تشخیص خرابی در قطعات فلزی از طریق تصاویر C-Scan حاصل از حسگر Amr با استفاده از روش مبتنی بر یادگیری عمیق

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 اندازه‌گیری برپایه آزمون جریان گردابی (ect) و سیستم پس‌پردازش مبتنی بر تکنیک یادگیری عمیق ارائه شده است. به این صورت که از یک روش یادگیری عمیق به‌منظور 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 شبکه‌های عصبی مصنوعی (anns) متداول مانند پرسپترون چند لایه (mlp) و تابع پایه شعاعی (rbf) بر روی تعدادی از نمونه‌های 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 می‌باشد.

Defect detection in metallic structures through AMR Cscan images using deep learning method

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 postprocessing technique based on deep learning approach. Accordingly, a deep learning method is used for defect characterization in metallic structures through magnetic field Cscan images which have been obtained by an anisotropic magnetoresistive (AMR) sensor. In this regards, after modeling and regulating the deep convolutional neural network (DCNN) to apply to the obtained Cscan images, the performance of the proposed deep learning method is compared with the conventional artificial neural networks (ANNs) such as multilayer 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.