具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

实施例1提供了一种增材制造构件的无损检测方法，参见图1，包括以下步骤；

通过红外检测模块对增材制造构件的红外图像进行采集，得到背景信息；

采用激光器作为超声的激励源，对增材制造构件的表面进行热激励，通过所述红外检测模块对增材制造构件的红外图像进行采集，得到表面温度信息；

将所述表面温度信息减去所述背景信息，得到处理后的图像信息；

对所述处理后的图像信息进行温度梯度操作，根据得到的增材制造构件的表面温度梯度分布信息确定缺陷的位置；

从所述处理后的图像信息中的每一帧图像中提取缺陷的位置对应的特征温度，构成特征温度-时间信息；

基于所述特征温度-时间信息构建数据集，将所述数据集划分为训练集和测试集；

构建LSTM神经网络，利用所述训练集和所述测试集分别对所述LSTM神经网络进行训练和测试，得到训练好的神经网络模型；

利用训练好的神经网络模型对增材制造构件的缺陷的尺寸进行预测。

其中，所述LSTM神经网络用于得到缺陷温度信息与缺陷尺寸信息之间的映射关系。参见图2，所述LSTM神经网络包括输入层、LSTM网络层、第一全连接层(即图2中的全连接层1)、舍弃层、第二全连接层(即图2中的全连接层2)和回归层。所述输入层用于输入所述特征温度-时间信息；所述LSTM网络层用于处理具有长时间的所述特征温度-时间信息，以避免长时依赖；所述第一全连接层用于连接层与层之间的神经元，捕捉缺陷信息；所述舍弃层用于随机筛选去掉部分神经元，以防止所述训练集的过度拟合；所述第二全连接层用于对筛选后留下的神经元进行连接，以更好地捕捉缺陷信息；所述回归层用于基于缺陷信息对缺陷的尺寸进行预测。

此外，构建所述数据集时，可通过调节激光器的参数来扩展样本数量；所述激光器的参数包括功率、波长和脉冲宽度。

实施例1中的所述缺陷包括裂纹和孔洞。

实施例2：

实施例2提供了一种增材制造构件的无损检测系统，包括：激光超声激励模块、红外检测模块和控制处理模块；所述激光超声激励模块用于对增材制造构件的表面进行热激励；所述红外检测模块用于对增材制造构件的红外图像进行采集；所述控制处理模块用于实现如实施例1所述的增材制造构件的无损检测方法中的图像处理和缺陷的尺寸预测的步骤。

参见图3，所述激光超声激励模块包括脉冲激光器1、激光光路单元3和激光头8；所述脉冲激光器1通过所述激光光路单元3与所述激光头8连接。所述红外检测模块包括红外热像仪2、热信号传输线缆4和红外照相机7；所述红外热像仪2通过所述热信号传输线缆4与所述红外照相机7连接。所述控制处理模块包括计算机5；所述计算机5分别与所述红外热像仪2、所述脉冲激光器1连接。

具体的，所述控制处理模块还可包括：采集头运动控制机构6；所述计算机5与所述采集头运动控制机构6连接，所述采集头运动控制机构6通过机械臂操控所述红外照相机7和所述激光头8移动。

此外，增材制造构件的无损检测系统还包括载物台10；增材制造构件9放置在所述载物台10上，所述增材制造构件9置于所述激光头8的下方

其中，所述脉冲激光器1发出的光源包括线光源和点光源，并通过透镜实现激光光源的聚焦。

下面对本发明做进一步的说明。

本发明提供一种增材制造构件的无损检测方法及系统，用于实现增材制造构件的无接触高精度裂纹检测方案主要包括以下三个方面。

第一方面，对于热激励源超声波，采用激光器作为超声的激励源。材料吸收照射到表面的脉冲激光的部分能量，并转化为热能，使周围区域温度升高产生热膨胀，激发出超声波。超声波使裂纹缺陷处振动产生热量，实现非接触式检测。固体脉冲激光器是超声波的激励装置。脉冲激光器所激发出的光源分为激光线光源和激光点光源，并且通过不同的透镜，实现激光光源的聚焦。不同的激光源入射在构件的表面会激发出不同传播特性的超声波。

第二方面，采用红外检测模块对增材制造构件的表面温度进行检测，并通过计算机得到消除环镜影响的图像信息。令红外热像仪先工作(此时激光器不工作)，红外热像仪获得检测构件的红外图像，该图像蕴含代表试件表面温度的信息，能够将环境影响的温度分布记录下来，作为背景信息；激光器工作后，再次通过红外照相机的镜头接收构件表面辐射的红外线，采集构件表面的热量信息，并将信息输送到红外热像仪，进一步绘制出构件表面的温度分布热图像，记为表面温度信息。将背景信息和表面温度信息输送至计算机，将表面温度信息减去背景信息，得到处理后的图像信息，来消除环镜对于检测效果的影响。

