一种金属表面缺陷磁异常定量分析方法

技术领域

本发明属于缺陷测量技术领域，具体涉及一种金属表面缺陷磁异常定量分析方法，可用于铁磁性、顺磁性材料的缺陷定量检测。

背景技术

工程结构中的裂纹缺陷是降低结构承载能力的重要原因，结构的承载能力直接影响工程全线的安全系数。无损检测的目的是对全新或在役工程结构进行质量评估，预知已存在的缺陷对结构的危害程度，避免因结构损伤引发恶性事故。

目前较为成熟的无损检测技术有射线检测、超声检测、涡流检测等。射线检测结果可直观的反应缺陷的形貌特征，判别缺陷类型，其局限性是无法确定缺陷的三维位置且不能适应野外环境。超声检测设备简单便于携带，在缺陷的定位和定量上具有明显的优势，其局限性是对构建表面质量要求高。涡流检测具有设备简单探头体积小、不受构件几何形状限制及检测灵敏度高等优点，但其较差的抗干扰性加大了后续无损评估的困难性。

金属材料在地磁场环境下被磁化，磁畴排布方向一致，当材料内部存在不连续性损伤或应力时磁畴排布方向将发生改变，宏观表现在材料表面磁感应强度变化剧烈。弱磁检测作为一种新兴无损检测技术，在天然地磁场环境下无需外加激励源即可实现金属表面磁异常检测，排除了因激励源的波动性产生噪声信号的可能性，弱磁检测不仅适用于铁磁性材料磁异常检测，其对顺磁性材料磁异常也较敏感，填补了涡流、漏磁等电磁无损检测在顺磁性材料上的空白。

无损检测的工程价值需在判断材料有无缺陷的基础上进一步对缺陷进行量化评价，分析缺陷信号与缺陷尺寸参数之间的关系。目前弱磁检测在航空部件、轨道、油气管道等领域已有应用，但后续的弱磁信号处理以及缺陷尺寸反演定量缺少对应的方法，难以准确的获取弱磁信号，进而获得准确的缺陷信息。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种金属表面缺陷磁异常定量分析方法，以解决现有技术中缺少对弱磁信号处理方法，进而难以获得准确的缺陷信息的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种金属表面缺陷磁异常定量分析方法，采集金属表面缺陷的磁信号，通过表面缺陷的磁信号获取缺陷特征值输入至BP神经网络中，通过BP神经网络确定金属表面缺陷尺寸参数；

所述BP神经网络中网络参数通过鲸鱼优化算法获得，所述鲸鱼优化算法通过Sine混沌映射优化鲸鱼种群中的初始位置；

所述BP神经网络通过样本缺陷数据集训练得到。

本发明的进一步改进在于：

优选的，所述样本缺陷数据集的获取过程为：对金属表面进行缺陷加工，获得n个金属表面缺陷，通过弱磁检测仪采集表面缺陷表面磁信号，基于表面缺陷磁信号获取缺陷特征值，每一个磁信号的缺陷特征值对应金属表面一个缺陷尺寸参数；基于所有缺陷的磁信号的特征值，以及金属表面缺陷尺寸参数建立样本缺陷数据集。

优选的，将样本缺陷参数归一化处理后，建立缺陷原始数据库。

优选的，所述缺陷原始数据库中的数据通过单次检测获得。

优选的，所述缺陷特征值包括形态特征、时域特征和频域特征；

所述形态特征包括磁信号的幅值、占宽和面积；所述时域特征包括缺陷段的磁感应强度平均值、最大值、最小值，磁场梯度的最大值、平均值和信号的能量；所述频域特征为小波包能量。

优选的，所述缺陷尺寸参数包括缺陷的长度、宽度和深度。

优选的，所述BP神经网络输入缺陷信号特征值，输出缺陷尺寸参数。

优选的，所述BP神经网络的获取过程为：

步骤1，将缺陷数据集中数据的特征值输入至BP神经网络中；

步骤2，通过最优位置向量优化BP神经网络的权值和阈值，直至BP神经网络输出的缺陷尺寸参数和测试集的数据最接近，获得优化后的BP神经网络；所述最优位置向量通过鲸鱼优化算法获得。

