三维残余神经架构 寻找超声波缺陷检测检测的超声波检索

科学领域:

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

背景情况:

• 对碳纤维复合材料的实验超声波测试数据采集是昂贵且耗时的.
• 现有的深度学习方法往往难以应对体积超声波数据的复杂性.

研究的目的:

• 开发和评估深度学习方法,用于检测碳纤维增强聚合物 (CFRP) 复合材料中的缺陷,使用体积超声波测试 (UT) 数据.
• 通过合成数据生成和先进的神经网络架构来应对有限的实验训练数据的挑战.

主要方法:

• 利用3D卷积神经网络 (CNN) 来分析体积UT数据.
• 扩展合成数据生成以整合完整的体积信息,减少预处理.
• 我们比较了三种CNN架构:一个标准的体积分类器,一个用立方体内核修改的架构,以及通过神经架构搜索 (NAS) 发现的新型架构.
• 在培训期间纳入特定领域的数据增强技术.

主要成果:

• 发现的NAS架构实现了最高的性能,增强后平均准确度提高了22.4%.
• 这种架构在平均准确度方面比第二好的模型表现更好7.9%.
• 该模型始终检测到所有缺陷,保持比典型的2D ResNets更小的尺寸,推断时间低于0.5秒.

结论:

• 深度学习,特别是NAS发现的3D CNN,提供了一种高度有效和高效的解决方案,用于使用体积UT数据在CFRP复合材料中自动检测缺陷.
• 合成数据生成和特定领域的增强对于提高这些模型的性能和稳定性至关重要.
• 开发的方法大大提高了复合材料的NDT过程.