高端装备智能运维与全寿命周期健康管理是装备智能化和工业经济数字化的热点与难点，依赖于结构损伤的全面信息获取与损伤特征智能判别和结构信息三维重建。近年来，机器学习技术在结构损伤识别与分类任务中获得了优异表现，然而在缺乏大量标记数据支撑的实际工业应用中难以充分发挥其优势。实际工业场景中标记海量样本需要专业领域知识和巨额成本支撑，依赖于大量标记样本的监督学习方法的泛化能力受到严重制约。
针对上述问题，研究团队提出了一种瞬态热波成像检测的半监督学习框架，利用编码到瞬时热波图像序列数据中的时间和空间信息对多种类型缺陷进行识别和分类，同时克服了工业应用中由于标记样本不足而导致泛化性能不佳的问题。瞬态热波成像检测输出的三维张量数据结构非常适合与机器学习技术结合产生像素级识别结果。研究团队提出了用于瞬态热波成像检测半监督学习的MCLSVM方法，基于数据聚类假设划分超平面以最大间隔分离标记数据的同时穿过数据低密度区域，以利用实际工业场景中可用的大量未标记数据来提高学习泛化性能。实验结果验证了在仅有少量标记样本可用于训练的情况下所提出方法相比传统的监督算法的优越性。研究为实际工业场景中的损伤智能检测与识别任务提供了一种行之有效的方案。
图1 瞬态热波成像检测缺陷识别与分类的半监督学习框架
作为目前最有效的光学干涉无损检测技术，剪切散斑成像技术在各种工业应用中受到广泛欢迎。然而，该技术存在忽略动态表面形变全过程信息和无法表征结构深度分辨信息的缺点。针对剪切散斑成像技术的局限性，研究团队提出了一种新型散斑干涉成像模态：光热雷达瞬态剪切散斑干涉断层扫描成像。不同于传统剪切散斑成像的差分模式，该工作利用调频光热激励将结构深度分辨信息编码到结构动态表面形变过程。利用希尔伯特变换和离散余弦变换对记录的瞬态散斑图像序列每个像素的时域干涉信号进行解调以得到瞬态全场剪切相位分布。同时，使用增量延迟互相关匹配滤波定位结构轴向能量分布以生成结构深度层析反演成像结果。光热雷达瞬态剪切散斑干涉断层扫描成像首次实现了基于光学散斑干涉测量技术的结构损伤三维可视化，对装备结构损伤多通道信息反演研究发展提供了重要技术支撑。
图2 光热雷达瞬态剪切散斑干涉断层扫描成像
上述论文的第一作者为机械与动力工程学院青年教师刘立帅博士，研究工作得到了国家自然科学基金重点项目、国家****基金项目、上海市扬帆计划项目等资助。
论文链接：https://ieeexplore.ieee.org/document/9503305; https://ieeexplore.ieee.org/document/9599555。