优选的，所述鲸鱼优化算法的计算过程为：

(1)初始化种群参数：种群个体数N，最大迭代次数T，位置向量上限、下限和维度；

(2)基于Sine混沌映射原理确定初始鲸鱼个体位置；

(3)计算N个鲸鱼个体适应度值，适应度值越小个体位置越优，其它个体向它靠近；

(4)当鲸鱼个体与鱼群的距离满足设定条件时，鲸鱼将采取收缩包围、螺旋收缩的方式捕食鱼群，更新下一代位置，；

(5)判断群体性能是否达到终止条件，若达到则终止循环，输出最优位置向量；否则返回步骤(4)继续迭代或者更改最大迭代次数T。

优选的，所述BP神经网络通过平均精确度确定预测精度。

优选的，所述平均精确度的计算公式为：

其中，S为测试集样本个数，精确度acc

acc

其中，e

其中，y

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种金属表面缺陷磁异常定量分析方法，该方法在无强磁干扰的环境下采集金属表面垂直方向磁信号并进行信号降噪处理，提取缺陷磁异常信号的特征值作为输入值，与特征值对应的缺陷的长度、宽度、深度作为输出值训练BP神经网络预测模型。采用基于Sine混沌映射的改进鲸鱼优化算法(IWOA)对BP神经网络的权值和阈值进行优化(IWOA-BP)，利用优化后的参数搭建神经网络，从而提高缺陷尺寸值的预测精度。本发明首次将缺陷的特征值和神经网络预测模型相结合，提高了缺陷预测的精度与效率。

进一步的，考虑到本发明中预测的为金属缺陷，训练其用于预测的BP神经网络，不需要过多的缺陷数据集即可满足其预测精度。

进一步的，从磁信号中提取出的特征值包括多类特征，通过多类特征对BP神经网络进行训练，能够提高整个网络最终的预测精度。与此同时，在不同的情况下能够根据实际情况选择缺陷特征值。

附图说明

图1为缺陷反演定量流程图；

图2为试件重复检测的弱磁信号；其中，(a)图为试件1，(b)图为试件2，(c)图为试件3，(d)图为试件4。

图3为单次检测裂纹定量结果；其中，(a)图为裂纹长度定量结果，(b)图为裂纹宽度定量结果；(c)图为裂纹深度定量结果。

图4为单次检测和重复检测预测精度对比。

图5为定量结果；其中，(a)图为裂纹长度定量结果，(b)图为裂纹宽度定量结果，(c)图为裂纹深度定量结果。

图6为IWOA算法优化BP神经网络结果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明公开了一种金属表面缺陷磁异常定量分析方法，在无人工激励源的条件下，采集金属表面弱磁信号并进行降噪处理，提取缺陷磁异常特征值。以特征值作为BP神经网络的输入值，对应的缺陷长度、宽度、深度作为网络的输出值建立缺陷尺寸定量反演模型。利用IWOA算法对传统BP神经网络参数寻优方法进行了优化，提高了模型预测精度，推动了金属的弱磁检测缺陷定量分析研究的发展。具体包括如下步骤：

S1、加工n个金属表面槽形缺陷，建立缺陷样本库；

S2、利用高精度弱磁检测仪采集缺陷表面磁信号，建立缺陷原始数据库；

S3、原始数据降噪处理，提取缺陷特征值；

S4、将缺陷特征值输入至BP神经网络，采用IWOA算法对BP神经网络中的权值和阈值进行寻优，输出最优参数；

(1)初始化种群参数：种群个体数N，最大迭代次数T，位置向量上限、下限、维度；

(2)基于Sine混沌映射原理确定初始鲸鱼个体位置；

(3)计算N个鲸鱼个体适应度值，适应度值越小个体位置越优，其它个体向它靠近；

(4)当鲸鱼个体与鱼群的距离满足一定条件时，鲸鱼将采取收缩包围、螺旋收缩的方式捕食鱼群，更新下一代位置，

(5)判断群体性能是否达到终止条件，终止条件为设定的迭代次数若达到则终止循环，输出最优位置向量；否则返回(4)继续迭代或者更改最大迭代次数T；

(6)利用最优位置向量优化BP神经网络模型的网络参数，使得测试集输入至BP神经网络模型中后，输出值不断逼近缺陷的真实值，当获得某一组网络参数对应的输出值最接近缺陷时，获得最终的BP神经网络。

