این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۷، شماره ۲، صفحات ۱۳-۲۴
عنوان فارسی تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق
چکیده فارسی 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 نسبتاً 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.
کلیدواژه‌های فارسی مقاله اندازه‌گیری میدان مغناطیسی، شبکه عصبی عمیق، مغناطومقاومت ناهمسانگر، یادگیری عمیق، یادگیری ماشین،
عنوان انگلیسی Defect detection in metallic structures through AMR C-scan images using deep learning method
چکیده انگلیسی مقاله Nowadays, nondestructive evaluations (NDE) techniques for the diagnosis of defects in the industrial components follow three steps: detection, location, and Determination of defect profile. Despite the fact that the NDE techniques available in the industry have fairly acceptable results for defect detection and localization, but accurate diagnosis of the shape, dimensions, and depth of the defect still remained a challenging task. In this paper, a method for reliable estimation of defect profile in conductive materials is presented using an eddy current testing (ECT) based measurement system and a post-processing technique based on deep learning approach. Accordingly, a deep learning method is used for defect characterization in metallic structures through magnetic field C-scan images which have been obtained by an anisotropic magneto-resistive (AMR) sensor. In this regards, after modeling and regulating the deep convolutional neural network (DCNN) to apply to the obtained C-scan images, the performance of the proposed deep learning method is compared with the conventional artificial neural networks (ANNs) such as multi-layer perceptron (MLP) and Radial based function (RBF) on a number of specimens with different known defects. Results confirm the superiority of the proposed approach relative to other conventional methods for defect profile estimation.
کلیدواژه‌های انگلیسی مقاله اندازه‌گیری میدان مغناطیسی, شبکه عصبی عمیق, مغناطومقاومت ناهمسانگر, یادگیری عمیق, یادگیری ماشین
نویسندگان مقاله سعید رمضانی |
دانشجوی کارشناسی ارشد مهندسی برق الکترونیک، دانشکده فنی، دانشگاه گیلان، رشت

رضا حسن زاده |
دانشکده فنی، گروه مهندسی برق، دانشگاه گیلان

نشانی اینترنتی https://jmvip.sinaweb.net/article_107551_4528acb4f1cbe9d659e513aae1d86561.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات