相关实验视频
Updated: Jan 15, 2026
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
1.8K
接VGG:以VGG为灵感的深度学习模型,用于从具有视觉解释能力的X光图像中对接缺陷进行分类
Gabriel López1, Pablo Duque Ramírez2, Emanuel Vega1
1Escuela de Ingeniería Informática, Pontificia Universidad Católica de Valparaíso (PUCV), Av. Brasil 2241, Valparaíso 2362807, Chile.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
本研究介绍了WeldVGG,这是一个深度学习模型,用于在X射线图像中自动分类接缺陷. 它为接结构的质量控制提供了一个可扩展和可解释的解决方案.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机科学和人工智能 人工智能
- 非破坏性测试是指非破坏性测试.
背景情况:
- 手动接检查是主观的,不一致的,缺乏可扩展性.
- 自动缺陷检测对于接结构的高效质量控制至关重要.
- 射线图像是接完整性的关键非破坏性测试方法.
研究的目的:
- 开发和评估WeldVGG,这是一个深度学习模型,用于使用放射图像进行自动化接缺陷分类.
- 提高深度学习模型在接检查中的可解释性.
- 将WeldVGG与传统的机器学习和最先进的深度学习模型进行比较.
主要方法:
- 训练WeldVGG在RIAWELC数据集上,包括四个缺陷类别的X射线接图像.
- 使用Grad-CAM++生成类歧视性突出地图,以提高模型的可解释性.
- 对SVC,随机森林和MobileNetV3.3进行分层交叉验证和基准测试.
- 通过对GDXray数据集的测试和使用Wilcoxon签名等级测试验证实模型概括的统计学意义.
主要成果:
- 在接缺陷检测中,WeldVGG实现了高分类准确性和可解释性.
- 该模型在RIAWELC数据集上表现强,表现优于传统基线.
- Grad-CAM++为模型预测提供了视觉验证,增强了信任和可解释性.
- 在GDXray数据集上观察到积极的概括结果.
结论:
- WeldVGG为自动化接缺陷分类提供了一个实用,可扩展和可解释的解决方案.
- 像WeldVGG这样的深度学习模型可以显著提高接检查的效率和可靠性.
- 这项研究强调了可解释AI在关键工业应用 (如质量控制) 中的重要性.
