本文介绍: 在非破坏性评估(NDE)中,特别是在UT中应用ML,构建一个通用的训练数据集极其困难,因为需要原始和具有代表性的有缺陷样本的数据。所示的三个类别分别是每年关于超声波无损检测中ML的总发表论文数量(绿色),以及在这些类别中,特别使用合成(蓝色)和增强(红色)UT训练数据的发表论文数量。图形灵感来源于[58]。图 6. 超声信号特征提取的示意图,包括离散傅里叶变换(DFT,左),离散余弦变换(DCT,中)和离散小波变换(DWT,右)。图 4. 分类(a)、回归(b)、聚类(c)和异常检测(d)的示意图。
文献速递:机器学习在超声波非破坏性评估中的合成和增强训练数据综述(第一部分)— (机器学习方法在超声波检测中的概述)
A review of synthetic and augmented training data for machine learning in ultrasonic non–destructive evaluation
01
文献速递:
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。