光声信号到基于图像的卷积神经网络用于缺陷检测

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
• 人工智能的人工智能

背景情况:

• 检测材料缺陷对于确保结构完整性和产品质量至关重要.
• 传统的非破坏性测试方法在灵敏度和范围上可能受到限制.
• 光声学 (PA) 成像为地下缺陷可视化提供了一个有前途的技术.

研究的目的:

• 开发一种基于图像转换的卷积神经网络 (CNN) 模型的新型光声学 (PA) 信号,用于自动化材料缺陷检测.
• 创建一个低成本的计算机辅助PA触发和采集设备用于数据收集.
• 通过不同的材料和评估策略来评估模型的性能.

主要方法:

• 开发了一种低成本的计算机辅助PA触发和获取设备.
• 从有缺陷和完整的材料 (,铁,木材,塑料) 收集了PA信号.
• 变化模式分解用于PA信号到图像的转换和特征提取.
• 一个轻量级的CNN在转换的灰度PA图像上进行了训练和测试,以进行缺陷分类.

主要成果:

• 拟议的CNN模型在缺陷检测方面实现了高精度.
• 在类内 (物质依赖) 评估的平均准确率为0.977 (高达1.0).
• 全类 (材料独立) 评价的结果是平均准确度为0.942 (高达0.955).

结论:

• 开发的PA信号到图像转换CNN模型是有效的材料缺陷检测.
• 该模型在各种材料中表现出强大的性能,无论是独立的还是集体的.
• 这种方法为非破坏性材料检查提供了具有成本效益和准确的解决方案.