典型文献
基于深度学习的管道焊缝超声检测缺陷识别方法
文献摘要：
目前深度学习的方法已经很好的应用于基于图像数据的管道焊缝缺陷自动检测,但是对于深度学习辅助超声无损检测却进展缓慢.主要原因是超声无损检测数据的复杂性(步长大、多模态、多峰分布等),神经网络训练往往出现梯度消失或爆炸的问题,而且能用于训练的标准数据集也严重匮乏.为了克服这些困难,首先引入特殊标准化方法和全连接隐含层实现了一种超声无损检测数据增强方法FMC-GAN构建虚拟数据集,再根据改进的LSTM-FCN模型并引入门函数,以此彻底克服超声无损检测数据复杂性.最后实验表明LSTM-FCN网络识别真实检测数据中的缺陷漏检率为0,各缺陷综合正确识别率高于95.6％,达到工业检测的要求,为超声无损检测智能化发展提供重要研究基础.
文献关键词：
超声无损检测;深度学习;管道焊缝;缺陷识别
中图分类号：
作者姓名：
余泽禹;袁洪强;卫小龙;杜国锋
作者机构：
长江大学电子信息学院,荆州434023;长江大学城市建设学院,荆州 434023;长江大学石油工程学院,武汉 430100
文献出处：
引用格式：
[1]余泽禹;袁洪强;卫小龙;杜国锋-.基于深度学习的管道焊缝超声检测缺陷识别方法)[J].科学技术与工程,2022(30):13288-13292
A类：
B类：
管道焊缝,超声检测,缺陷识别,图像数据,焊缝缺陷,自动检测,辅助超声,超声无损检测,展缓,检测数据,步长,长大,多峰分布,神经网络训练,梯度消失,标准数据集,标准化方法,全连接,隐含层,数据增强,增强方法,FMC,GAN,虚拟数据,FCN,入门,漏检率,识别率高,工业检测,智能化发展
AB值：
0.381113
相似文献
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。
