对多输入卷积神经网络的研究,以预测碎片板的机械性能
Shuoye Chen1, Shunsuke Sakai2, Miyuki Matsuo-Ueda3
1Research Institute for Sustainable Humanosphere, Kyoto University, Gokasho, Uji, 611-0011, Japan. chen.shuoye.4z@kyoto-u.ac.jp.
Scientific reports
|February 5, 2025
概括
这项研究开发了一种基于图像的质量控制系统,用于使用卷积神经网络 (CNN) 的碎片板. 将表面和截面图像与密度数据相结合,显著改善了机械性质的预测,例如弹性模量 (MOE) 和破裂模量 (MOR).
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 人工智能的人工智能
背景情况:
- 碎片板制造需要严格的质量控制,以确保机械完整性.
- 传统的质量控制方法可能耗时,可能无法捕获所有关键缺陷.
- 开发基于图像的自动化系统为高效的质量评估提供了潜在的解决方案.
研究的目的:
- 研究卷积神经网络 (CNN) 的有效性,以利用表面和横截面图像预测碎片板的机械性能 (MOE和MOR).
- 为了比较单输入和多输入CNN模型的性能.
- 评估将密度数据纳入基于图像的预测模型的影响.
主要方法:
- 在各种条件下制造了27个单层颗粒板.
- 每个样本的上表面,下表面和横截面的获取图像.
- 开发并比较单输入和多输入CNN模型来预测弹性模块 (MOE) 和断裂模块 (MOR).
- 集成材料密度数据与多输入CNN用于增强预测.
主要成果:
- 单输入CNN在使用横截面图像进行MOE和MOR预测时表现最好.
- 多输入CNN结合上表面和横截面图像的表现优于单输入模型.
- 将密度信息添加到多输入CNN中显著提高了MOE和MOR的预测准确性.
- 回归激活图确定了关键特征,如树脂分布和粒子对齐影响机械性能.
结论:
- 基于图像的CNN,特别是结合密度的多输入模型,显示出对碎片板质量控制的巨大潜力.
- 截面成像对于预测机械性能至关重要.
- 了解特征相关性 (树脂,颗粒对齐) 有助于优化制造工艺和材料性能.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
954
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
375
