• 回答数

    0

  • 浏览数

    424

  • 收藏数

    0

作者:团子良 发表于 2023-1-5 11:52:00
跳转到指定楼层
在本文中,提出了一种基于深度学习和边界元方法(BEM)的数据驱动多缺陷检测策略。在训练阶段,通过实现BEM以生成数据库,而块LU分解技术被用于降低计算成本。然后,采用卷积神经网络(CNN)作为深度学习模型,通过训练过程找到输入信号与缺陷几何形状之间的关系。在测试阶段,使用未知数据评估训练模型的性能。作为一个典型的逆问题,缺陷检测问题的解决方案并不总是唯一的。目前的工作证明了这种非唯一性对训练过程是有害的,并通过一些特定的处理来避免它们。为了增强模型的鲁棒性,将数据增强的思想引入到缺陷检测任务中。数值结果表明,通过适当的训练,所提出的模型可以在单缺陷检测和多缺陷检测任务中进行准确的预测。
分享:
回复

使用道具

成为第一个回答人

高级模式 评论
您需要登录后才可以回帖 登录 | 立即注册 微信登录