張 良，王高峰，楊鋒平，郭 翔，袁瑩濤，蘇 鑫

(1. 中國石油集團(tuán)石油管工程技術(shù)研究院，西安 710077；2. 西北工業(yè)大學(xué)航空學(xué)院，西安 710072)

結(jié)構(gòu)健康監(jiān)測(cè)一直是航天、民用和機(jī)械基礎(chǔ)設(shè)施維護(hù)與安全領(lǐng)域的前沿研究課題。損傷過程檢測(cè)是結(jié)構(gòu)健康監(jiān)測(cè)的基礎(chǔ)。近年來，一些新技術(shù)的發(fā)展使損傷自動(dòng)檢測(cè)成為可能[1]。傳統(tǒng)的檢測(cè)方法是電測(cè)法[2]。然而電測(cè)法是滯后的，而且并不直觀[3]。隨著非接觸式檢測(cè)方法的發(fā)展，在過去的20 年里出現(xiàn)了多種檢測(cè)方法[4-5]。聲發(fā)射(AE)技術(shù)是一種廣泛應(yīng)用于材料結(jié)構(gòu)健康監(jiān)測(cè)的診斷技術(shù)[5-6]。由于操作的復(fù)雜性，聲發(fā)射方法的時(shí)間成本導(dǎo)致其無法用于裂紋的自動(dòng)檢測(cè)，因此，提出一種簡便的裂紋檢測(cè)方法在結(jié)構(gòu)健康監(jiān)測(cè)和斷裂力學(xué)[7]研究等領(lǐng)域具有重要意義。

對(duì)視覺圖像進(jìn)行特征提取和分類識(shí)別是卷積神經(jīng)網(wǎng)絡(luò)(CNN)的主要任務(wù)[8]。CNN 在目標(biāo)識(shí)別的應(yīng)用已經(jīng)取得了很好的效果，如字符[9]、特征編號(hào)[10]、無紋理目標(biāo)[11]、交通標(biāo)志[12-13]等等[14-17]。雖然已經(jīng)有了一些關(guān)于裂紋檢測(cè)的研究[18-21]，但仍存在許多問題困擾著裂紋擴(kuò)展測(cè)量的應(yīng)用。其中金屬表面劃痕和紋理圖案的存在是裂紋檢測(cè)的主要挑戰(zhàn)。由于這些噪聲的干擾，傳統(tǒng)的圖像處理算法不能有效地檢測(cè)到裂紋特征[18]。

研究工作[22]指出，當(dāng)使用邊緣檢測(cè)算法檢測(cè)全尺寸圖像中的裂紋時(shí)，裂紋的位置很難精準(zhǔn)判斷。目前已有多種基于視覺的裂紋檢測(cè)方法在土木工程和建筑領(lǐng)域得到了發(fā)展，但解決金屬表面裂紋擴(kuò)展檢測(cè)的技術(shù)仍然很少，特別是有加工痕跡的金屬表面。文章[22-24]對(duì)基于視覺的金屬表面檢測(cè)系統(tǒng)進(jìn)行了綜述。雖然這些算法在實(shí)際應(yīng)用中可以達(dá)到90%以上的準(zhǔn)確性，但裂紋尖端的位置的檢測(cè)仍然是一大挑戰(zhàn)?；谶@些問題，目前已有方法用于裂紋擴(kuò)展的自動(dòng)化測(cè)量仍然困難。

本文提出了一種測(cè)量結(jié)構(gòu)變形過程中裂紋擴(kuò)展長度的方法。搭建了一種卷積神經(jīng)網(wǎng)絡(luò)來消除結(jié)構(gòu)表面的噪聲干擾并識(shí)別裂紋特征，獲得裂紋帶的初始區(qū)域。然后，提出了一種改進(jìn)的裂紋尖端識(shí)別算法，獲得裂紋尖端的精確位置坐標(biāo)，得到裂紋長度信息。通過增加攝像機(jī)的數(shù)量，可以同時(shí)檢測(cè)到不同方向和位置的裂紋，并配合多相機(jī)同步標(biāo)定方法[25]，可實(shí)現(xiàn)多區(qū)域測(cè)量坐標(biāo)系的統(tǒng)一。利用該方法可以得到裂紋擴(kuò)展長度與加載信息之間的關(guān)系。最后與DIC 全場應(yīng)變結(jié)果中的應(yīng)變梯度區(qū)域擴(kuò)展結(jié)果進(jìn)行了比較，驗(yàn)證了該方法的有效性和準(zhǔn)確性。

