基于Res-ViT和无监督域适应的小型缺陷的超声波表征

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试是指非破坏性测试.
• 人工智能的人工智能

背景情况:

• 使用超声波精确表征小,倾斜的圆形缺陷是具有挑战性的.
• 现有的深度学习模型,如ResNet和ViT,显示出希望,但在通用性方面存在局限性.
• 域调整技术对于在不同的环境中提高模型稳定性至关重要.

研究的目的:

• 开发和评估一种新的深度学习架构,用于对小,倾斜的圆形缺陷进行超声波表征.
• 为了提高深度神经网络在噪音超声波数据中的通用性和稳定性.
• 为了减少在特征缺陷参数的不确定性,如大小,角度和面积比.

主要方法:

• 深度残余网络 (ResNet) 和视觉变压器 (ViT) 的性能评估.
• 提出了一个新的Res-ViT架构,将ResNet和ViT的特征融合在一起.
• 开发一种使用最大平均差异的无监督域适应方法.
• 在各种噪声级别进行模拟研究,以评估模型的稳定性.
• 试验验证具有大方向角的圆形缺陷的实验验证.

主要成果:

• 拟议的Res-ViT模型在描述缺陷参数方面表现出卓越的性能.
• 无监督域调整显著提高了模型在杂环境中的通用性.
• 与基准方法相比,缺陷大小的平方根平均误差 (RMSE) 降低了61%.
• 该模型有效地减少了尺寸,角度和视角比的表征不确定性.

结论:

• Res-ViT架构与无监督域调整相结合,为超声波缺陷表征提供了一个强大的解决方案.
• 这种方法显著提高了识别小,倾斜的圆形缺陷的准确性和可靠性.
• 该方法显示了对现实世界非破坏性测试应用的巨大潜力.