.png){kind=icon}
返回
Machine Learning-Based Material Thickness and Type Classification via Scattering Parameters
.png){kind=icon}
OA
AI
DOI：10.3390/app16010391.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
材料类型与厚度的精确测定在无损检测、质量保证和材料科学中具有重要意义，因为它影响着材料在工程应用中的功能、可靠性和性能。本研究提出了一种通过分析8-12 GHz频段内散射参数来对材料厚度和类型进行分类的方法。创建了一个数据库，包含9种实际材料的反射和传输参数的实部、虚部及dB值，这些材料的厚度范围为1至10 mm。本研究解决了两个主要分类任务，即材料厚度和材料类型。采用多种训练-测试分割方式结合10折交叉验证，以比较分类器的性能。在材料类型分类中，纳入每种材料的多个厚度级别使模型能够更准确地区分具有相似反射特性的材料，从而增强了鉴别性能。结果表明，Fine KNN在厚度分类中始终达到100%的准确率，而Quadratic SVM在材料类型分类中也达到100%的准确率，即使仅使用三个厚度级别。此外，90%训练-10%测试的分割方式在厚度分类中表现最佳，而材料类型分类的最优数据分割方式因分类器而异。总体而言，本研究表明，散射参数与机器学习的结合为非破坏性材料表征提供了一种可靠且高效的方法。
Keyword:
thickness classification
material identification
non-destructive testing
scattering parameters
machine learning
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Evaluation of the mechanical properties of aircraft composite materials after indentation机载复合材料在压痕后的力学性能评估
PREAI
分享收藏Thickness Characterization of Steel Plate Coating Materials with Terahertz Time-Domain Reflection Spectroscopy Based on BP Neural Network.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Detecting Defects in Materials Using Nondestructive Microwave Testing Techniques: A Comprehensive ReviewGhattas, A.; Al-Sharawi, R.; Zakaria, A.; Qaddoumi, N. 使用非破坏性微波测试技术检测材料缺陷：一项综合综述。Appl. Sci. 2025, 15, 3274. [Google Scholar] [CrossRef]
PREAI
分享收藏Multi-task scattering-model classification and parameter regression of nanostructures from small-angle scattering dataDIGITAL DISCOVERYOAAI
DIGITAL DISCOVERYIF5.6
OAAI分享收藏Carbon-Based Radar Absorbing Materials toward Stealth Technologies面向隐身技术的碳基雷达吸波材料ADVANCED SCIENCEOAAI
ADVANCED SCIENCEIF14.1
OAAI分享收藏Reducing Pollution Health Impact With Air Quality Prediction Assisted by Mobility DataMorales-García, J.; Ramos-Sorroche, E.; Balderas-Díaz, S.; Guerrero-Contreras, G.; Muñoz, A.; Santa, J.; Terroso-Sáenz, F. 利用移动数据辅助的空气质量预测来减少污染对健康的影响。IEEE J. Biomed. Health Inform. 2025, 29, 9210–9220. [Google Scholar] [CrossRef]
PREAI
分享收藏A Comprehensive Review on Discriminant Analysis for Addressing Challenges of Class-Level Limitations, Small Sample Size, and Robustness关于解决类别级限制、小样本量和鲁棒性挑战的判别分析综合评述ProcessesOAAI
ProcessesIF0
OAAI分享收藏分享收藏
查看更多内容