基于深度学习的智能敲击检测缺陷识别
信号处理
2022-03-24 v1 机器学习
声音
音频与语音处理
摘要
敲击测试是一种便捷且基础的无损检测方法，但其人工现场操作艰苦且成本高昂。借助最新的智能信号处理方法——卷积神经网络（CNN），我们实现了一种智能敲击测试，在缺陷识别中表现出优越性能。然而，CNN 的成功依赖于来自同一场景的大量良好标注数据，这对许多实际工业应用而言难以获取。本文针对该问题进一步发展了迁移学习策略，即将在一个场景数据上训练的模型迁移至另一场景。实验中，结果表明采用域适应与伪标签学习策略取得了显著改进。因此，采用本文提出的迁移学习策略，可将模型应用于无标注或极少（少于 10%）标注数据的场景。此外，我们在整个研究过程中使用了一个自行构建的基准数据集。该包含约 100,000 条声音信号的敲击测试基准数据集发布于 https://github.com/PPhub-hy/torch-tapnet。
引用
@article{arxiv.2203.12594,
title = {Deep Learning based Intelligent Coin-tap Test for Defect Recognition},
author = {Hongyu Li and Peng Jiang and Tiejun Wang},
journal= {arXiv preprint arXiv:2203.12594},
year = {2022}
}