.png){kind=icon}
返回
Three-dimensional ultrasonic self supervised segmentation
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2025.110870.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究介绍了一种新颖的自监督学习方法，用于碳纤维增强聚合物中相控阵超声检测数据捕获的缺陷指示的体素分割。通过采用这种自监督方法，缺陷分割得以自动实现，无需标签训练数据或缺陷示例。该方法已使用人工诱导的缺陷进行测试，包括背钻孔和聚四氟乙烯插入物，以模拟不同的缺陷响应。此外，该方法已在具有不同厚度的阶梯几何形状上进行了评估，展示了在多种测试场景中的出色泛化能力。所需的最小预处理包括无需移除几何特征或时间补偿增益即可应用该方法的必要性。模型的性能针对缺陷检测、面内和厚度方向的定位以及缺陷尺寸进行了评估。所有缺陷均通过阈值处理一致检测到，不同的处理步骤能够消除假阳性指示，实现100%的检测准确率。缺陷尺寸与工业标准6 dB振幅下降方法一致，平均绝对误差（MAE）为1.41 mm。面内和厚度方向的定位产生了相当的结果，MAE分别为0.37 mm和0.26 mm。提供了可视化结果，以说明该方法如何用于生成组件的数字孪生。
Keyword:
Self supervised learning
Ultrasonic phased array testing
Defect segmentation
Three-dimensional
Deep learning
Non-destructive testing
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
引用论文
Comparison of algorithms to quantify the damaged area in CFRP ultrasonic scans.png)
COMPOSITE STRUCTURES
COMPOSITE STRUCTURESIF7.1
PREAI
分享收藏ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scopeChatGPT: 对背景，应用，关键挑战，偏见，道德，局限性和未来范围的全面回顾
OAAI
OAAI分享收藏Manufacturing-Induced Imperfections in Composite Parts Manufactured via Automated Fiber PlacementOAAI
OAAI分享收藏Nondestructive evaluation of carbon fibre reinforced composites with infrared thermography and ultrasonics通过红外热成像和超声波对碳纤维增强复合材料进行无损评估COMPOSITE STRUCTURES
COMPOSITE STRUCTURESIF7.1
PREAI
分享收藏
查看更多内容