基于深度残差卷积神经网络的涡流检测金属表面缺陷深度评估
机器学习
2021-04-07 v1 图像与视频处理
信号处理
摘要
涡流检测 (ECT) 是评估金属表面缺陷深度的有效技术。然而在实践中，评估主要依赖操作员的经验，且常通过人工检视进行。本文中，我们利用最先进的深度学习 (DL) 技术解决金属表面缺陷深度自动评估的挑战。主要贡献有三方面。首先，研制了一款高度集成的便携式 ECT 设备，其利用先进的现场可编程门阵列 (Zynq-7020 片上系统) 并提供快速数据采集与同相/正交解调。其次，使用该 ECT 设备由人工操作员构建了一个称为 MDDECT 的数据集并公开可用。它包含来自 18 个具有不同深度与提离的缺陷的 48,000 次扫描。第三，将深度评估问题表述为时间序列分类问题，并在 MDDECT 数据集上训练与评估了多种最先进的 1 维残差卷积神经网络。一个 38 层 1 维 ResNeXt 在区分不锈钢板表面缺陷中达到 93.58% 准确率。缺陷深度从 0.3 mm 到 2.0 mm 以 0.1 mm 分辨率变化。此外，结果表明所训练的 ResNeXt1D-38 模型对提离信号免疫。
引用
@article{arxiv.2104.02472,
title = {Depth Evaluation for Metal Surface Defects by Eddy Current Testing using Deep Residual Convolutional Neural Networks},
author = {Tian Meng and Yang Tao and Ziqi Chen and Jorge R. Salas Avila and Qiaoye Ran and Yuchun Shao and Ruochen Huang and Yuedong Xie and Qian Zhao and Zhijie Zhang and Hujun Yin and Anthony J. Peyton and Wuliang Yin},
journal= {arXiv preprint arXiv:2104.02472},
year = {2021}
}