检索结果-维普期刊中文期刊服务平台

基于脉冲漏磁检测原理的缺陷分类识别技术被引量：4: 1; 作者张韬左宪章 +2 位作者田贵云张云费俊骉《西安石油大学学报（自然科学版）》 CAS 北大核心 2012年第2期80-85,122,共6页; 脉冲漏磁检测是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一.在介绍脉冲漏磁检测原理的基础上,设计了新型传感器,对不同类型缺陷的标准试件进行了测试;通过对缺陷瞬态差分信号的时、频域特性进... 展开更多; 关键词脉冲漏磁检测缺陷分类识别频谱分析传感器; 在线阅读下载PDF 职称材料

基于谱分析的脉冲涡流缺陷3D分类识别技术被引量：7: 2; 作者潘孟春何赟泽罗飞路《仪器仪表学报》 EI CAS CSCD 北大核心 2010年第9期2095-2100,共6页; 脉冲涡流检测技术是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一。本文首先对脉冲涡流检测技术进行了频谱分析,得出下表面缺陷主要影响低频成分,而表面缺陷同时影响低频成分与高频成分的结论;其... 展开更多; 关键词脉冲涡流缺陷分类识别频谱分析快速傅里叶变换; 在线阅读下载PDF 职称材料

基于神经网络的磁瓦表面缺陷检测识别被引量：20: 3; 作者刘畅张剑林建平《表面技术》 EI CAS CSCD 北大核心 2019年第8期330-339,共10页; 目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则... 展开更多; 关键词磁瓦表面缺陷缺陷提取缺陷分类识别图像分割 UNet; 在线阅读下载PDF 职称材料

基于机器学习的管道金属损失缺陷识别方法被引量：31: 4; 作者赵翰学张咪 +2 位作者郭岩宝王德国何仁洋《石油机械》北大核心 2020年第12期138-145,共8页; 针对石化管道漏磁检测时缺陷较难识别的问题,首先对管道金属损失缺陷类型进行分类量化,建立石化管道金属损失缺陷漏磁检测三维有限元模型,采用Maxwell对1000组缺陷进行了漏磁仿真,得到了漏磁信号数据;然后分析了漏磁信号与缺陷类型及尺... 展开更多; 关键词石化管道金属损失漏磁检测机器学习缺陷分类识别; 在线阅读下载PDF 职称材料

聚乙烯管道电熔接头缺陷分类研究被引量：2: 5; 作者伏喜斌黄跃鑫 +1 位作者黄学斌钟舜聪《机电工程》 CAS 2015年第1期52-55,共4页; 为了对聚乙烯管道电熔接头空洞缺陷和电阻丝信号进行分类识别,在利用超声相控阵图谱得到缺陷区域的基础上,取出了图像矩阵中缺陷区域的质心所在列,并提取质心以下部分所有像素点的灰度值构成了一组一维信号。对这些一维信号进行平滑处... 展开更多; 关键词缺陷分类识别缺陷质心小波分解统计特征; 在线阅读下载PDF 职称材料

CNN融合PCA-DT模型的金属缺陷识别研究被引量：3: 6; 作者唐东林周立 +2 位作者吴续龙宋一言秦北轩《机械科学与技术》 CSCD 北大核心 2022年第9期1420-1427,共8页; 针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络(CNN)和决策树(DT)的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实... 展开更多; 关键词金属缺陷识别分类卷积神经网络决策树主成分分析; 在线阅读下载PDF 职称材料