1 裂紋擴(kuò)展檢測(cè)方法

本文提出的裂紋擴(kuò)展檢測(cè)方法如圖1 所示，首先，在加載過程中安裝幾個(gè)攝像機(jī)來獲取試件表面的圖像，同時(shí)記錄獲取圖像時(shí)的載荷信息，如疲勞周期。其次，利用卷積神經(jīng)網(wǎng)絡(luò)獲得該圖像裂紋帶的初始位置。本文搭建的卷積神經(jīng)網(wǎng)絡(luò)將在1.1 節(jié)中介紹。然后，通過裂紋擴(kuò)展長度計(jì)算算法，對(duì)初始區(qū)域進(jìn)行處理，獲得裂紋尖端的精確位置坐標(biāo)。裂紋擴(kuò)展長度的計(jì)算算法將在1.2 節(jié)中介紹。

1.1 裂紋初始區(qū)域定位

本節(jié)開發(fā)了基于視覺的裂紋檢測(cè)系統(tǒng)，利用深度學(xué)習(xí)模型檢測(cè)圖像區(qū)域裂紋帶的初始位置。

1.1.1 初始區(qū)域定位方法

本文建立了裂紋圖像數(shù)據(jù)集。它包含了超過12 000 張有/沒有裂縫的圖片。首先，對(duì)6300 個(gè)裂紋圖像子集進(jìn)行了人工提取和標(biāo)注；然后，對(duì)圖像子集進(jìn)行翻轉(zhuǎn)和旋轉(zhuǎn)，得到不同的裂紋方向來增加數(shù)據(jù)集的多樣性。在每張圖像原始灰度值的基礎(chǔ)上，利用范圍為0.8～1.2，均值為1.0，標(biāo)準(zhǔn)差為0.1 截?cái)嗪蟮母咚闺S機(jī)變量，與原始灰度值相乘進(jìn)行亮度干擾模擬。從背景區(qū)域劃分無裂紋圖像子集。超過60%的非裂紋圖像子集包含劃痕或紋理圖案；其他的非裂紋圖像子集則從背景區(qū)域隨機(jī)劃分。最終的數(shù)據(jù)集包括172 000 個(gè)裂紋圖像子集和17 000 個(gè)無裂紋圖像子集。圖2 展示了圖像子集的示例。

圖3 是本文中所提出的CNN 架構(gòu)。每層下面的數(shù)字表示輸出數(shù)據(jù)的尺寸大小。輸入層有三種類型：原始圖像、增強(qiáng)圖像和濾波后的圖像(經(jīng)過小波變換濾波)。輸入層的分辨率是256 像素×256 像素。通過搭建的CNN 后，尺寸大小在第5 層減小到1×1×96。各層網(wǎng)絡(luò)中CN 表示卷積層，BN 表示批處理標(biāo)準(zhǔn)化層，RLU 表示整流線性激活層，PL 表示池化層，F(xiàn)C 表示全連接層，DL 表示Dropout 層。最后，分類器給出兩個(gè)分?jǐn)?shù)，預(yù)測(cè)輸入的數(shù)據(jù)是裂紋圖像還是非裂紋圖像。本文所提的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)遵循文獻(xiàn)[24, 26 - 27]中的模型，并做了一些修改。

卷積層在整個(gè)輸入數(shù)據(jù)中執(zhí)行三種操作，如圖4 所示。首先，卷積核的初始權(quán)值是隨機(jī)產(chǎn)生的[22]。卷積操作通過卷積核對(duì)輸入數(shù)據(jù)子區(qū)域執(zhí)行逐元素乘法并相加。KRIZHEVSKY 等[17]提出了一個(gè)最著名的偏置初始化理論。其次，將每個(gè)相乘的值和偏置相加，計(jì)算卷積運(yùn)算的輸出結(jié)果。通過卷積運(yùn)算，計(jì)算量隨數(shù)據(jù)尺寸的減小而減小。在該層中，需要設(shè)置步長的參數(shù)。步長定義了輸入數(shù)據(jù)的提取速率。為了降低計(jì)算成本，通常會(huì)安排一個(gè)大的步長，以獲得更小的輸出尺寸，但輸入數(shù)據(jù)的特征會(huì)丟失更多，本文卷積層步長為1，池化層步長為2，從而保證輸出尺寸與輸入數(shù)據(jù)特征的平衡。

在CNN 中也使用了池化層[26]來減小輸入圖片數(shù)據(jù)的尺寸大小。有兩種不同的池化操作，最大池化和平均池化。最大池化從輸入圖片的子區(qū)域中獲取最大值。圖5 解釋了池化操作的過程，步長為1。研究發(fā)現(xiàn)[28]，圖像數(shù)據(jù)集最大池化性能優(yōu)于平均池化。因此，本文使用的所有池化層都是最大池層。

