相关实验视频
Updated: Jun 24, 2025
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
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.
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.