题名基于脉冲漏磁检测原理的缺陷分类识别技术被引量：4: 1; 作者张韬左宪章田贵云张云费俊骉; 机构军械工程学院电气工程系纽卡斯尔大学电气电子与计算机工程学院; 出处《西安石油大学学报（自然科学版）》 CAS 北大核心 2012年第2期80-85,122,共6页; 基金河北省自然科学基金(编号:E2008001258); 文摘脉冲漏磁检测是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一.在介绍脉冲漏磁检测原理的基础上,设计了新型传感器,对不同类型缺陷的标准试件进行了测试;通过对缺陷瞬态差分信号的时、频域特性进行分析,提取了峰值、过零时间以及频谱中一特定频率点的幅值作为特征量对缺陷进行分类识别.实验结果表明该方法可对10 mm钢板表面以及下表面缺陷进行有效的分类识别.; 关键词脉冲漏磁检测缺陷分类识别频谱分析传感器; Keywords PMFL testing classification recognition of defect frequency spectrum analysis sensor; 分类号 TM935.4 [电气工程—电力电子与电力传动]; 在线阅读下载PDF 职称材料

题名基于谱分析的脉冲涡流缺陷3D分类识别技术被引量：7: 2; 作者潘孟春何赟泽罗飞路; 机构国防科学技术大学机电工程与自动化学院; 出处《仪器仪表学报》 EI CAS CSCD 北大核心 2010年第9期2095-2100,共6页; 基金 "十一五"预研项目(51317030106)资助项目; 文摘脉冲涡流检测技术是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一。本文首先对脉冲涡流检测技术进行了频谱分析,得出下表面缺陷主要影响低频成分,而表面缺陷同时影响低频成分与高频成分的结论;其次,设计了脉冲涡流矩形传感器和腐蚀型缺陷模拟试件;最后,在对上下表面的缺陷分别进行频域分析的基础上,提出了选择3个特定频率点的幅值作为特征量对缺陷进行3D分类识别的方法。实验结果证明本文所提出的方法可对3 mm铝板上下表面腐蚀缺陷进行有效的分类识别。; 关键词脉冲涡流缺陷分类识别频谱分析快速傅里叶变换; Keywords Pulsed Eddy Current（PEC） defect classification frequency spectrum analysis Fast Fourier Transform（FFT）; 分类号 TM935.4 [电气工程—电力电子与电力传动]; 在线阅读下载PDF 职称材料

题名基于神经网络的磁瓦表面缺陷检测识别被引量：20: 3; 作者刘畅张剑林建平; 机构同济大学机械与能源工程学院; 出处《表面技术》 EI CAS CSCD 北大核心 2019年第8期330-339,共10页; 基金工信部2017年智能制造新模式项目~~; 文摘目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。; 关键词磁瓦表面缺陷缺陷提取缺陷分类识别图像分割 UNet; Keywords magnetic tile surface defect defect extraction defect classification and recognition image segmentation UNet; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于机器学习的管道金属损失缺陷识别方法被引量：31: 4; 作者赵翰学张咪郭岩宝王德国何仁洋; 机构中国石油大学(北京)机械与储运工程学院中国特种设备检测研究院; 出处《石油机械》北大核心 2020年第12期138-145,共8页; 基金国家重点研发计划项目课题“地下管道金属损失规律、检测及超期服役寿命预警技术研究”(2017YFF0210404) 中国石油大学(北京)科研基金资助项目“油气管道多源检测数据融合方法研究”(2462018YJRC018)、“改善基本办学专项”(2462020XKJS01)。; 文摘针对石化管道漏磁检测时缺陷较难识别的问题,首先对管道金属损失缺陷类型进行分类量化,建立石化管道金属损失缺陷漏磁检测三维有限元模型,采用Maxwell对1000组缺陷进行了漏磁仿真,得到了漏磁信号数据;然后分析了漏磁信号与缺陷类型及尺寸之间的关系,提取了漏磁检测信号的4个特征值,并验证了特征值对于识别缺陷类型的有效性;最后采用支持向量机、随机森林以及梯度提升决策树(GBDT)3种机器学习算法对缺陷信号特征量进行了分类识别。研究结果表明,3种算法对于缺陷的分类识别效果均较好,特别是GBDT算法在现有的数据范围内达到了100%的识别率。研究结果对石化管道完整性评价具有一定的指导意义。; 关键词石化管道金属损失漏磁检测机器学习缺陷分类识别; Keywords petrochemical pipeline metal loss magnetic flux leakage detection machine learning detect classification recognition; 分类号 TE973.6 [石油与天然气工程—石油机械设备]; 在线阅读下载PDF 职称材料

