利用神经网络实现界面缺陷的智能辨识

数字散斑干涉无损检测技术利用变形的差异性来判断材料内的缺陷,但是要通过条纹的相位信息来定量分析,就需由专业技术人员来完成.神经网络系统问世以来,人们一直试图把这一智能方法引入无损检测领域,使一些专业要求比较高的技术走向非专业化,拓宽各种检测技术的应用领域.

　　近年来,有关人工神经网络的研究取得了飞速发展,目前已有几十种不同类型的人工神经网络模型,在不同应用领域中都有各自不同的模型来解决某些特定的问题,并取得了一些初步成果.例如,Dhawant等[1]把神经网络用于图像增强,Mills等[2,3]把它用在条纹分析上.中国科学院宋向阳等人[4]用人工神经网络进行激光等离子体诊断,发现与传统结果完全吻合.Almeida等[5]利用声发射技术实现了铆接件疲劳裂纹扩展的神经网络检测,误差率仅为2%,等等.

　　作者对大量的数字散斑干涉条纹进行了分析与处理,找出了能代表条纹信息的移位不变与旋转不变特征值,率先把神经网络系统用在数字散斑无损检测中,完成了神经网络系统对粘接界面缺陷的自动识别,满足了缺陷判断智能化、质量检测自动化的需要.

1　单步前馈三层神经网络设计与训练

1.1　神经网络结构设计

人工神经网络是由大量类似于神经元的简单处理单元广泛联接构成的一个复杂的、非线性的动态巨系统,它从微观上对人脑的智能行为进行描述.网络的智能存在于其结构及训练之中.根据对缺陷识别的需要,本着神经网络的设计原则,本文构造出一种单步前馈式三层网络系统,如图1所示.

单步前馈式三层网络系统主要由前馈双层网络与感知分类网络组成.前馈双层网络根据输入层信息(64个单元)进行综合分析与处理,使所需要的有用信息(32个隐单元输出)更明了直观,而感知分类网络只起到划分信息类别的作用.这样两种网络各发挥其优点,就会使所设计的单步前馈式三层网络系统具有最佳的性能.

1.2　训　练

　　人工神经网络是对生物神经系统的模拟.其信息处理功能是由网络的单元(神经元)的输入输出特性(激活特性)、网络的拓扑结构(神经元的连接方式)、连接权的大小(突触联系强度)和神经元的阈值(可视作特殊的连接权)决定的.研究表明:神经网络的拓扑结构(数学模型)一旦固定下来,其训练就归结为连接权系数的调整.网络训练是一个监督学习过程,其基本思想是利用单元希望输出与实际输出之间的偏差作为连接权调整的参考,最终减小这种偏差.用whkj表示输入层第j个神经元到隐含层第k个神经元之间的连接权重,用wolk表示隐含层第k个神经元到输出层第l个神经元之间的连接权重.