S5、利用优化后的BP神经网络进行缺陷尺寸定量分析，缺陷特征值作为网络的输入，对应的缺陷长度、宽度、深度作为网络的输出，通过测试集数据对优化后的BP神经网络进行测试。

S6、通过精确度对测试结果进行验证。

本发明的实施例之一为公开了一种BP神经网络，BP神经网络是一种按照误差反向传播训练的多层前馈网络，包含输入层、隐含层、输出层三种层结构，各层由若干个神经元组成。正向传播时，输入层信息通过隐含层的非线性变换产生输出信号；当输出信号与实际信号的偏差大于预先设置的训练精度时，转而进入反向传播阶段，偏差逐级向网络隐含层、输入层反向传播，调整各个神经元节点间的参数，使误差沿梯度方向下降；重复上述过程直至偏差达到训练精度，训练停止。

优选的，BP神经网络中引入了鲸鱼优化算法(WOA)，WOA算法是模仿座头鲸捕食策略而发明的一种元启发式算法，鲸鱼群体通过种群内部信息交流扩大捕食范围，初步锁定当前捕食目标后喷吐气泡将鱼群困在其中，通过包围上升、螺旋收缩的方式捕食泡泡网内的鱼群，继而根据种群信息接近下一个捕食目标。鲸鱼捕食目标鱼群的行为相当于算法优化中的局部寻优，根据种群信息扩大搜索范围相当于算法优化中的全局寻优，因此鲸鱼优化算法是一种既能实现局部寻优又能兼顾全局寻优的优化算法。在进行迭代前确定BP神经网络中需要寻优参数的个数，从而确定鲸鱼个体位置向量的维度，鲸鱼优化算法输出的个体最优位置向量即BP神经网络的最优参数，如图6所示。

更为优选的，在鲸鱼优化算法中引入了Sine混沌映射,混沌是自然界中一种非线性现象，混沌变量具有随机性、遍历性的特点，在算法优化领域已有较多应用，研究表明混沌映射能在保持种群的多样性同时增强算法的全局寻优能力。在WOA算法中鲸鱼个体的位置是随机产生的，易造成陷入局部最优解或接近全局最优时种群多样性减少等问题。Sine混沌映射具有遍历性均匀、收敛速度快的优点，其通过优化鲸鱼种群的初始位置，提高种群初代的分布均匀性，从而改善了WOA的全局寻优能力，提高了WOA的收敛速度和搜索精度。

本发明的实施例之一为公开了一种针对BP神经网络缺陷原始数据库的建立方法，BP神经网络通过缺陷原始数据库进行训练，缺陷原始数据库中建立了弱磁信号与缺陷尺寸之间的关系，缺陷尺寸包括缺陷的长度、宽度和深度；对每块试件分别进行单次弱磁检测和重复五次弱磁检测，以分析数据集大小与模型预测精度的影响。

将不锈钢材料加工成四块矩形试件，试件的尺寸均为(长宽深)，每块试件加工四处等距的矩形凹槽缺陷，间距为60mm，以保证采集到的矩形凹槽缺陷磁场信号之间互不影响。矩形凹槽尺寸如表1所示，选取缺陷长度分别为23、26、29和31mm，宽度分别为0.50、0.55、0.60和0.65mm，深度分别为5、6、7和8mm，设计16组不同尺寸参数的矩形凹槽缺陷。

表1缺陷尺寸

对每块试件分别进行单次检测和重复五次检测，重复五次采样的弱磁检测信号如图2所示。由图2可看出，在四处裂纹缺陷处有明显的波动，且信号的重复性良好。四块试件分别加工四处矩形凹槽缺陷，共有16组缺陷弱磁信号数据。因此，单次检测可提取16组特征值，重复五次检测可获得80组特征值；保存采集的弱磁检测数据，分别提取缺陷弱磁信号的占宽、幅值和面积。

分别提取单次检测的缺陷弱磁信号特征量，作为输入集，训练集和测试集的比例为15：1，建立算法定量模型，拟合弱磁信号与缺陷尺寸参数之间的映射关系。为了能够分别测试缺陷长度、宽度、深度的反演结果，建立三个缺陷尺寸参数的算法定量模型，即缺陷的长度、宽度、深度分别作为输出样本训练模型，输入样本依旧是缺陷磁异常的特征值，最后测试每个缺陷定量结果的准确性。如图3所示分别是缺陷长度、宽度、深度的实际尺寸参数与定量结果的对比图。每幅图中从左到右分别是1、2、3、4号试块缺陷尺寸参数的定量结果，一条为缺陷实际尺寸参数，一条是缺陷的预测尺寸。

