تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق
محل انتشار: ماشین بینایی و پردازش تصویر، دوره: 7، شماره: 2
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 214
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMVIP-7-2_002
تاریخ نمایه سازی: 23 اردیبهشت 1400
چکیده مقاله:
امروزه روشهای ارزیابی غیرمخرب (NDE)برای تشخیص خرابی در قطعات صنعتی از سه مرحله تشخیص، مکان یابی و تعیین مشخصات خرابی تشکیل می گردند. اما علیرغم اینکه تکنیک های مبتنی بر NDE موجود در صنعت دارای نتایج نسبتا قابل قبول در آشکارسازی وجود خرابی و تعیین محل آن هستند، اما تشخیص دقیق شکل، ابعاد و عمق خرابی هنوز به عنوان یک چالش باقی مانده است. در این مقاله روشی برای تخمین قابل اعتماد از مشخصات خرابی در قطعات فلزی با استفاده از سیستم اندازه گیری برپایه آزمون جریان گردابی (ECT) و سیستم پس پردازش مبتنی بر تکنیک یادگیری عمیق ارائه شده است. به این صورت که از یک روش یادگیری عمیق به منظور تعیین مشخصات خرابی موجود در یک قطعه فلزی، از طریق تصاویر C-scan حاصل از میدان مغناطیسی سطح قطعه که بوسیله یک حسگر مغناطومقاومت ناهمسانگر (AMR)اخذ شده اند، استفاده شد. در این خصوص، پس از مراحل طراحی و تنظیم شبکه عصبی پیچشی عمیق (DCNN) و اعمال آن به تصاویر C-scan اخذ شده از سیستم اندازهگیری، روش یادگیری عمیق ارائه شده با روش های شبکه های عصبی مصنوعی (ANNs) متداول مانند پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) بر روی تعدادی از نمونه های فلزی با خرابی مختلف مشخص مقایسه گردید. نتایج نشان دهنده برتری روش پیشنهادی برای تخمین مشخصات خرابی در مقایسه با سایر روش های آموزش محور کلاسیک می باشد.
کلیدواژه ها:
نویسندگان
سعید رمضانی
دانشجوی کارشناسی ارشد مهندسی برق الکترونیک، دانشکده فنی، دانشگاه گیلان، رشت
رضا حسن زاده
دانشکده فنی، گروه مهندسی برق، دانشگاه گیلان