基于剪切图的复合材料近表面缺陷检测:仅使用模拟数据训练的时空物体检测神经网络
Guanlin Li1,2, Yao Hu1,2, Hao Wang1,2
1School of Optics and Photonics, Beijing Institute of Technology, Beijing 100081, China.
Nanomaterials (Basel, Switzerland)
|April 11, 2025
概括
这项研究介绍了YOWO_SS3D,一种神经网络,用于使用模拟数据检测剪切图缺陷. 它在没有昂贵的实验数据的情况下实现了高精度 (96.99%),显著优于现有方法.
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:
- 剪切法是复合材料的关键非破坏性测试 (NDT) 方法之一.
- 神经网络提供高效的缺陷检测,但需要广泛的数据集,这些数据集在实验中获得成本高昂.
- 对于剪切图数据的现有模拟方法缺乏准确性,阻碍了神经网络的性能.
研究的目的:
- 开发一种具有成本效益的方法来训练神经网络,以仅使用模拟数据来检测剪切图的缺陷.
- 设计一个时空物体检测网络,能够从模拟的剪切图相位图序列中学习.
- 提高神经网络在剪切图的准确性和适用性NDT.
主要方法:
- 作为数据介质,利用了剪切图的相位图序列.
- 设计和实施了YOWO_SS3D时空物体检测网络.
- 使用4000模拟相位图数据训练了YOWO_SS3D网络.
主要成果:
- 在实验阶段地图上,YOWO_SS3D网络实现了96.99%的检测准确度.
- 这远远超过了在同样的模拟数据上训练的YOLOv4的65.37%准确率.
- 该网络有效地从模拟数据中学习空间和时间特征.
结论:
- 通过YOWO_SS3D网络,仅使用模拟数据,可以在剪切图中准确检测缺陷.
- 这种方法消除了对昂贵的实验数据集的需求,促进了AI在NDT中的更广泛采用.
- YOWO_SS3D网络可用于实际的缺陷检测任务,降低成本和提高效率.