将缺陷尺寸参数预测结果与实际缺陷尺寸参数进行数值上的分析比较，计算每个缺陷的精度并求平均值。精度ε表达式如式(1)所示，X

表2单次检测定量精度(％)

由上表可知，单次检测时，三个缺陷尺寸参数的预测精度均达到80％以上，其中长度的预测效果最好，精度为86.18％；其次是缺陷的深度，精度为83.51％；最后是缺陷的宽度，精度为82.22％。

其次对重复五次检测的检测信号提取缺陷弱磁信号的占宽、幅值和面积，作为输入集，训练集和测试集的比例为15：1。建立三个缺陷尺寸参数的算法定量模型，即缺陷的长度、宽度、深度分别作为输出样本训练模型，输入样本依旧是缺陷弱磁信号的特征值，测试每个缺陷定量结果的准确性。测试五次，将五次的定量精度的平均值作为最终结果，定量精度如表3所示。

表3重复检测的定量精度(％)

由上表可知，重复检测时，三个缺陷尺寸参数中长度的预测效果最好，精度为87.98％；其次是缺陷的深度，精度为85.57％；最后是缺陷的宽度，精度为77.05％。将重复检测的预测精度与单次检测的预测精度作对比，如图4所示。可以看出单次采样和重复采样的预测精度相差甚微，定量精度均可达到80％左右。因此在实际应用中，针对于本实施例中金属缺陷检测，单次检测的弱磁数据直接用于训练模型的训练即可满足定量要求，将大大提高检测效率。

本发明的实施例之一为公开了特征值的选定对模型训练后定量精度的判断方法，以进一步的根据不同的情况选定不同特征值。缺陷特征值的选取对建立反演模型至关重要，特征量包含了缺陷丰富的信息，反映了缺陷的尺寸参数。缺陷的信号形态特征包括缺陷段信号的占宽、幅值和面积，而顺磁性材料易受背景场的干扰。形态特征的信息往往是不全面的，时域和频域也与缺陷大小紧密相关。目前关于缺陷特征值的提取还没有固定的标准，针对顺磁性材料弱磁信号的特点，综合考虑弱磁信号的形态特征、时域特征和频域特征。从时域和频域提取7个特征值，结合信号形态特征的3个特征值，共提取缺陷全部10个特征值进行定量，同时与形态特征3个特征值的定量结果作对比。

(1)形态特征

形态特征指弱磁信号在波形的形貌特征，针对缺陷弱磁信号曲线形貌，分别提取缺陷弱磁信号的幅值、占宽和面积作为形态特征。其中ΔB为缺陷信号处波峰最大值与左端最小值的差值，S为缺陷信号的半波面积，ΔL为缺陷信号半波占宽。

(2)时域特征

缺陷弱磁信号的时域特征也包含了被检试件丰富的信息。形成缺陷信号波形的是每个采样点的磁感应强度，时域特征分别提取缺陷段的磁感应强度平均值

磁场梯度可抑制背景磁场的干扰，可表示信号的变化幅度，也是弱磁技术检测缺陷的常用特征量。设某一方向步长为Δx，磁感应强度变化为B(x+Δx)-B(x),当Δx无穷小时，磁场梯度为：

而在实际检测过程中，无法做到Δx无穷小，只能将其尽可能地取小，使之远远小于待测试件的尺寸大小，那么磁场梯度可近似看作是步长为Δx的磁感应强度变化值B(x+Δx)-B(x)，即磁感应强度差分值。磁场梯度最大值和平均值分别是缺陷段弱磁信号的多个磁场梯度最大值和多个磁场梯度求平均。

弱磁信号的能量，就是信号幅度平方的积分，由于弱磁信号是数字信号，能量为各点信号幅度值平方后的求和。

(3)频域特征

弱磁信号的时域信息往往不能完全表征缺陷的所有特征，需结合时频分析工具挖掘内部隐藏的信息。缺陷的位置信息及其轮廓大小不仅与外部波形有关，还与频域、相位等内在特征量紧密联系。弱磁检测过程中，弱磁信号在缺陷处发生突变，传统的傅里叶分析并不适用与于这类非平稳变化的信号。小波变换对突变信号有优异的自适应性，但是在分解过程中只对低频部分再分解，无法得到信号整个频段的时频信息。小波包分解可根据信号的特性和分析要求自适应选择相应频段与信号频谱相匹配，同时对低频和高频部分继续分解。

