基于卷积神经网络和激光超声的表面缺陷检测
摘要
针对激光超声检测中表面缺陷深度、角度定量识别的问题，提出一种基于深层卷积神经网络（CNN）和支持向量机集成学习的近表面缺陷检测新方法。首先，通过建立有限元模型模拟不同缺陷深度、角度的激光超声信号，然后利用小波变换对信号进行时频分析，获取带有时域和频域特征的时频谱图，最后将时频谱图输入深层CNN和支持向量机模型中进行缺陷深度、角度的预测。结果表明，所提模型能够对缺陷深度、角度进行高精度预测，回归系数保持在0.98以上，真实值与预测值的平均相对误差保持在13%以下，预测精度不仅优于集成学习中的单个网络模型，还优于常见的CNN神经网络模型和VRD集成神经网络模型。
引用本文（GB/T 7714）
郭明泽 Guo Mingze, 张兴媛 Zhang Xingyuan, 金桢玥 Jin Zhenyue. 基于卷积神经网络和激光超声的表面缺陷检测[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。