第三方面，基于LSTM神经网络实现对缺陷的预测或识别。下面以缺陷具体为裂纹进行说明。为能够检测出微米级别的裂纹缺陷，需要对热图像处理部分进行改进。红外热像仪采集的温度信息随时间变化。对此，本发明采用长短时记忆神经网络(long-short termmemory,LSTM)来针对时间信号进行分析，以得到缺陷尺寸和时间信号的映射关系，实现缺陷尺寸的可视化。

具体的，上述第三方面中涉及的裂纹位置的温度特征提取过程的步骤如下：

(1)对于减去背景的图像通过温度梯度操作，使得各区域部分的温度信息差别得以更好的体现，通过构件表面温度梯度分布信息确定裂纹的位置。

(2)由于获得的热成像图已经减去背景温度，确定热图像中的裂纹位置后，可直接从每一帧热成像图中提取裂纹位置的特征温度等信息，构成特征温度—时间信号，作为LSTM神经网络的输入值。

本发明采用的基于LSTM神经网络对裂纹进行预测的流程如图2所示，包括：

(1)输入层，输入得到的裂纹温度等特征温度—时间信号；

(2)LSTM网络层，处理具有长时间的特征温度—时间信号，能够避免长时依赖问题；

(3)全连接层1，连接层与层间的每个神经元，从而捕捉与裂纹有关的信息；

(4)舍弃层，从神经元中随机筛选掉一个，使其不参加训练，防止训练集的过度拟合，排除训练集中可能存在的环境噪声等影响；

(5)全连接层2，对于留下的神经元进行连接，以便更好的捕捉有关裂纹的信息。

(6)回归层，对于裂纹深度和宽度进行预测。

通过以上步骤，本发明能够对增材制造构件中的微小裂纹，通过激光超声激励构件表面产生超声波，进而引起裂纹振动摩擦生热，再由红外热像仪记录，定性的检测出构件表面的缺陷。进一步的，利用神经网络训练的方法定量地预测微小裂纹的具体宽度深度，为确保产品符合工程指标提供了实际依据。

本发明的检验的原理为：激光控制器控制激光发射装置发出预先设定功率的激光，当脉冲激光到达构件表面时，由于热弹作用而激发超声波，超声波在构件内传播，如果被检构件存在裂纹缺陷时，在缺陷部位由于摩擦产生热量，从而在缺陷处及相邻区域的温度明显升高。当缺陷位于被检测构件表面或近表面，其表面温度场的变化可以用红外热像仪观察和记录，使用计算机处理构件表面的时序热波信号，并初步得到构件表面的红外热像图，从而大致表征出裂纹分布。之后结合神经网络算法技术提取热图像的特征信号，进一步定量预测出裂纹的尺寸。

与传统的超声热成像方法相比，本发明采用的激光超声激励下的热成像可实现非接触检测缺陷，对于高温高压等恶劣的检测环境具有很好的适应性。除此之外，脉冲激光照射到构件表面，产生的超声波直接传播至裂纹区域，超声能量损耗小，且激光也会产生热效应，所以裂纹处的热量变化将会特别明显。

对于表面或近表面存在微小裂纹的金属增材制造构件，利用激光超声和热成像两种技术能够准确检测出构件表面微小裂纹的位置和宽度，甚至深度。基于此，本发明能够有效发现产品中存在的缺陷裂纹，从而预防裂纹最终扩展成裂缝，防止断裂事故发生。

如图3所示，本发明提供的增材制造构件的无损检测系统包括：脉冲激光器1、红外热像仪2、激光光路单元3、热信号传输线缆4、计算机5、采集头运动控制机构6、红外照相机7、激光头8、载物台10。

其中，增材制造构件9置于所述激光头8的下方或者侧下方，所述激光头8用于将激光能量作用于所述增材制造构件9表面，并在表面产生超声波，从而引起所述增材制造构件9缺陷部位的振动摩擦，产生热量，引起物体表面温度分布不同。由于本发明采用激光超声的方式，相较于接触式的检测方式，所述增材制造构件9可以摆放于所述激光头8的下方或者侧下方，摆放位置更随意。