小波包分解将原始信号投影到小波包基函数张成的空间中，对信号的所有频段能够进行时频局部化分析。各个频段的小波能量包含了弱磁信号的不同特性，因此在频域方面，小波包能量可与缺陷建立映射关系。对弱磁信号进行三层小波包分解，发现信号主要集中在低频部分，且在第三层的节点中，第一个节点的小波包能量占比最大，提取该节点的小波包能量E

表4特征值汇总

根据表4提取缺陷弱磁信号不同特征值，分别建立裂纹长度、宽度、深度的模型。裂纹的尺寸参数作为输出样本训练模型，输入样本是缺陷弱磁信号的特征值，对比不同特征值的定量精度。如图5所示分别是缺陷长度、宽度、深度的实际尺寸参数与预测尺寸参数的结果。每幅图中每条线从左到右分别是1、2、3、4号试块缺陷尺寸参数的预测结果。其中Actualsize为缺陷实际尺寸参数，Predicted sizeofmorphologicalcharacteristics为形态特征值的预测结果，Predictedsizeofall characteristics为全部特征值的预测结果。

由图5可知，当输入形态特征量参与模型时，16组缺陷中共有7组缺陷的长度定量结果正确，10组缺陷的宽度定量正确，5组缺陷的深度定量结果正确，缺陷的宽度反演效果最好。其中，1号试件有1组缺陷长度定量正确，2组缺陷深度定量正确，缺陷的宽度定量全部正确；2号试件各有1组缺陷长度和深度定量正确，2组缺陷宽度定量正确；3号试件有1组缺陷深度定量正确，2组缺陷宽度定量正确，3组缺陷长度定量正确；4号试件有1组缺陷深度定量正确，各有2组缺陷长度和宽度定量正确。

当输入全部特征量时，16组缺陷中共有13组缺陷的长度定量结果正确，9组缺陷的宽度定量结果正确，7组缺陷的深度定量结果正确。同样地，缺陷的宽度定量正确组数最高，相比形态特征值的反演结果，缺陷反演正确率均得到提高。其中，1号试件均有3组缺陷长度、宽度和深度定量正确；2号试件有1组缺陷深度定量正确，2组缺陷长度定量正确，3组缺陷宽度定量正确；3号试件各有2组缺陷宽度和深度定量正确，缺陷长度全部定量正确；4号试件各有1组缺陷宽度和深度定量正确，缺陷长度全部定量正确。

将缺陷尺寸参数预测结果与实际缺陷尺寸参数进行数值上的分析比较，计算缺陷定量精度，如表5所示，其中ε

表5不同特征值预测精度(％)

由上表可知，当形貌特征参与模型时，三个缺陷尺寸参数中宽度预测效果最好，精度为91.42％；其次是缺陷的长度，精度为79.74％；预测效果最差的是缺陷的深度，精度为20.31％。当全部特征参与模型时，三个缺陷尺寸参数中宽度反演效果最好，精度为91.88％；其次是缺陷长度，精度为89.52％；最后是缺陷深度，精度为47.4％。提取缺陷弱磁信号所有特征值，缺陷精度显著均得到提升，缺陷长度的精度提升了9.78％，缺陷宽度的精度提升了0.46％，缺陷深度的精度提升了27.08％。在原始检测效果不理想的情况下，增加缺陷的特征值可提高缺陷定量精度。在原始检测效果较好的情况下，形态特征量可表征缺陷尺寸的大部分信息，可满足模型的定量需求。从检测效率的角度出发，提取少量的特征值可减少大量的数据处理工作。

下面结合具体的实施例进一步的说明

参见图1，图1所示是本实例缺陷反演的流程图，以一顺磁性材料为例，利用精度为0.1nT的弱磁检测仪采集钢板表面磁信号，降噪处理后提取缺陷信号特征值，与其对应的缺陷长度、宽度、深度共同组成样本数据，按一定比例划分训练集、测试集。以缺陷特征值为输入集、缺陷尺寸参数为输出集搭建BP神经网络反演模型，采用IWOA算法优化BP神经网络参数，输出最优参数并训练网络，预测测试集样本的尺寸参数。对比优化后的BP神经网络和传统BP神经网络的测试集预测精度，评价鲸鱼优化算法的优化效果。

