Resumen

En el entorno de producción actual, la inspección de imágenes de corrientes de Foucault para detectar defectos en placas de titanio es propensa a desplazamientos en el escaneo, distorsiones de escala e interferencias de ruido en diversos grados, lo que conlleva a falsas detecciones de defectos e incluso inspecciones omitidas. Ante este problema, se propone un novedoso método de reconocimiento e clasificación de imágenes basado en una red neuronal convolucional (CNN) para la detección de corrientes de Foucault en defectos de placas de titanio. Mediante la construcción de diversas condiciones experimentales y la recolección de señales de defectos, se analizan las características de las señales de prueba de corrientes de Foucault para defectos en placas de titanio, y luego se establecen la estructura de convolución y los parámetros de aprendizaje. Las características estructurales de conectividad local y pesos compartidos de la CNN tienen mejores capacidades de aprendizaje y caracterización de rasgos para imágenes de defectos en placas de

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Entorno de producción; Inspección de imágenes de corrientes de Foucault; Defectos en placas de titanio; Red neuronal convolucional; Reconocimiento de imágenes; Método de clasificación
• Keywords:Production environment; Eddy current imaging inspection; Titanium plate defects; Convolutional neural network; Image recognition; Classification method