加[10]。

　　因此，多尺度模型體系結構在近年來備受關注。其結構可以分為多尺度輸入、多尺度特征融合、多尺度特征預測融合[11]，以及這三種結構的組合。目前有兩種常見的多尺度特征融合網絡。第一種是并聯多分支網絡，第二種是串行跳層連接結構。它們都提取了不同感受野的特征。多尺度特征融合首先根據不同尺度的特征對目標進行預測，然后將預測結果進行融合。

　　3.2多尺度殘差編碼融合模塊

　　MsREFM為了使網絡在編碼階段能夠完全學習數據的上下文特征[12]，設計了多尺度殘差編碼融合模塊MSREFM，與其他采用元素相加或連接的方式融合多尺度特征的方法不同[13]，本文提出的MsREFM能夠自適應地學習不同編碼級別的特征權值[14]。MsREFM包括兩個步驟：相同縮放和自適應融合。

　　4檢測結果與分析

　　4.1模型評價指標

　　為了評價網絡中各個模塊，進行不同模塊的消融實驗。基線：選擇CS2Net[19]為模型基礎上完成網絡結構的設計。模型一：使用多分支卷積層替換CS2Net中的編碼解碼模塊。模型二：在模型一的基礎上添加多尺度殘差編碼融合模塊。模型三：在模型一的基礎上添加多尺度殘差解碼融合模塊。模型四：在模型一的基礎上添加多尺度殘差編碼融合模塊和多尺度殘差解碼融合模塊。模型五：在模型四的基礎上添加Softpool。模型六：本文構建的MsRED網絡。為評價各模型效果，選用的性能指標分別為：準確率Accuracy(ACC、召回率Recall、精確率Precision。

　　材料工程論文范例：石墨烯納米復合材料的制備及其應用研究

　　5結束語

　　本文提出基于平面ECT的航空蜂窩復合材料缺陷檢測方法，構建了基于多尺度殘差編碼解碼路徑的深度神經網絡MsRED來進行ECT圖像重建。詳細介紹了基于平面ECT檢測蜂窩材料的工作原理和圖像重建的網絡結構。結果表明：MsRED網絡對于蜂窩復合材料缺陷的對真實分布的形狀保真度更好。設置不同模塊的消融實驗對比，通過ACC、Recall、Precision三種模型評價指標驗證了所添加模塊的有效性，并對基于MsRED的ECT圖像重建算法進行驗證，得到較高圖像相關系數和較低圖像相對誤差[20]，本網絡獲得的圖像誤差平均值為0.2667，圖像相關系數平均值為0.8053，表明了MsRED是一種有效的圖像重建算法。

　　參考文獻

　　[1]許有昌碳纖維復合材料艙體超聲波檢測工藝研究[D]南京理工大學,2006

　　[2]劉雷弱磁技術在蜂窩復合材料檢測中的應用研究[D]南昌航空大學,2019

　　[3]常俊杰李媛媛蜂窩結構復合材料的空氣耦合Lamb波檢測技術[J].復合材料科學與工程,2020(02):6268.

　　[4]馬敏鄧晨肖吳軻平面陣列電容傳感器優化[J].傳感器與微系統,2020,39(03):2529

　　[5]劉建英于海亭王伯波薛倩基于ECT/EST雙模成像系統的激勵測量模式[J].儀表技術與傳感器,2016(10):3236.

　　[6]張玉燕任萍王震宇孫東濤溫銀堂基于平面電容層析成像的復合材料無損檢測靈敏度矩陣[J].無損檢測,2018,40(11):4549

　　作者：馬敏馬小雯