文献类型：期刊文章

作　　者：牟欣颖[1] 何赟泽[4] 王洪金[1,2] 邓堡元[1] 杨渊[1] 周可[1] 杨瑞珍[1,3]

Mu Xinying;He Yunze;Wang Hongjin;Deng Baoyuan;Yang Yuan;Zhou Ke;Yang Ruizhen(College of Electrical and Information Engineering,Hunan University,Changsha 410082,China;Laboratory of Science and Technology on Integrated Logistics Support,National University of Defense Technology,Changsha 410073,China;School of Civil Engineering,Changsha University,Changsha 410000,China)

机构地区：[1]湖南大学电气与信息工程学院,长沙410082 [2]国防科技大学装备综合保障技术重点实验室,长沙410073 [3]长沙学院土木工程学院,长沙410000 [4]湖南大学电气与信息工程学院仪器科学与技术系,长沙410082

出　　处：《电子测量与仪器学报》

基　　金：国防科技大学装备综合保障技术重点实验室基金(6142003200205);国家自然科学基金-青年科学基金(Z20190142984);湖南省科技创新计划项目科技人才专项(2018RS3039);长沙市杰出创新青年培养计划(kq1802023);长沙市科技计划项目(CSKJ2020-19)资助。

年　　份：2021

卷　　号：35

期　　号：4

起止页码：211-217

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：联动扫描热成像(joint scanning thermography,JST)可以用于检测大面积对象的缺陷,但原始热图像缺陷信息模糊且无法实现缺陷定量。针对联动扫描热成像重构后的图像序列,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的缺陷识别和定量方法,以图像序列中像素点对应的一维温度时间序列为网络输入,将缺陷深度作为输出,实现了碳纤维复合材料板中缺陷的自动检测和深度定量。实验结果显示,基于1D-CNN的检测方法准确实现了对缺陷自动检测,其对训练集数据的预测准确率最高可达98.8%,测试集准确率在70%左右,相比传统处理方法取得了更好的效果。

关 键 词：红外热成像 机器视觉 深度学习  缺陷  

分 类 号：TP391] TN98[计算机类]