使用Detectron2和SAM对金属纤维层材的自动损伤诊断进行深度学习方法的研究

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 计算机科学 计算机科学

背景情况:

• 金属纤维层 (FMLs) 在航空航天和汽车行业至关重要.
• 冲击损伤对FML板块构成结构性故障的重大风险.
• 自动化损害评估对于安全和降低成本至关重要.

研究的目的:

• 开发一种自动化的深度学习方法,用于检测,细分和描述FML板块中的冲击损伤.
• 为了比较分段任何模型 (SAM) 和基于面膜区域的卷积神经网络 (Mask R-CNN) 的性能.
• 评估深度学习模型的可解释性,用于工业检查.

主要方法:

• 利用了FML板块的X射线CT数据集,这些板块受到不同冲击能量 (5J-12.5J) 的影响.
• 使用Mask R-CNN (Detectron2) 和SAM进行应用领域适应的监督学习.
• 通过使用关键指标和评估模型可解释性来评估绩效.

主要成果:

• 与SAM相比,Mask R-CNN在所有关键指标上表现优越.
• 面具R-CNN实现了显著更快的训练 (8倍) 和推断 (80倍) 时间.
• 面具R-CNN为最终用户提供了更好的解释性.

结论:

• 面膜R-CNN是FML板块中自动损伤诊断的高效工具.
• 该研究强调了对于全面的定量比较而言,需要绝对的基准真实数据.
• 调查结果为复合材料的工业检查和质量保证提供了洞察力.