CN117907426B - 一种基于梯度法特征分析的金属涡流无损检测方法 - Google Patents
一种基于梯度法特征分析的金属涡流无损检测方法 Download PDFInfo
- Publication number
- CN117907426B CN117907426B CN202410306992.4A CN202410306992A CN117907426B CN 117907426 B CN117907426 B CN 117907426B CN 202410306992 A CN202410306992 A CN 202410306992A CN 117907426 B CN117907426 B CN 117907426B
- Authority
- CN
- China
- Prior art keywords
- gradient
- eddy current
- metal
- parameter vector
- loss function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 30
- 239000002184 metal Substances 0.000 title claims abstract description 30
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000007769 metal material Substances 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000004154 testing of material Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 229910052782 aluminium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000006247 magnetic powder Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000000254 damaging effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9006—Details, e.g. in the structure or functioning of sensors
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
该发明公开了一种基于梯度法特征分析的金属涡流无损检测方法，属于材料测试领域。该方法通过梯度法快速提取金属材料的涡流信号特征，结合特征计算方法进行分类评估，实现了对金属材料缺陷的精确检测。在金属涡流无损检测中，梯度法特征分析方法可快速准确提取待检测金属工件的表面和内部缺陷特征进行成像分析，检测范围广泛。实现了对金属材料缺陷的高效、精确检测，提高了检测效率，降低了人工操作的难度和成本；可适用于不同材质的金属材料，具有较强的通用性和泛化能力。
Description
技术领域
本发明涉及材料测试领域，特别是一种基于梯度法特征分析的金属涡流无损检测方法。
背景技术
随着工业技术的不断发展，无损检测技术在产品质量控制、设备安全运行等方面发挥着越来越重要的作用。金属涡流无损检测技术作为一种常见的无损检测技术，其通过利用交变磁场在导电材料中产生的涡流进行检测，这种无损检测技术被广泛应用于各种领域，如汽车、船舶、航空航天、电力、石油管道等。但是传统的涡流无损检测方法基于固定的参数设置，无法自适应地调整参数并提取有效的特征，对复杂缺陷的检测能力有限，对缺陷的定位和定量精度有待提高。
近年来，随着人工智能技术的快速发展，机器学习、深度学习等算法被应用于无损检测领域，为提高检测精度和效率提供了新的解决方案。现有的人工智能金属无损检测技术主要基于AI图像处理技术，通过提取缺陷的图像特征进行分类和识别。这种方法在面对复杂的深层缺陷时，存在较大的局限性。
目前的金属无损检测方法包括：射线无损检测、超声无损检测、磁粉无损检测和涡流无损检测等。
射线无损检测的缺点是，射线对人员有损伤作用，必须采取防护措施。检测周期较长，不能实时得到结果。
超声无损检测的缺陷显示不直观，对缺陷定性和定量较困难。需要耦合剂，对操作人员的技能有较高的要求。
磁粉无损检测只能检验铁磁性材料表面和近表面的缺陷，通常可检深度仅为1-2毫米。磁悬液可能导致环境污染，不利于现场检测。
涡流无损检测受工件形状影响大，检测效率低。对缺陷显示不直观，难于定性和定量。
发明内容
为了解决背景技术中的问题，本发明提出了一种基于梯度法特征分析的金属涡流无损检测方法。该方法通过梯度法快速提取金属材料的涡流信号特征，结合特征计算方法进行分类评估，实现了对金属材料缺陷的精确检测。在金属涡流无损检测中，梯度法特征分析方法可快速准确提取待检测金属工件的表面和内部缺陷特征进行成像分析，检测范围广泛。
本发明技术方案为：一种基于梯度法特征分析的金属涡流无损检测方法，其特征在于，该方法包括：
步骤1：对金属物品各个部位进行涡流信号采集，包括有缺陷的部位和没有缺陷的部位；
步骤2：对涡流信号进行滤波处理；
步骤3：计算步骤2得到信号的涡流梯度特征；
步骤3.1：随机给定参数向量，根据已知的一组样本数据(X,Y)，求解损失函数/>，在一维梯度中特征是沿着时间轴上的一系列数据点，X表示其中一个数据点的位置，Y表示该位置的特征值，即Y是X对应的特征值；在一维梯度特征中，/>表示第k次采样的特征梯度值，参数向量/>中的每个元素会影响模型的预测结果；
损失函数为：
其中，n是样本数量，表示样本i的特征向量，每个样本由一组特征组成，描述了样本的特征属性，/>表示样本i的目标值，每个样本都有一个对应的标签，用于表示样本要预测的数值；在训练过程中计算损失函数，并通过优化损失函数来调整模型参数，使得模型的预测结果尽可能接近真实目标值；/>表示参数向量/>的转置；