题名聚乙烯管道电熔接头缺陷分类研究被引量：2: 5; 作者伏喜斌黄跃鑫黄学斌钟舜聪; 机构厦门市特种设备检验检测院福州大学机械工程及自动化学院福建省医疗器械和生物技术重点实验室; 出处《机电工程》 CAS 2015年第1期52-55,共4页; 基金国家自然科学基金资助项目(51005077) 国家卫生和计划生育委员会科研基金(WKJ-FJ-27) +6 种基金 20133514110008) FJQI2013095) 福建省高等学校学科带头人培养计划(闽教人〔2013〕71号); 文摘为了对聚乙烯管道电熔接头空洞缺陷和电阻丝信号进行分类识别,在利用超声相控阵图谱得到缺陷区域的基础上,取出了图像矩阵中缺陷区域的质心所在列,并提取质心以下部分所有像素点的灰度值构成了一组一维信号。对这些一维信号进行平滑处理及小波分解,并重构了其高频分量,通过分析信号高频分量的统计特征实现了缺陷分类。研究结果表明,不同类型缺陷对应的统计特征有明显差别,能够有效地区分孔洞缺陷及电阻丝信号,具有一定的应用推广价值。; 关键词缺陷分类识别缺陷质心小波分解统计特征; Keywords defect classification defect barycenter wavelet decomposition statistical behavior; 分类号 TP274 [自动化与计算机技术—检测技术与自动化装置] TH878 [机械工程—精密仪器及机械]; 在线阅读下载PDF 职称材料

题名CNN融合PCA-DT模型的金属缺陷识别研究被引量：3: 6; 作者唐东林周立吴续龙宋一言秦北轩; 机构西南石油大学机电工程学院; 出处《机械科学与技术》 CSCD 北大核心 2022年第9期1420-1427,共8页; 基金四川省科技支撑项目(2017FZ0033) 成都市技术创新研发项目(2018-YF05-00201-GX) 西南石油大学国家重点实验室项目(PLN201828)。; 文摘针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络(CNN)和决策树(DT)的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析(PCA)方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。; 关键词金属缺陷识别分类卷积神经网络决策树主成分分析; Keywords classification of metal defects convolutional neural network decision tree principal component analysis; 分类号 TG115 [金属学及工艺—物理冶金] TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于脉冲漏磁检测原理的缺陷分类识别技术	张韬左宪章田贵云张云费俊骉	《西安石油大学学报（自然科学版）》 CAS 北大核心	2012	4	在线阅读下载PDF 职称材料
2	基于谱分析的脉冲涡流缺陷3D分类识别技术	潘孟春何赟泽罗飞路	《仪器仪表学报》 EI CAS CSCD 北大核心	2010	7	在线阅读下载PDF 职称材料
3	基于神经网络的磁瓦表面缺陷检测识别	刘畅张剑林建平	《表面技术》 EI CAS CSCD 北大核心	2019	20	在线阅读下载PDF 职称材料
4	基于机器学习的管道金属损失缺陷识别方法	赵翰学张咪郭岩宝王德国何仁洋	《石油机械》北大核心	2020	31	在线阅读下载PDF 职称材料
5	聚乙烯管道电熔接头缺陷分类研究	伏喜斌黄跃鑫黄学斌钟舜聪	《机电工程》 CAS	2015	2	在线阅读下载PDF 职称材料
6	CNN融合PCA-DT模型的金属缺陷识别研究	唐东林周立吴续龙宋一言秦北轩	《机械科学与技术》 CSCD 北大核心	2022	3	在线阅读下载PDF 职称材料