设计钢板表面矩形槽缺陷，模拟实际工程检测中的自然裂纹缺陷。

本实施案例缺陷长度选取2、5、8、11、14、17、20mm，宽度选取0.2、0.5mm，深度选取1、2、3、4mm，共计56个缺陷，各缺陷长度、宽度、深度如表1所示。

表1缺陷尺寸规格

用弱磁检测仪采集垂直金属表面方向的磁信号，获得缺陷原始检测数据。

数据预处理：将原始特征值、尺寸参数数据归一化到[0,1]区间，将所有样本按照一定比例划分为训练集和测试集。

基于IWOA算法优化BP神经网络的调参过程：本实例以BP神经网络为基本框架，采用IWOA算法优化BP神经网络，旨在得到精确度更高的缺陷反演模型，用于弱磁无损检测缺陷定量分析。

IWOA算法是一种仿鲸鱼捕食行为的优化算法，模拟鲸鱼捕食过程中种群信息传递、收缩包围、螺旋游走的位置更新方法达到参数寻优的目的。IWOA算法优化BP神经网络参数的具体步骤如下：

(1)初始化种群参数：种群个体数N，最大迭代次数T，位置向量上限、下限、维度；

(2)基于Sine混沌映射原理确定初始鲸鱼个体位置；

(3)计算N个鲸鱼个体适应度值，适应度值越小个体位置越优，其它个体向它靠近；

(4)当鲸鱼个体与鱼群的距离满足一定条件时，鲸鱼将采取收缩包围、螺旋收缩的方式捕食鱼群，更新下一代位置，

(5)判断群体性能是否达到终止条件，若达到则终止循环，输出最优位置向量；否则返回(4)继续迭代或者更改最大迭代次数T；

(6)利用最优位置向量优化BP神经网络模型。

在机器学习领域中，可将问题大致划分为回归问题和分类问题。当输出为若干固定的值时，称为分类问题；当输出为连续变量时，称为回归问题。两种问题的测试误差评价方法有所不同，本例属于回归问题，误差e

精确度acc

acc

平均精确度

其中，y

BP神经网络算法定量分析：BP神经网络是一种按照误差反向传播训练的多层前馈网络，从根源上分析误差来源，调整网络参数。本发明中采用BP神经网络算法，使得输入数据通过某种非线性变换方式得到的输出值尽可能地逼近真实值。算法通过Matlab软件来实现，最终目的是量化分析缺陷的尺寸。

本实例中共有56个样本，每个样本由缺陷信号特征值和对应的缺陷尺寸参数构成，提取的特征值为缺陷磁信号幅值、占宽、面积、最大梯度值、平均梯度值，对应缺陷尺寸参数为长度、宽度、深度。取49个样本做训练集，剩下7个样本做测试集，将训练集的缺陷信号特征值输入到BP神经网络的输入层，输出层输出缺陷尺寸参数，通过鲸鱼优化算法不断调整网络参数使得输出值不断逼近尺寸真实值。分别计算测试集长度、宽度、深度的平均反演精确度，并比较经WOA算法优化的BP神经网络(WOA-BP)、IWOA-BP神经网络和传统BP神经网络在测试集的平均反演精确度，三种模型反演精确度如表2所示：

表2缺陷尺寸反演精确度

表2可知，在长度预测中，WOA-BP较之传统BP神经网络精确度提升了9.45％，在WOA-BP的基础上IWOA-BP又提升了5.78％；在宽度预测中，WOA-BP较之传统BP神经网络精确度提升了7.7％，但IWOA-BP比WOA-BP略有降低；在深度预测中，WOA-BP较之传统BP神经网络精确度有显著提升，提升了97.5％，IWOA-BP比WOA-BP提升了9.22％。

在实际工程检测中，对构建承载能力影响最大的裂纹参数是深度，在能够提高裂纹深度预测精确度的前提下略降低其他尺寸参数预测精确度是符合实际需求的，因此该实例中的IWOA-BP神经网络裂纹缺陷尺寸预测模型综合性能最优，本发明提出的IWOA-BP神经网络预测模型适用于弱磁检测缺陷定量研究。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。