Nondestructive detection and analysis based on data enhanced thermography

热成像 无损检测 特征提取 计算机科学 人工智能 模式识别(心理学) 特征(语言学) 降维 判别式 自编码 材料科学 红外线的 深度学习 光学 哲学 放射科 物理 医学 语言学
作者
Xiaoyuan Li,Xiaowei Ying,Wen Zhu,Wei Liu,Beiping Hou,Le Zhou
出处
期刊:Measurement Science and Technology [IOP Publishing]
卷期号:33 (6): 064006-064006 被引量:7
标识
DOI:10.1088/1361-6501/ac5280
摘要

Abstract Machine learning and data fusion methods have played a significant role in the nondestructive testing (NDT) of composite materials in modern industries. Among them, feature extraction thermography models such as principal component thermography have been well studied and applied due to their advantages of dimensionality reduction and discriminative representation. However, current pulse thermal imaging technology can only collect limited images since the tested materials cannot usually be overheated, which also decreases the performance of the feature extraction thermography models. In this paper, an improved denoising convolutional autoencoder with U-net architecture is proposed for data enhancement purposes. Using the developed structure, enhanced images are generated, in which the deep spatial information in the original images is maintained while measurement noises are decreased simultaneously. Using the original and enhanced images together, the NDT performance based on feature extraction thermography is further improved. Finally, the feasibility and effectiveness of the proposed methods are demonstrated by two defect detection experiments on carbon fiber reinforced polymer.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
lijiayu发布了新的文献求助10
刚刚
嗯哼应助传统的凝天采纳,获得20
1秒前
落后寒凡完成签到,获得积分20
2秒前
南宫萍完成签到,获得积分10
3秒前
大模型应助呵呵采纳,获得10
4秒前
4秒前
烟花应助好好采纳,获得10
4秒前
Amber完成签到,获得积分10
5秒前
5秒前
784273145完成签到 ,获得积分10
6秒前
科研小农民完成签到,获得积分10
6秒前
科研通AI2S应助lijiayu采纳,获得10
6秒前
王九八发布了新的文献求助10
7秒前
mi发布了新的文献求助10
7秒前
7秒前
lijing发布了新的文献求助10
8秒前
9秒前
嘟嘟噜完成签到,获得积分10
12秒前
兴兴发布了新的文献求助10
12秒前
13秒前
嗯哼举报安详千秋求助涉嫌违规
13秒前
lijiayu完成签到,获得积分20
14秒前
15秒前
15秒前
酷波er应助小综的fan儿采纳,获得10
15秒前
kokopa发布了新的文献求助10
16秒前
listener完成签到,获得积分10
16秒前
赘婿应助漂亮幻莲采纳,获得10
17秒前
18秒前
好好发布了新的文献求助10
18秒前
xht发布了新的文献求助10
18秒前
冷酷豌豆发布了新的文献求助10
18秒前
18秒前
希望天下0贩的0应助布丁采纳,获得30
19秒前
萧秋灵发布了新的文献求助10
20秒前
研友_nEoEy8完成签到,获得积分10
20秒前
20秒前
飘逸的蚂蚁完成签到,获得积分10
20秒前
科研通AI2S应助784273145采纳,获得10
21秒前
YuxiLuo完成签到,获得积分10
22秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256065
求助须知:如何正确求助?哪些是违规求助? 2898207
关于积分的说明 8300363
捐赠科研通 2567343
什么是DOI,文献DOI怎么找? 1394475
科研通“疑难数据库(出版商)”最低求助积分说明 652817
邀请新用户注册赠送积分活动 630501