.png){kind=icon}
返回
Image-Based Flaw Identification Using Convolutional Neural Network
.png){kind=icon}
OA
AI
DOI：10.1002/msd2.70038.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构中的缺陷检测对于确保各种工程应用中的结构完整性和安全性至关重要。传统的无损检测（NDE）技术通常在准确识别和表征缺陷方面面临挑战，特别是在处理复杂几何形状和应变场时。在本研究中，我们提出了一种基于深度学习的方法，利用卷积神经网络（CNNs）对结构中的缺陷进行基于回归的参数识别。具体而言，我们专注于识别和表征圆形缺陷和裂纹。具有缺陷结构的光弹性条纹图案用于训练和测试模型，这些图案是使用基于四叉树的边界缩放有限元法（SBFEM）生成的，该方法提供了高保真图像。所提出的CNN模型在这些条纹图像上进行训练，以学习与不同类型缺陷相关的复杂模式，并准确回归缺陷的几何参数。结果表明，我们的方法实现了高精度，CNN模型对圆形缺陷和裂纹的预测准确率均接近99%，展示了深度学习在推进NDE方法方面的潜力。
Keyword:
convolutional neural network
flaw detection
photoelastic fringe patterns
scaled boundary finite element method
期刊
IF:
3.6
论文数:
198
被引数:
313
机构
引用论文
Automatic detection of fatigue crack paths using digital image correlation and convolutional neural networks基于数字图像相关和卷积神经网络的疲劳裂纹路径自动检测
OAAI
OAAI分享收藏A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence人工智能简史: 论人工智能的过去、现在和未来
PREAI
分享收藏A stochastic multiscale method for the prediction of the thermal conductivity of Polymer nanocomposites through hybrid machine learning algorithms通过混合机器学习算法预测聚合物纳米复合材料导热系数的随机多尺度方法.png)
COMPOSITE STRUCTURES
COMPOSITE STRUCTURESIF7.1
PREAI
分享收藏分享收藏
查看更多内容