最近，整流線性單元(ReLU)作為非線性激活函數(shù)[17]被提出。與其他以輸出值固定的非線性函數(shù)(如正的、負(fù)的1 和0)相比，ReLU 除了負(fù)的輸入值外沒有固定的輸出值。這些特性提供了更快的計(jì)算速度和更高的精度。為了提高方法的分類性能和訓(xùn)練穩(wěn)定性，推薦使用有界的ReLU 函數(shù)變量[29]：

式中：A為函數(shù)能產(chǎn)生的最大輸出值；λ 是0～1 范圍內(nèi)的預(yù)定義參數(shù)，通常λ=0.01[30]。

Dropout 層[31]以固定的概率隨機(jī)斷開連接層神經(jīng)元之間的連接。因此，其可以降低網(wǎng)絡(luò)訓(xùn)練復(fù)雜度，更有效地產(chǎn)生訓(xùn)練數(shù)據(jù)集，同時(shí)提供滿意的驗(yàn)證精度。為了減少網(wǎng)絡(luò)訓(xùn)練時(shí)間，本文使用訓(xùn)練數(shù)據(jù)集的平均值[32]進(jìn)行驗(yàn)證。采用批處理歸一化方法提高了算法的學(xué)習(xí)速度和網(wǎng)絡(luò)收斂速度[33]。

Softmax 層是最后一層，用來預(yù)測(cè)數(shù)據(jù)是否是裂紋。Softmax 函數(shù)[34]如式(3)所示，q(Zj)表示為n(訓(xùn)練數(shù))中第j個(gè)訓(xùn)練數(shù)的概率表達(dá)式，其中Zj表示第j個(gè)輸出神經(jīng)元的對(duì)數(shù)。因?yàn)樵摵瘮?shù)總是使分布?xì)w一化[22]，第j個(gè)輸入的和恒等于1。每個(gè)輸入類的概率可以表示為：

1.1.2 裂紋初始區(qū)域定位方法驗(yàn)證

裂紋識(shí)別誤差定義為不正確預(yù)測(cè)的比例，以評(píng)估訓(xùn)練后的網(wǎng)絡(luò)未檢測(cè)目標(biāo)的準(zhǔn)確性。如圖6所示，通過計(jì)算裂紋面積，對(duì)本文提出的CNN 方法進(jìn)行誤差判斷。從結(jié)果中可以看出，即使在存在散斑圖案周圍的裂紋也可以被識(shí)別出來。

圖7 顯示了訓(xùn)練和驗(yàn)證結(jié)果的準(zhǔn)確性。裂紋圖像數(shù)量與無裂紋圖像數(shù)量之比為1∶1，訓(xùn)練與驗(yàn)證圖像數(shù)量之比為3∶1。驗(yàn)證精度的訓(xùn)練集圖像的個(gè)數(shù)為48 000，驗(yàn)證集圖像的個(gè)數(shù)為16 000。訓(xùn)練和驗(yàn)證的最高正確率分別為第39 個(gè)訓(xùn)練批次的97.23%和第42 個(gè)訓(xùn)練批次的96.75%。從結(jié)果中可以看出，本文提出的CNN 方法在裂紋區(qū)域檢測(cè)的驗(yàn)證中在訓(xùn)練周期達(dá)到30 及以上時(shí)，準(zhǔn)確地達(dá)到95%以上的準(zhǔn)確率。

1.2 裂紋擴(kuò)展長度計(jì)算

利用CNN 方法可以得到裂紋的初始位置。裂紋長度的檢測(cè)在以往的研究中仍然是未解決問題[18,22]。根據(jù)CNN 檢測(cè)結(jié)果，可以標(biāo)記裂縫的位置，如圖6 所示。根據(jù)裂紋周圍的梯度可以計(jì)算出裂紋尖端的位置。在數(shù)字圖像中，裂紋的邊緣被定義為強(qiáng)烈的灰度梯度。本文根據(jù)CNN 提出的裂紋位置，利用改進(jìn)的Canny 邊緣檢測(cè)算法檢測(cè)并定位邊界。

Canny 邊緣檢測(cè)器是一個(gè)卷積濾波器。該算法利用卷積運(yùn)算對(duì)帶有高斯掩膜的圖像進(jìn)行平滑處理，以消除噪聲。高斯掩模的表達(dá)式為：

