基于深度学习的方法用于使用PAUT数据在复杂结构中自动检测缺陷
Kseniia Barshok1, Jung-In Choi2, Jaesun Lee3
1Research Institute of DNA+, Changwon National University, Changwon 51140, Republic of Korea.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
复杂结构中的自动缺陷检测通过阶段式阵列超声波测试 (PAUT) 和深度学习进行了改进. 一种新的卷积注意力时间变压器对序列 (CATT-S) 模型实现了99.4%的准确性,提高了非破坏性测试的可靠性.
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:
- 复杂结构中的自动缺陷检测对于确保材料完整性至关重要.
- 对于阶段阵列超声波测试 (PAUT) 的传统信号处理方法在杂的环境中面临限制.
- 深度学习有可能提高 PAUT 数据分析的准确性.
研究的目的:
- 开发和比较使用PAUT数据的自动缺陷检测方法.
- 评估传统的信号处理和各种深度学习架构.
- 引入和验证一个新的卷积注意力时间变换器对序列 (CATT-S) 模型.
主要方法:
- 实施了改进的信号噪声比算法,以自动深度门计算为基线.
- 开发和训练了完全连接网络 (FCN),卷积神经网络 (CNN) 和CATT-S模型.
- 利用各种数据集,包括模拟的CIVA数据和来自接和复合样本的真实数据.
主要成果:
- 改进的SNR算法显示了强大的缺陷指示,但在噪音数据方面遇到了困难.
- CNN实现了94.9%的测试准确度,有效地捕捉了当地的PAUT信号特征.
- 该CATT-S模型以99.4%的准确性和0.905的F1得分超过了基线,模拟了形态和光束间依赖.
结论:
- 深度学习,特别是CATT-S模型,显著改善了使用PAUT的复杂结构的自动缺陷检测.
- 卡特-S模型捕捉细粒度信号形态和远程依赖的能力是其卓越性能的关键.
- 这种综合方法为异质材料的可靠和高效的非破坏性测试 (NDT) 提供了巨大的实际潜力.
