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 اندازه گیری برپایه آزمون جریان گردابی (ECT) و سیستم پس پردازش مبتنی بر تکنیک یادگیری عمیق ارائه شده است. به این صورت که از یک روش یادگیری عمیق به منظور 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 شبکه های عصبی مصنوعی (ANNs) متداول مانند پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) بر روی تعدادی از نمونه های 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 می باشد.
رمضانی, سعید, & حسن زاده, رضا. (1399). تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق. مجله بینایی ماشین و پردازش تصویر, 7(2), 13-24.
MLA
سعید رمضانی; رضا حسن زاده. "تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق". مجله بینایی ماشین و پردازش تصویر, 7, 2, 1399, 13-24.
HARVARD
رمضانی, سعید, حسن زاده, رضا. (1399). 'تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق', مجله بینایی ماشین و پردازش تصویر, 7(2), pp. 13-24.
VANCOUVER
رمضانی, سعید, حسن زاده, رضا. تشخیص خرابی در قطعات فلزی از طریق تصاویر C-scan حاصل از حسگر AMR با استفاده از روش مبتنی بر یادگیری عمیق. مجله بینایی ماشین و پردازش تصویر, 1399; 7(2): 13-24.