步骤3.2：对进行求偏导，
其中，；
对求偏导后给出了损失函数相对于参数向量/>的梯度方向，指向损失函数增长最快的方向；/>表示参数向量/>中的第 j 个元素，/>在损失函数中表示样本的真实标签或目标值；/>表示参数向量/>中的第 i个元素，/>表示样本j的特征向量；
步骤3.3：梯度下降的更新步骤需要调整参数向量，更新参数向量/>时要使，然后返回步骤3.2进行迭代；当g小于设定阈值时，算法停止迭代，输出停止迭代时的参数向量/>；/>表示参数向量/>在第t次迭代时的值，/>则表示在进行了第 t 次迭代后，参数向量更新后的值；/>为控制每次参数更新的幅度参数；g为损失函数关于参数的梯度，指示了损失函数在当前参数值处的变化率和方向；
步骤3.4：采用步骤3.1到步骤3.3的方法计算多个调频周期的参数向量，对多个调频周期的一维梯度特征结果进行二维梯度特征变换，生成幅值-频率梯度法矩阵，幅值-频率梯度法矩阵即为涡流梯度特征；
步骤4：采用步骤1到步骤3的方法建立一个数据库，其中包含以下字段；迭代次数t、参数向量、损失函数值/>；
每次迭代后，将上述信息存储到数据库中；
步骤5：采用步骤4得到的数据库训练一个分类器，通过梯度下降算法来学习参数，在每次迭代中，从数据库中获取训练数据，计算梯度，并更新模型参数；
步骤6：实际缺陷检测时，采用步骤1到步骤3的方法得到待检测金属不同区域的涡流梯度特征，然后输入步骤5训练好的分类器，得到检测结果。
进一步的，所述步骤1的方法为：采用1KHz正弦波激励信号对金属物品各个部位进行涡流信号采集。
进一步的，所述步骤2中采用离散小波变换对步骤1得到的信号进行滤波处理。
进一步的，所述步骤3中涡流梯度特征的计算方法还可以为：
其中，/>表示涡流梯度特征，/>表示指数调节系数，/>表示梯度调节系数，k表示特征梯度，K表示特征梯度总数，q表示采样次数，m表示采样次数总数，/>表示特征相关性系数，/>表示梯度特征计算函数，/>表示滤波处理后的涡流信号，/>表示金属特征梯度种类。
进一步的，所述步骤5中的分类器为逻辑回归模型。
本发明能够有效地提取信号中的局部信息，结合梯度下降法算法进行分类和预测，能够自动学习涡流信号中的复杂特征，降低了人为因素对检测结果的影响；实现了对金属材料缺陷的高效、精确检测，提高了检测效率，降低了人工操作的难度和成本；可适用于不同材质的金属材料，具有较强的通用性和泛化能力。
附图说明
图1为本发明技术方案的框图。
图2为梯度法提取金属铁标样Fe-K162涡流特征的幅值-时间图。
具体实施方式
如图1所示，本方案提供一种梯度法特征分析涡流无损检测方法，由涡流信号采集、信号预处理、梯度法特征提取、分类器组成。采集金属涡流信号后对信号进行降噪和滤波，提取的信号由涡流梯度特征，涡流梯度特征输入分类器进行分类，最后输出分类结果；在计算涡流梯度特征时根据分类器的分类结果进行计算参数的优化。
具体方法为：
步骤1：采用1KHz正弦波激励信号对金属铝板面积为12mm*12mm，深度为2mm的缺陷目标进行涡流检测；电涡流传感器通过激励信号向检测区域发射涡流信号，在金属铝板中激发涡流，涡流场会根据金属铝板缺陷部位的结构变化而发生变化，从而接收的响应信号也发生变化，通过信号处理器采集包含缺陷的传感器输出信号。
步骤2：利用离散小波变换进行降噪和滤波，使用DB4即可获得较高的信噪比，减少干扰和噪声，使特征提取更加准确；DB4为Daubechies 小波族的一种特定类型，它是一组具有紧支撑特性的正交小波基函数，通常用于信号处理应用中，它具有一些特点如平滑性、紧支撑性和较好的时频局部化特性，“DB4”小波常被用于需要较好的时频分辨率和良好的能量集中性能的应用场景中。
步骤3：使用梯度下降算法，多次迭代求解涡流特征，计算损失函数对模型参数的偏导数，确定参数更新，对涡流特征的轮廓、尺寸、缺陷深度等参数，计算损失函数的偏导数，然后生成梯度法特征点。
使用SQLite3 建立数据库，记录梯度下降算法中每次迭代的参数更新过程参数：迭代次数t、参数向量、损失函数/>。提取梯度法幅值信息，对多个调频周期的一维梯度特征结果进行二维梯度特征变换，如图2所示，生成幅值-时间图。
步骤4：使用逻辑回归模型对梯度下降算法进行参数优化。在每次迭代中，从数据库中获取训练数据，计算梯度，并更新模型参数。
步骤5：对梯度特征使用金属涡流特征计算模型。使用特征权重和函数表达式对梯度下降法提取的特征点进行计算，对比标准库来验证计算模型参数，优化模型的预测结果。
步骤6：实际缺陷检测时，采用步骤1到步骤3的方法得到待检测金属不同区域的涡流梯度特征，然后输入步骤5训练好的分类器，得到检测结果。
Claims (4)
1.一种基于梯度法特征分析的金属涡流无损检测方法，其特征在于，该方法包括：
步骤1：对金属物品各个部位进行涡流信号采集，包括有缺陷的部位和没有缺陷的部位；
步骤2：对涡流信号进行滤波处理；
步骤3：计算步骤2得到信号的涡流梯度特征；
步骤3.1：随机给定参数向量，根据已知的一组样本数据(X,Y)，求解损失函数/>，在一维梯度中特征是沿着时间轴上的一系列数据点，X表示其中一个数据点的位置，Y表示该位置的特征值，即Y是X对应的特征值；在一维梯度特征中，/>表示第k次采样的特征梯度值，参数向量/>中的每个元素会影响模型的预测结果；
损失函数为：
；
其中，n是样本数量，表示样本i的特征向量，每个样本由一组特征组成，描述了样本的特征属性，/>表示样本i的目标值，每个样本都有一个对应的标签，用于表示样本要预测的数值；在训练过程中计算损失函数，并通过优化损失函数来调整模型参数，使得模型的预测结果尽可能接近真实目标值，/>表示参数向量/>的转置；
步骤3.2：对进行求偏导，
；
其中，；
对求偏导后给出了损失函数相对于参数向量/>的梯度方向，指向损失函数增长最快的方向； />表示参数向量/>中的第 j 个元素，/>表示参数向量/>中的第 i个元素，/>在损失函数中表示样本的真实标签或目标值，/>表示样本j的特征向量；
