使用交替磁光成像和ResNet50进行自然接缺陷的自动检测和分类

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:

• 检测接元件中的自然缺陷是一项挑战.
• 磁光学 (MO) 成像利用法拉第效应,为非破坏性测试提供了一个潜在的解决方案.
• 现有的机器学习模型在准确分类特定接缺陷,如裂和气体孔等方面存在局限性.

研究的目的:

• 开发和评估一个MO成像系统,用于非破坏性检测自然接缺陷.
• 为了比较各种图像预处理和机器学习模型的性能,以进行缺陷分类.
• 通过使用MO图像,为自然接缺陷建立一个高度准确的分类模型.

主要方法:

• 建立了一个由交替磁场激发的MO成像系统.
• 应用了图像预处理技术,包括高斯式,双边和中间选.
• 使用主要组件分析 (PCA) 输入支持矢量机 (SVM) 和反向传播 (BP) 神经网络模型的特征提取.
• 卷积神经网络 (CNN) 和ResNet50模型被开发和优化用于MO图像分类.

主要成果:

• 对于自然接缺陷,ResNet50模型实现了99%的整体分类准确度.
• ResNet50的准确性比PCA-SVM提高了7.4%,比CNN提高了1.8%.
• 气体孔的分类精度特别提高了10% (与PCA-SVM相比) 和4% (与CNN相比).

结论:

• 开发的ResNet50模型有效且准确地从MO图像中对自然接缺陷进行分类.
• ResNet50显著提高了对具有挑战性的接缺陷的检测和识别能力.
• 这种先进的MO成像和AI方法有望改善接结构的质量控制.