相关实验视频
Updated: Jul 20, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
1.0K
使用X射线图像增强和卷积神经网络的多类接缺陷的自动分类
Dalila Say1, Salah Zidi1, Saeed Mian Qaisar2,3
1Hatem Bettaher Laboratory, IResCoMath, University of Gabes, Gabes 6029, Tunisia.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
本研究介绍了一种使用数据增强和卷积神经网络 (CNN) 来检测X射线图像中的多类接缺陷的自动化方法. 该方法实现了92%的准确性,为工业检查提供了有前途的解决方案.
科学领域:
- 工业非破坏性测试 工业非破坏性测试
- 机器学习用于质量控制.
- 图像处理用于缺陷检测和检测.
背景情况:
- 手动X射线检查接缺陷是昂贵的,耗时的,容易出现人为错误.
- 在制造业中,需要自动化,可靠和高效的方法来识别各种接缺陷的需求至关重要.
研究的目的:
- 开发一种自动化系统,从X射线图像中识别和分类多种类型的接缺陷.
- 利用数据增强和卷积神经网络 (CNN) 来提高缺陷检测的准确性.
主要方法:
- 实施了一种混合方法,将先进的数据增强技术 (旋转,剪切,放大,亮度,翻转) 与CNN模型相结合.
- 在一个工业数据集上训练和评估该模型,该数据集包括6个缺陷类别和正常样本中的4479张X射线图像.
主要成果:
- 该自动化系统在检测和分类各种接缺陷时平均达到92%的准确性.
- 数据增强策略改善了CNN模型的泛化能力,用于多类缺陷识别.
结论:
- 拟议的自动化方法表明,在工业环境中,可靠和高效的接缺陷检测具有显著的潜力.
- 这种基于CNN的方法为传统的手动检查提供了可行的替代方案,提高了准确性并降低了运营成本.
