学习重建涡流无损检测中的裂纹轮廓
图像与视频处理
2019-10-29 v2
摘要
涡流检测（ECT）是最流行的无损检测（NDT）技术之一，尤其适用于导电材料。从测得的涡流信号重建裂纹轮廓是 ECT 的主要目标之一。该任务极具挑战性，因为涡流信号是裂纹存在产生的非线性响应，而重建裂纹轮廓需要建立非线性电磁动力学的前向模型并求解其逆问题，这是一个病态数值优化问题。我们不直接数值求解逆问题，而是提出用名为 EddyNet 的深度编码器-解码器卷积神经网络直接从涡流信号到裂纹轮廓学习逆映射。EddyNet 在一组随机生成的裂纹轮廓及由真实前向模型生成的相应模拟涡流响应上训练。在留出测试数据上，EddyNet 在预测轮廓与真实轮廓间取得了 0.198 的平均绝对误差。在定性上，预测轮廓的几何形状与真实轮廓视觉相似。我们的方法大幅降低了对领域专家的通常依赖，且重建在 GPU 和 CPU 上均极快。EddyNet 的源代码发布于 https://github.com/askerlee/EddyNet。
引用
@article{arxiv.1910.08721,
title = {Learning to Reconstruct Crack Profiles for Eddy Current Nondestructive Testing},
author = {Shaohua Li and Ayesha Anees and Yu Zhong and Zaifeng Yang and Yong Liu and Rick Siow Mong Goh and En-Xiao Liu},
journal= {arXiv preprint arXiv:1910.08721},
year = {2019}
}
备注
Accepted by Second Workshop on Machine Learning and the Physical Sciences, NeurIPS 2019