.png){kind=icon}
返回
A robust deep learning framework for weld defect classification in PAUT with specimen-level preprocessing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ndteint.2026.103840.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
相控阵超声检测（PAUT）是一种广泛应用于焊接检验的非破坏性检测（NDT）方法；然而，其对缺陷评估需要丰富的专业知识和大量的分析时间。为应对这些挑战，已有大量研究致力于利用人工智能（AI）实现PAUT检测的自动化。然而，现有的基于AI的方法通常对有限的训练数据产生过拟合，导致在未见数据上的性能下降。这一局限性在PAUT中尤为关键，因为检测数据对试样特性的变化极为敏感，可能产生大量来自焊缝边界几何形状的伪回波特征。为应对这一挑战，本研究提出了一种鲁棒的基于深度学习的PAUT检测框架，该框架结合了试样级预处理，以有效抑制试样诱发的干扰回波并提高缺陷识别精度。所提出的框架包含两个关键组成部分：基于焊缝边界的归一化和试样级中值滤波，用于标准化数据几何形状并减少跨试样的几何回波和噪声的影响。通过试样级训练-测试分离验证了模型泛化能力，展示了所提方法的优越性能。这些发现预计将显著推动基于AI的自动化PAUT检测系统的实际工业应用。
期刊
N
IF:
4.5
论文数:
218
被引数:
0
机构
引用论文
Automatic PAUT crack detection and depth identification framework based on inspection robot and deep learning method基于检测机器人和深度学习方法的自动PAUT裂纹检测与深度识别框架
PREAI
分享收藏Automated weld defect segmentation from phased array ultrasonic data based on U-net architecture
PREAI
分享收藏The detection of PAUT pseudo defects in ultra-thick stainless-steel welds with a multimodal deep learning model.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Automated data evaluation in phased-array ultrasonic testing based on A-scan and feature training
OAAI
OAAI分享收藏
查看更多内容