步骤3.3：梯度下降的更新步骤需要调整参数向量，更新参数向量/>时要使，然后返回步骤3.2进行迭代，/>表示参数向量/>在第t次迭代时的值，/>则表示在进行了第 t 次迭代后，参数向量更新后的值；当g小于设定阈值时，算法停止迭代，输出停止迭代时的参数向量/>；其中，/>为控制每次参数更新的幅度参数；g为损失函数关于参数的梯度，指示了损失函数在当前参数值处的变化率和方向；
步骤3.4：采用步骤3.1到步骤3.3的方法计算多个调频周期的参数向量，对多个调频周期的一维梯度特征结果进行二维梯度特征变换，生成幅值-频率梯度法矩阵，幅值-频率梯度法矩阵即为涡流梯度特征；
步骤4：采用步骤1到步骤3的方法建立一个数据库，其中包含以下字段；迭代次数t、参数向量、损失函数值/>；
每次迭代后，将上述迭代次数t、参数向量、损失函数值/>信息存储到数据库中；
步骤5：采用步骤4得到的数据库训练一个分类器，通过梯度下降算法来学习参数，在每次迭代中，从数据库中获取训练数据，计算梯度，并更新模型参数；
步骤6：实际缺陷检测时，采用步骤1到步骤3的方法得到待检测金属不同区域的涡流梯度特征，然后输入步骤5训练好的分类器，得到检测结果。
2.如权利要求1所述的一种基于梯度法特征分析的金属涡流无损检测方法，其特征在于，所述步骤1的方法为：采用1KHz正弦波激励信号对金属物品各个部位进行涡流信号采集。
3.如权利要求1所述的一种基于梯度法特征分析的金属涡流无损检测方法，其特征在于，所述步骤2中采用离散小波变换对步骤1得到的信号进行滤波处理。
4.如权利要求1所述的一种基于梯度法特征分析的金属涡流无损检测方法，其特征在于，所述步骤5中的分类器为逻辑回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410306992.4A CN117907426B (zh) | 2024-03-18 | 2024-03-18 | 一种基于梯度法特征分析的金属涡流无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410306992.4A CN117907426B (zh) | 2024-03-18 | 2024-03-18 | 一种基于梯度法特征分析的金属涡流无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117907426A CN117907426A (zh) | 2024-04-19 |
| CN117907426B true CN117907426B (zh) | 2024-05-24 |
Family
ID=90682307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410306992.4A Active CN117907426B (zh) | 2024-03-18 | 2024-03-18 | 一种基于梯度法特征分析的金属涡流无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117907426B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5864229A (en) * | 1991-06-11 | 1999-01-26 | Millstrong Limited | Eddy current probe system and method for determining the midpoint and depth of a discontinuity |
| JP2004229866A (ja) * | 2003-01-30 | 2004-08-19 | Hitachi Medical Corp | 磁気共鳴イメージング装置 |
| JP2012002770A (ja) * | 2010-06-21 | 2012-01-05 | Riken Corp | 渦電流式組織判別方法 |
| CN108051648A (zh) * | 2017-12-01 | 2018-05-18 | 西安交通大学 | 一种基于直流电位和涡流检测法的材料电磁属性测量方法 |
| CN108680642A (zh) * | 2018-05-17 | 2018-10-19 | 天津工业大学 | 一种基于多频涡流检测技术的缺陷识别分类方法 |
| CN109613111A (zh) * | 2018-11-12 | 2019-04-12 | 南京航空航天大学 | 一种梯度螺旋涡流检测线圈及其检测方法 |
| CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| CN110568063A (zh) * | 2019-09-16 | 2019-12-13 | 天津工业大学 | 一种多频激励涡流场相位梯度谱无损检测方法及系统 |
| CN110702782A (zh) * | 2019-10-12 | 2020-01-17 | 辽宁机电职业技术学院 | 一种用于石油管道的无损检测系统及其检测方法 |
| CN113495242A (zh) * | 2020-04-03 | 2021-10-12 | 上海联影医疗科技股份有限公司 | 相位误差探测方法、装置、磁共振系统及其成像方法 |
| CN113673359A (zh) * | 2021-07-27 | 2021-11-19 | 浙江浙能技术研究院有限公司 | 一种基于深度学习的提高涡流检测金属缺陷准确率的方法 |
| CN115371536A (zh) * | 2022-09-01 | 2022-11-22 | 北京理工大学 | 一种金属管道裂纹测量方法及系统 |
| CN117607248A (zh) * | 2024-01-23 | 2024-02-27 | 电子科技大学 | 一种基于数字锁相放大器的金属缺陷检测成像方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022083705A (ja) * | 2020-11-25 | 2022-06-06 | 株式会社荏原製作所 | 渦電流センサ |