由于裂紋擴(kuò)展路徑的方向可以通過預(yù)裂紋的位置和測(cè)量區(qū)域來判斷，因此只需要在小范圍內(nèi)檢測(cè)裂紋尖端。如圖8 所示，本文使用提出的Canny 檢測(cè)器來識(shí)別裂縫的尖端區(qū)域，與Sobel 邊緣檢測(cè)器相比，Canny 檢測(cè)器的有效性和功能都有所提高。對(duì)比結(jié)果如圖9 所示。裂紋尖端點(diǎn)是沿裂紋擴(kuò)展路徑方向最遠(yuǎn)的點(diǎn)。因此，將最遠(yuǎn)點(diǎn)像素位置視為裂紋的尖端。當(dāng)CNN 的結(jié)果沒有檢測(cè)到整個(gè)裂紋區(qū)域時(shí)，尖端區(qū)域應(yīng)沿裂紋擴(kuò)展方向移動(dòng)。重復(fù)尖端檢測(cè)過程，直到結(jié)構(gòu)破壞。

根據(jù)實(shí)驗(yàn)開始時(shí)和實(shí)驗(yàn)過程中裂紋尖端的位置，利用攝影測(cè)量標(biāo)定方法進(jìn)行多相機(jī)三維標(biāo)定[44]，對(duì)多相機(jī)的裂紋尖端進(jìn)行三維重建，獲得裂紋尖端的三維坐標(biāo)，并進(jìn)行裂紋長度解算。

2 實(shí)驗(yàn)步驟及結(jié)果

通過帶中心孔試樣的疲勞試驗(yàn)驗(yàn)證了該方法的有效性。將該方法用于X80 管線鋼全尺寸彎曲試驗(yàn)試驗(yàn)的裂紋測(cè)量，并與DIC 方法得到結(jié)果進(jìn)行了比較。

2.1 帶中心孔的試樣實(shí)驗(yàn)

帶有中心孔的試樣如圖10 所示。試樣材料為鋁合金。試樣的寬度為60 mm。中心孔橫向長度為5 mm。預(yù)裂的裂紋長度為中心孔每邊4 mm。

兩個(gè)相機(jī)垂直地安裝在試樣的前面。采用的相機(jī)分辨率為4240 像素×2824 像素，鏡頭焦距為75 mm，對(duì)裂紋尖端位置進(jìn)行追蹤，如圖11 所示。經(jīng)過標(biāo)定，每個(gè)像素的實(shí)際空間距離為0.009 mm。實(shí)驗(yàn)開始時(shí)，對(duì)試件施加2 Hz 的載荷。相機(jī)的捕捉頻率設(shè)置為2 Hz，并在每個(gè)疲勞周期的最大壓力時(shí)刻觸發(fā)每張圖像。如圖12 所示，裂紋長度隨著疲勞循環(huán)次數(shù)的增加而擴(kuò)展。每隔2500 個(gè)周期，用光學(xué)顯微鏡測(cè)量裂紋長度，并與本文方法的測(cè)量結(jié)果進(jìn)行比較。測(cè)量誤差小于0.012 mm，標(biāo)準(zhǔn)偏差為0.0075 mm。結(jié)果表明，本文提出的方法是有效和穩(wěn)定的。該方法可用于長時(shí)間的裂紋擴(kuò)展觀測(cè)并且記錄了傳播過程的圖像。根據(jù)記錄的圖像和裂紋擴(kuò)展結(jié)果，可以分析試樣的斷裂力學(xué)特性。裂紋擴(kuò)展結(jié)果易于與數(shù)值模擬分析結(jié)果進(jìn)行比較。同時(shí)，也為其他斷裂力學(xué)的研究和應(yīng)用提供了方便。

