通过平面电磁断层扫描与深 convolutional 神经网络成像钢板缺陷

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试 不破坏性测试
• 计算成像技术的成像

背景情况:

• 准确检测金属材料缺陷对于生产和安全至关重要.
• 对金属材料的损坏会改变局部磁透性,这是电磁断层扫描 (EMT) 中的一个关键因素.
• 铁磁材料的EMT的反向问题是错位和不良条件,挑战缺陷检测.

研究的目的:

• 提出一个改进的深度学习模型,P-LeNet,用于增强EMT缺陷检测和图像重建.
• 为了应对EMT的不良性质和铁磁材料的特性所带来的挑战.
• 为了提高重建金属材料缺陷的准确性和稳定性.

主要方法:

• 开发了P-LeNet,这是一个基于EMT的卷积神经网络模型.
• 建立了诱导电压测量和材料属性分布之间的非线性映射.
• 使用多尺度特征提取来增强重建.
• 使用相关系数和图像误差评估图像重建质量.

主要成果:

• 与数字模拟中的传统算法相比,P-LeNet表现出卓越的成像准确性,文物抑制和整体性能.
• 该模型在受到高斯白噪声的影响时表现出强大的抗噪声能力.
• 当与随机样本进行测试时,P-LeNet显示出良好的概括能力.
• 使用九线圈平面EMT传感器的实验验证证证了该模型的有效性.

结论:

• 拟议的P-LeNet模型在基于EMT的金属缺陷检测和图像重建方面取得了重大进展.
• 深度学习方法有效地克服了铁磁材料EMT反向问题的固有挑战.
• 在非破坏性测试和材料评估方面,P-LeNet显示出相当大的实际应用潜力.