点阵夹层板具有高比强度、高比刚度、隔热隔振等多功能性的特点，在航空航天、汽车等领域中受到越来越多的关注。当被用于极端的环境中时，点阵夹层板由于制备缺陷或损伤可能发生局部屈服，最终导致结构失效和破坏，因此，点阵夹层板的损伤识别问题也逐渐引起很多专家学者的关注。但是由于点阵夹层板结构复杂，可能发生损伤的类型（虚焊、胞元缺失、面板孔洞等）多样且具有分布随机性，解具有不唯一性且识别结果易受到主观因素的影响，其损伤识别具有很大难度。而深度学习方法最大的优势是可以从海量数据中学习并提取特征，不需要人为干预，识别结果客观性强；将深度学习方法应用到点阵夹层板的损伤识别中，将有望突破现有识别方法的局限。但是，要将深度学习应用到点阵夹层板的损伤识别中，就必须要解决数据集构建和模型选择这两个最关键的核心问题，本文的研究工作也主要围绕使用敏感标识量构造胞元缺失缺陷和虚焊缺陷海量数据集和损伤识别的深度网络模型展开。

1） 点阵夹层板损伤识别的深度学习模型选择和优化也是本课题的核心。利用损伤敏感标识量表征出胞元缺失缺陷生成数据样本，并制作数据集，分别在ZF、VGG-16、OHEM等五种模型中进行训练，综合比较训练结果，挑选最适宜的网络模型，然后，通过调整模型中的超参数进行训练，设置最优参数，使网络模型和点阵夹层板损伤数据集具有很好的相容性。

2）构造多重损伤标识量同时对缺陷位置进行表征，解决了单一损伤标识量难以同时识别多种缺陷位置的问题，提高损伤识别方法的准确率。点阵夹层板因构型复杂，可能出现损伤类型较多，单一的损伤标识量并不能识别点阵夹层板中所有类型的损伤，通过使用三种损伤标识量同时对缺陷位置表征，生成丰富的缺陷位置样本，构造出样本多且特征丰富的高质量数据集，充分发挥深度学习特征提取的优势，获得损伤识别准率高的网络模型，最终训练出损伤识别准确度最高的模型，并使用交叉面积（Overlap Area，OLA）方法，解决损伤漏检的问题。

3）优化后的深度学习模型对点阵夹层板中常见的虚焊缺陷同样具有较高的识别准确率。虚焊缺陷是点阵夹层板中最常见的损伤类型，为了研究深度学习模型对虚焊缺陷的识别效果，本文使用柔性梁模拟虚焊缺陷，生成含三种虚焊缺陷（一个虚焊点、两个虚焊点和四个虚焊点）的数据样本，将虚焊缺陷的样本和胞元缺失的样本融合到一起制作用于训练的数据集，通过优化网络参数，使得网络模型和数据集具有更高的适配性，结果表明深度学习方法不仅能识别点阵夹层板中的胞元缺失缺陷，也能识别虚焊缺陷。