典型文献
基于机器学习和超声成像的缺陷识别与分析
文献摘要：
为了量化分析样本中的缺陷,利用卷积神经网络(Convolutional Neural Network,CNN)结合阈值分割和深度优先搜索算法实现了对超声检测图像中样品内部缺陷的识别,将实际图像输入神经网络模型中,成功完成了对缺陷的标记,验证了模型的可靠性.利用FieldⅡ对全矩阵捕获(Full Matrix Capture,FMC)过程及对数据以全聚焦成像方法(Total Focus Method,TFM)进行成像的过程进行了仿真模拟,获得了可用于机器学习的数据集.基于方向梯度直方图(Histogram of Oriented Gradient,HOG)提取了全聚焦成像结果图的图像特征,利用改进的支持向量机(Support Vector Machine,SVM)获得由图像预测缺陷半径的模型并对该模型进行了评价.结果表明,利用上述方法提取的缺陷半径信息精准度在0.1 mm,能够应用于缺陷半径的量化分析,预测误差主要来源于数据集两端,可以通过预处理算法进一步提升检测精度.
文献关键词：
超声相控阵;卷积神经网络;方向梯度直方图;支持向量机;机器学习
中图分类号：
作者姓名：
李灏天;刘晓宙;何爱军
作者机构：
南京大学物理学院,南京,210093;近代声学教育部重点实验室,南京大学声学研究所,南京,210093;南京大学电子科学与工程学院,南京,210023
文献出处：
引用格式：
[1]李灏天;刘晓宙;何爱军-.基于机器学习和超声成像的缺陷识别与分析)[J].南京大学学报（自然科学版）,2022(04):670-679
A类：
B类：
基于机器学习,超声成像,缺陷识别,识别与分析,Convolutional,Neural,Network,阈值分割,深度优先搜索算法,算法实现,超声检测,内部缺陷,入神,Field,全矩阵,Full,Matrix,Capture,FMC,全聚焦成像方法,Total,Focus,Method,TFM,仿真模拟,方向梯度直方图,Histogram,Oriented,Gradient,HOG,图像特征,Support,Vector,Machine,预测缺陷,预测误差,理算,检测精度,超声相控阵
AB值：
0.424869
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