2.2 X80 管線鋼全尺寸彎曲試驗(yàn)

實(shí)驗(yàn)使用φ1.2 m 的全尺寸X80 管線鋼，圓管中部使用環(huán)焊接進(jìn)行連接，中部預(yù)制缺陷后，通過注水加壓，使內(nèi)壓達(dá)到10 MPa，采用四點(diǎn)彎曲試驗(yàn)，將缺陷位置放置在變形最大區(qū)域，進(jìn)行推力變形，直至連接破壞。試驗(yàn)現(xiàn)場如圖13 所示。布設(shè)兩個(gè)相機(jī)拍攝環(huán)焊接預(yù)制缺陷位置，使用三維標(biāo)定方法[25,44]進(jìn)行相機(jī)內(nèi)外參數(shù)的標(biāo)定，使用本文所提出方法進(jìn)行裂紋長度追蹤并與三維全場應(yīng)變測(cè)量結(jié)果進(jìn)行比較。其中裂紋長度追蹤方法為分別對(duì)兩個(gè)相機(jī)采集圖像中的裂紋尖端位置進(jìn)行解算，使用雙相機(jī)的三維標(biāo)定方法所獲得內(nèi)外參數(shù)對(duì)裂紋尖端進(jìn)行三維重建，獲得三維的裂紋長度信息。三維全場應(yīng)變測(cè)量是使用數(shù)字圖像相關(guān)測(cè)量方法[44-46]進(jìn)行全場變形測(cè)量，利用數(shù)圖像相關(guān)算法測(cè)量計(jì)算區(qū)域表面應(yīng)變，進(jìn)而計(jì)算應(yīng)變場梯度分布，根據(jù)裂紋起裂時(shí)刻(起裂狀態(tài)基于裂紋長度追蹤方法裂紋長度開始改變)獲得裂紋尖端應(yīng)變場梯度值，從而定義裂紋區(qū)域應(yīng)變閾值。隨時(shí)間變化計(jì)算應(yīng)變梯度分布區(qū)域，并將裂紋長度解算并與裂紋長度追蹤方法的結(jié)果進(jìn)行對(duì)比。

根據(jù)圖14 全場變形結(jié)果中的裂紋區(qū)域應(yīng)變和裂紋尖端應(yīng)變集中區(qū)域的擴(kuò)展速度與本文所識(shí)別的裂紋擴(kuò)展長度進(jìn)行比較，結(jié)果如圖15 所示。

使用本文所提出方法與數(shù)字散斑全場變形測(cè)量中的高應(yīng)變集中區(qū)域長度進(jìn)行對(duì)比可見，裂紋開始擴(kuò)展時(shí)，兩方法計(jì)算的裂紋擴(kuò)展長度基本相當(dāng)。從管材受彎曲變形開始，隨著裂紋擴(kuò)展，裂紋周圍的應(yīng)變場范圍及數(shù)值逐漸增大。受到管材表面應(yīng)變分布的影響，利用應(yīng)變梯度閾值所獲得的裂紋范圍增大。由于應(yīng)變梯度法的測(cè)量精度與數(shù)字圖像相關(guān)面片步長尺寸相關(guān)，使用應(yīng)變梯度法進(jìn)行了裂紋長度的解算結(jié)果精度較差。結(jié)果表明兩者計(jì)算所得的裂紋擴(kuò)展變化趨勢(shì)相當(dāng)，具有相近的趨勢(shì)，使用本文方法準(zhǔn)確地測(cè)量了含缺陷管材在加載過程中實(shí)際的裂紋擴(kuò)展過程。隨著裂紋擴(kuò)展，裂紋周邊應(yīng)變場發(fā)生集中，裂紋周邊區(qū)域軸向應(yīng)變遠(yuǎn)遠(yuǎn)大于遠(yuǎn)離裂紋區(qū)域，證明裂紋周邊變形較大。

3 結(jié)論

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的非接觸式裂紋長度測(cè)量方法，并提出了一種裂紋長度計(jì)算算法。首先采用優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)裂紋的初始區(qū)域，然后采用改進(jìn)的Canny 邊緣檢測(cè)算法計(jì)算裂紋擴(kuò)展長度，最后通過對(duì)中心孔試件疲勞試驗(yàn)和X80管線鋼全尺寸彎曲試驗(yàn)進(jìn)行了試驗(yàn)驗(yàn)證。

(1)中心孔試件疲勞試驗(yàn)結(jié)果表明本文所提方法裂紋擴(kuò)展長度測(cè)量精度可為0.012 mm。

(2)在管線鋼全尺寸彎曲實(shí)驗(yàn)中，本文所提方法裂紋擴(kuò)展長度檢測(cè)結(jié)果與數(shù)字散斑方法得到的結(jié)果吻合良好。

實(shí)驗(yàn)結(jié)果表明：本文提出的方法測(cè)量效率高，測(cè)量精度高。相比現(xiàn)有的三維數(shù)字散斑相關(guān)等方法，本方法可不對(duì)表面進(jìn)行處理進(jìn)行直接測(cè)量，操作更加簡單方便，可以用以檢測(cè)裂紋在結(jié)構(gòu)中的擴(kuò)展。本文所提出的方法對(duì)于裂紋的識(shí)別和裂紋擴(kuò)展的模擬研究具有重要意義，并將為斷裂力學(xué)的研究提供重要的實(shí)驗(yàn)手段。