基于一维卷积神经网络的联动扫描热成像缺陷自动识别与深度回归

联动扫描热成像(joint scanning thermography,JST)可以用于检测大面积对象的缺陷,但原始热图像缺陷信息模糊且无法实现缺陷定量.针对联动扫描热成像重构后的图像序列,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的缺陷识别和定量方法,以图像序列中像素点对应的一维温度时间序列为网络输入,将缺陷深度作为输出,实现了碳纤维复合材料板中缺陷的自动检测和深度定量.实验结果显示,基于1D-CNN的检测方法准确实现了对缺陷自动检测,其对训练集数据的预测准确率最高可达98.8％,测试集准确率在70％左右,相比传统处理方法取得了更好的效果.