.png){kind=icon}
返回
Deep Learning-Based Approach for Automatic Defect Detection in Complex Structures Using PAUT Data
.png){kind=icon}
OA
AI
DOI：10.3390/s25196128.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对相控阵超声检测数据在复杂结构中的自动化缺陷检测问题进行了全面研究，重点关注传统信号处理和先进的深度学习方法。作为非AI基线，通过引入基于微分分析的自动深度门计算，改进了著名的信噪比算法，并消除了手动参数调整的必要性。尽管该方法展示了稳健的缺陷指示能力，但在高度噪声数据或大孔隙区域的情况下，其自动缺陷检测面临困难。鉴于此，开发了多种深度学习架构，包括全连接网络、卷积神经网络以及一种新颖的用于序列的卷积注意力时序转换器（CATT-S），并在包含模拟CIVA数据和来自焊接及复合材料试样的真实世界数据文件的多样化数据集上进行训练。实验结果表明，全连接网络在建模依赖关系方面存在局限性，而卷积神经网络以94.9%的测试准确率实现了优异性能，能够有效捕捉PAUT信号中的局部特征。集成卷积特征提取器与自注意力机制的CATT-S模型，通过有效建模精细信号形态和长程波束间依赖关系，持续优于其他基线方法。该集成方法在实验数据上达到了99.4%的惊人准确率和0.905的高F1分数，显示出显著的实际潜力，可用于提升复杂、非均匀材料中NDT的可靠性与效率。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
How embedded memory in recurrent neural network architectures helps learning long-term temporal dependencies.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Acoustic emission detection of rail defect based on wavelet transform and Shannon entropy基于小波变换和Shannon熵的钢轨缺陷声发射检测
PREAI
分享收藏Advancing Ultrasonic Defect Detection in High-Speed Wheels via UT-YOLO通过ut-yolo推进高速车轮超声波缺陷检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Kadhim, S.J.; Al-Sabur, R.K.; Ali, A.B.K. Application of Different Median Filter Algorithms for Welding Defects Clarification in Radiographic Images. Univ. Thi-Qar J. Eng. Sci. 2020, 11, 56–61. [Google Scholar] [CrossRef]Kadhim, S.J.; Al-Sabur, R.K.; Ali, A.B.K. 不同中值滤波算法在射线图像焊接缺陷识别中的应用. Univ. Thi-Qar J. Eng. Sci. 2020, 11, 56–61. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏分享收藏Zhang, S.; Zhang, Y. Weld Defect Downscaling Recognition for Phased Array Ultrasonic Data Based on Semantic Segmentation. E-J. Nondestruct. Test. 2024, 29, 29918. [Google Scholar] [CrossRef]张, S.; 张, Y. 基于语义分割的相控阵超声数据焊缝缺陷降尺度识别. E-J. Nondestruct. Test. 2024, 29, 29918. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容