-
2024
- 2024-03-18 CN CN202410306992.4A patent/CN117907426B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5864229A (en) * | 1991-06-11 | 1999-01-26 | Millstrong Limited | Eddy current probe system and method for determining the midpoint and depth of a discontinuity |
| JP2004229866A (ja) * | 2003-01-30 | 2004-08-19 | Hitachi Medical Corp | 磁気共鳴イメージング装置 |
| JP2012002770A (ja) * | 2010-06-21 | 2012-01-05 | Riken Corp | 渦電流式組織判別方法 |
| CN108051648A (zh) * | 2017-12-01 | 2018-05-18 | 西安交通大学 | 一种基于直流电位和涡流检测法的材料电磁属性测量方法 |
| CN108680642A (zh) * | 2018-05-17 | 2018-10-19 | 天津工业大学 | 一种基于多频涡流检测技术的缺陷识别分类方法 |
| CN109613111A (zh) * | 2018-11-12 | 2019-04-12 | 南京航空航天大学 | 一种梯度螺旋涡流检测线圈及其检测方法 |
| CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| CN110568063A (zh) * | 2019-09-16 | 2019-12-13 | 天津工业大学 | 一种多频激励涡流场相位梯度谱无损检测方法及系统 |
| CN110702782A (zh) * | 2019-10-12 | 2020-01-17 | 辽宁机电职业技术学院 | 一种用于石油管道的无损检测系统及其检测方法 |
| CN113495242A (zh) * | 2020-04-03 | 2021-10-12 | 上海联影医疗科技股份有限公司 | 相位误差探测方法、装置、磁共振系统及其成像方法 |
| CN113673359A (zh) * | 2021-07-27 | 2021-11-19 | 浙江浙能技术研究院有限公司 | 一种基于深度学习的提高涡流检测金属缺陷准确率的方法 |
| CN115371536A (zh) * | 2022-09-01 | 2022-11-22 | 北京理工大学 | 一种金属管道裂纹测量方法及系统 |
| CN117607248A (zh) * | 2024-01-23 | 2024-02-27 | 电子科技大学 | 一种基于数字锁相放大器的金属缺陷检测成像方法 |
Non-Patent Citations (8)
| Title |
|---|
| 《Enhancement of crack reconstruction through inversion of eddy current testing signals with a new crack model and a deterministic optimization method 》;Zhao, YS;《MEASUREMENT SCIENCE AND TECHNOLOGY》;20220501;全文 * |
| 《Inversion scheme based on optimization for 3-d eddy current flaw reconstruction problems》;Badics;《JOURNAL OF NONDESTRUCTIVE EVALUATION》;19980630;第67-78页 * |
| 《Investigation of DC Electromagnetic-Based Motion Induced Eddy Current on NDT for Crack Detection》;Yuan, F;《IEEE SENSORS JOURNAL》;20210315;第7449-7457页 * |
| 《Large-eddy Simulation of Boundary Layer Separation and Reattachment in Low-pressure Turbine Cascade》;Zhang Di;《Proceedings of the CSEE 29 (29)》;20091015;第77-83页 * |
| 《与被测材料无关的电涡流传感器基础理论与实现方法研究》;于亚婷;《信息科技辑》;20090430;全文 * |
| 《梯度法埋地管道腐蚀检测试验研究》;杨牡丹;《工程科技Ⅱ辑》;20170131;全文 * |
| 《涡流测距探头灵敏度与磁性芯片位置的相关性研究》;田学臣;《中国特种设备安全 》;20200730;第47-52页 * |
| 基于二维阻抗特征的管道环焊缝缺陷涡流检测;梁子千;玄文博;王婷;封皓;曾周末;;仪器仪表学报;20170915(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117907426A (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kandroodi et al. | Estimation of depth and length of defects from magnetic flux leakage measurements: verification with simulations, experiments, and pigging data | |
