Jove
Visualize
联系我们

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Compensating Couplant Effects in Phased-Array Ultrasonic ToF Sensing for Residual Stress.

Sensors (Basel, Switzerland)·2026
Same author

Evaluation of signal disturbance and recovery in phased array ultrasonic inspection during welding.

Welding in the world·2026
Same author

Ultrasonic phased array measurement & compression for in-process weld bevel estimation.

Ultrasonics·2026
Same author

Urethral-sparing surgical management of primary urethral adenocarcinoma in a female patient with successful oncological outcome.

BMJ case reports·2025
Same author

Single-Bit Reception With Coded Excitation for Lightweight Advanced Ultrasonic Imaging Systems.

IEEE transactions on ultrasonics, ferroelectrics, and frequency control·2024
Same author

Unsupervised machine learning for flaw detection in automated ultrasonic testing of carbon fibre reinforced plastic composites.

Ultrasonics·2024
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jun 24, 2025

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.7K

推进碳纤维复合材料检查:通过超声波数据的3D U-Net细分来实现深度学习支持的缺陷定位和尺寸.

Shaun McKnight, Vedran Tunukovic, S Gareth Pierce

    IEEE transactions on ultrasonics, ferroelectrics, and frequency control
    |June 3, 2024
    PubMed
    概括

    一种新的深度学习方法使用3D超声波数据准确地定位和尺寸碳纤维复合材料中的缺陷. 这种方法改善了缺陷的表征,减少了非破坏性评估运营商的报告负担.

    更多相关视频

    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
    05:56

    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

    Published on: April 14, 2023

    2.4K
    Detection and Quantification of Tunneling Nanotubes Using 3D Volume View Images
    12:45

    Detection and Quantification of Tunneling Nanotubes Using 3D Volume View Images

    Published on: August 31, 2022

    2.9K

    相关实验视频

    Last Updated: Jun 24, 2025

    Deep Learning-Based Segmentation of Cryo-Electron Tomograms
    10:25

    Deep Learning-Based Segmentation of Cryo-Electron Tomograms

    Published on: November 11, 2022

    8.7K
    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
    05:56

    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

    Published on: April 14, 2023

    2.4K
    Detection and Quantification of Tunneling Nanotubes Using 3D Volume View Images
    12:45

    Detection and Quantification of Tunneling Nanotubes Using 3D Volume View Images

    Published on: August 31, 2022

    2.9K

    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
    • 非破坏性的评估.

    背景情况:

    • 准确的缺陷表征对于在非破坏性评估 (NDE) 中评估组件完整性至关重要.
    • 复合材料中缺陷大小和定位的传统方法可能是劳动密集型的,可能缺乏精度.
    • 超声波测试 (UT) 是一种常见的NDE技术,但对精确的缺陷指标进行体积数据分析仍然具有挑战性.

    研究的目的:

    • 引入一种新的深度学习 (DL) 方法,用于精确地定位和大小化碳纤维增强聚合物 (CFRP) 复合材料中的缺陷.
    • 利用3D U-Net进行UT数据的体积细分,从而实现自动缺陷分析.
    • 为了比较DL方法与行业标准的6dB下降方法用于缺陷特征.

    主要方法:

    • 开发一个3D U-Net模型,用于从CFRP组件中体积细分UT数据.
    • 合成训练数据的生成与实地真相细分面具代表实验UT数据.
    • 对40个制造缺陷的验证,将DL性能与传统的6dB下降分析进行比较.

    主要成果:

    • 通过DL模型实现的优异的透厚定位精度 (0.08毫米MAE) 和良好的平面内定位 (0.57毫米MAE).
    • 最初的DL尺寸大小高估了缺陷,但校正因子显著提高了准确性,与6dB下降方法相比,MAE减少了35%.
    • 体积方法消除了需要广泛的预处理,如信号封闭.

    结论:

    • 3D U-Net 方法为使用 UT 数据在 CFRP 复合材料中进行缺陷定位和尺寸测量提供了强大的自动化解决方案.
    • 这种DL方法提高了准确性,特别是通过厚度定位,并简化了NDE过程.
    • 能够生成3D缺陷面具的功能可在CAD系统中直接使用,大大降低了报告工作量.