所述红外照相机7和所述红外热像仪2放置于所述增材制造构件9的周围，用以实时记录所述增材制造构件9表面温度场的变化。所述红外热像仪2连接所述计算机5，将记录到的所述增材制造构件9表面的温度场传送到所述计算机5。所述红外热像仪2可以检测出缺陷区域与正常区域的温差。所述红外热像仪2(FLIR A65，分辨率640×512像素，检测温度范围为-25℃～+135℃，光谱波段7.5-13μm)记录构件表面的温度场。如果所述红外热像仪2搭配25mm的镜头，空间分辨率可以达到0.68mrad，此时图像帧频为30Hz。

所述计算机5对所接收的热波—时序信号进行计算处理，从而获得构件表面的缺陷信息，例如裂纹尺寸信息，实现对被检物非接触、非浸入的无损检测和探伤。

所述激光头8连接到所述脉冲激光器1，所述脉冲激光器1用于实时调节激光发射装置的功率、作用时间等参数，通过调节所述脉冲激光器1来间接调节超声波的作用力，超声波作用时间和振幅等参数。所述脉冲激光器1也连接到所述计算机5。

工作时，所述脉冲激光器1控制所述激光头8发出激光束，所述激光头8将激光束作用于所述增材制造构件9，表面产生超声波，引起所述增材制造构件9缺陷部位的振动摩擦，产生热量，引起构件缺陷和周围区域的温度差，该物体的温度图像由所述红外热像仪2记录并传递到所述计算机5，在所述计算机5上形成表面温度场图像。

具体的，所述红外照相机7和所述激光头8可连接在一起，并由所述采集头运动控制机构6通过机械臂操纵，实现在所述增材制造构件9表面的不同区域扫描，从而得到不同激励位置处的红外热图像。所述红外热像仪2将温度变化信息输入所述计算机5，接下来的步骤将结合长短时记忆神经网络LSTM计算方法对红外热成像数据进行训练，得到温度信号与裂纹尺寸信息的映射关系。

图1所示的是对激光超声激励下的热成像信号处理的流程图。该数据处理过程可以分成两部分，第一部分是裂纹位置的确定和温度特征提取，第二部分是长短时记忆神经网络LSTM训练。

通过红外热像仪传递的构件表面的热成像图来确定裂纹位置并提取裂纹的温度和温度梯度的特征值，并以此作为神经网络输入值来进行训练。值得注意的是，为提高裂纹尺寸的检测精度，需要提高参与训练样本数量，即尽可能的采集多的样本数量。

以预测或识别裂纹尺寸为例，利用激光超声激励下的红外热成像检测系统定量预测增材制造构件表面裂纹的方法，包括以下具体步骤：

1、将被检测的增材制造构件9放置在所述激光头8的下方或侧下方，调整所述脉冲激光器1的参数(激光能量，激光波长，脉宽等)，使得构件缺陷温度能达到所述红外热像仪2所需的温度范围；

2、所述激光头8接收到所述脉冲激光器1的控制信号后，向所述增材制造构件9发射激光；激光作用于所述增材制造构件9表面产生超声波；

3、当超声波在所述增材制造构件9内传播时，引起所述增材制造构件9内部缺陷部位的振动摩擦，产生热能，实现对缺陷处选择性的热激励。缺陷处产生的热能通过热扩散传递到所述增材制造构件9的表面，产生表面局部的温度变化，通过所述红外热像仪2连续观测并记录所述增材制造构件9表面的温度场变化；

4、所述红外照相机7和所述激光头8通过机械臂固定在一起，并使用所述采集头运动控制机构6进行操纵，实现对整个构件表面进行扫描，利用所述计算机5处理和分析来自所述红外热像仪2的在不同激励位置下的热图数据，获取被检测的所述增材制造构件9表面温度场的热图序列；

5、通过所述计算机5对于红外图像进行分析，得到构件表面的裂纹位置，并对于裂纹的温度特征进行提取，将提取的特征值作为长短时记忆神经网络LSTM训练的输入信号；

6、将不同激励位置下的温度特征值用于神经网络的训练，最终预测出裂纹的尺寸。

本发明实施例提供的一种增材制造构件的无损检测方法及系统至少包括如下技术效果：

本发明采用非接触、无损的可控制调节的激励方式，被检的增材制造构件的放置位置较灵活；热源激励方式为激光超声激励，在此激励方式下的热成像可实现非接触地检测构件缺陷，对于诸如高温高压等恶劣检测环境具有很好的适应性。脉冲激光照射到构件表面，产生的超声波直接传播至缺陷区域，超声能量损耗小，且激光也会产生热效应，所以缺陷处的热量变化将会特别明显，可适用于形状不规则不易接触等材料的缺陷检测。此外，本发明利用神经网络训练的方法定量地预测微小缺陷的具体宽度甚至深度，为确保产品符合工程指标提供了实际依据。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。