| Postolache et al. | Detection and characterization of defects using GMR probes and artificial neural networks | |
| CN101701934A (zh) | Acfm缺陷智能可视化检测系统 | |
| Li et al. | Visual and intelligent identification methods for defects in underwater structure using alternating current field measurement technique | |
| Fu et al. | Anomaly detection of complex MFL measurements using low-rank recovery in pipeline transportation inspection | |
| CN105300267B (zh) | 基于电磁涡流和数据融合算法的金属板厚度测量方法 | |
| Liu et al. | Pulsed eddy current data analysis for the characterization of the second-layer discontinuities | |
| KR20230010709A (ko) | 기계적 특성의 계측 장치, 기계적 특성의 계측 방법, 물질의 제조 설비, 물질의 관리 방법 및 물질의 제조 방법 | |
| CN117607248A (zh) | 一种基于数字锁相放大器的金属缺陷检测成像方法 | |
| Li et al. | Analysis on spatial spectrum of magnetic flux leakage using Fourier transform | |
| Tian et al. | Signal processing schemes for Eddy Current Testing of steam generator tubes of nuclear power plants | |
| Mukherjee et al. | Nde based cost-effective detection of obtrusive and coincident defects in pipelines under uncertainties | |
| Yan et al. | Pulse-modulation eddy current imaging for 3D profile reconstruction of subsurface corrosion in metallic structures of aviation | |
| CN117907426B (zh) | 一种基于梯度法特征分析的金属涡流无损检测方法 | |
| Morabito et al. | A fuzzy neural approach to localizing holes in conducting plates | |
| Tao et al. | Automatic feature extraction method for crack detection in eddy current testing | |
| Arismendi et al. | Classification of artificial near-side cracks in aluminium plates using a GMR-based eddy current probe | |
| Enokizono et al. | Crack size and shape determination by moving magnetic field type sensor | |
| Yuksel et al. | Defect detection and quantification from magnetic flux leakage signals based on deep learning | |
| Lang et al. | A system identification based approach for pulsed eddy current non-destructive evaluation | |
| Tao et al. | Research on a recognition algorithm for offshore-pipeline defects during magnetic-flux inspection | |
| Behun et al. | Comparison of detection abilities between fluxgate and GMR magnetometer in inverse ECT of deep lying cracks | |
| Rosenthal et al. | Pipeline defect detection and fine-scale reconstruction from 3-d MFL signal analysis using object detection and physics-constrained machine learning | |
| Pengfei et al. | A new method of eddy current impedance-extracting and hardness-classifying for valves | |
| Zhu et al. | Improved YOLOv5l-based Detection of Surface Defects in Hot Rolled Steel Strips |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |