一、神经网络在电磁无损检测中的应用（论文文献综述）
许伟平[1]（2021）在《基于视频时空间缓存的交叉卷积神经网络缺陷检测方法》文中提出中国制造2025研究规划的实施,对工业产品的要求从中国“制造”向中国“智造”转变。现有的基于拍照检测的工业质检环节的准确率和实时性存在局限,现代自动化流水线化的工业生产工程中,需要研究基于视频时空间信息挖掘的机器视觉缺陷检测算法,简便流水线工业产品质量检测流程,降低繁琐的检测环节,进一度优化质检环节。本文通过研究电磁脉冲红外热成像和光激励机器视觉检测的基本原理,总结深度学习中目标检测和视频目标检测算法现状。从卷积神经网络结构和特征融合的改进上进行创新,提出了基于视频时空间缓存的交叉卷积神经网络缺陷检测算法,对流水线化的实时检测产品线提出了深度学习解决方案,既在检测速度上达到了实时水平,而且在效果上达到了对比通用目标检测算法中最优水平,在红外热成像检测平台和光激励机器视觉检测实验平台上的检测验证有效性和鲁棒性。本文的主要研究工作如下:1)通过脉冲激励红外热成像系统和光激励机器视觉系统对排气管道试件进行实验,获取收集相关热图序列和视频。针对视频帧序列数据进行特征分析,从小目标检测能力提升和视频时空间信息利用两个主要方向进行研究。对比测试多种主流目标检测算法的技术要点,总结归纳其用于缺陷检测和小目标检测的改进思路,探讨常见视频目标检测进行时空间信息传播的实现方式,结合红外热图序列和视频帧的特征,研究适用于红外热图像和光激励视频序列的视频缺陷检测算法。2)通过对排气管道试件的红外热成像缺陷检测可行性验证和总结,建立起光激励机器视觉检测实验平台,实验收集相关数据集,提出了基于时空间信息缓存的交织检测流框架,其中具有显着不同速度和识别能力的多特征抽取器在不同帧上异步检测,以减少冗余计算并从视频上下文中学习深层信息。它通过卷积LSTM模块将先前帧的信息传送给当前检测。针对缺陷检测领域中昂贵的数据集收集和标注,目标是从小数据集中学习一个有效且健壮的网络。算法在运行速度达到45FPS的实时速度的同时,在排气管道光激励视觉检测的实验结果中8)达到96.5%,达到了最优的通用目标检测算法水平,而（80）达到了97.4%。通过与对比算法进行比较,本文提出的新型算法具有更好的检测性能以及鲁棒性。
李兴龙[2]（2021）在《基于BP神经网络的超声定量评估技术研究》文中指出随着科学技术的发展,各行各业对材料以及结构的安全性要求日益提高。由于材质自身缺陷以及长期受到各种载荷的影响,材料和结构在生产及服役的过程中会产生各种类型的缺陷,比如裂纹、孔洞以及夹杂等,进而导致重大安全事故,造成人员伤亡和巨额财产损失。因此发展有效的无损检测技术至关重要。超声检测技术由于其具有灵敏度高、穿透能力强、缺陷定位准确、操作简单、对人体无害等优点被广泛应用。但是该方法针对复杂形状缺陷的定位及定量仍具有一定的难度,并且超声成像所需数据量比较大,效率比较低等。本文基于超声A扫描技术,针对不同形状的缺陷开展数值模拟和实验测试,获得了超声信号的变化特征,结合信号处理技术获得了对缺陷敏感的损伤特征参数,最后利用BP神经网络、图像处理技术及数据融合技术,对单缺陷及多缺陷的反演成像开展了研究。本文具体的研究内容及创新点如下:（1）利用COMSOL软件建立了超声传播的有限元模型,分析了在2024铝中,超声传播与三角形缺陷、圆形缺陷之间的作用关系;然后搭建了超声检测系统,对含有不同形状通孔缺陷的铝块试样进行检测;仿真结果及实验结果都表明了不同缺陷之间的超声信号存在差异,例如信号的幅值、宽度及对称性等,其差异性为缺陷特征的进一步提取奠定基础;同时,仿真结果与实验结果趋势的一致性,进一步验证了有限元仿真结果的正确性。（2）利用信号处理技术从时域、频域及形态三方面提取了19个特征,进一步分析特征与缺陷之间的规律,得到11个对缺陷敏感的特征值:包含4个时域特征,即峰值、幅值减少的时间、0.1Im直线的持续时间、0.5Im直线的持续时间;3个频域特征,即频谱峰值、低频分量、-1d B带宽;和4个形态特征,即形状系数、标准差、归一化能量、幅度均值。为缺陷反演奠定了基础。（3）利用BP神经网络及D-S证据理论融合技术,实现了对三角形单缺陷、圆形单缺陷以及多缺陷的反演,为复杂形状缺陷的反演提供了新方法;同时对同一缺陷不同位置处采集的信号的反演结果进行融合,与单一位置处信号的反演结果相比,其充分利用了缺陷的不同方向所反射的信号,进一步提高了缺陷反演的准确性与可靠性。
周坪[3]（2021）在《钢丝绳视觉无损检测与评估方法研究》文中研究指明钢丝绳作为最重要的挠性构件之一,在如矿井提升系统、起重机、电梯、索道等各类提升运输系统中被广泛应用。由于其工作特性,在服役过程中不可避免的因异常摩擦、刮擦、碰撞、咬绳、弯曲疲劳等问题对钢丝绳绳体,尤其是绳体表面,造成断丝、磨损等损伤,若不能及时的检测或更换,甚至可能导致钢丝绳失效,发生提升运输系统重大安全事故,威胁使用人员生命财产安全。因此,使用可靠且高效的钢丝绳无损检测方法对保障钢丝绳的健康运行具有重要意义。然而,由于钢丝绳结构的复杂性、工作环境的多样性和检测方法的局限性,目前钢丝绳无损检测方法尚存在智能化程度低、检测效果差、检测的损伤信息不完全、无法对损伤状态及时作出可靠估计和评价等问题。本文针对目前钢丝绳无损检测与评估方法存在的不足,以视觉法为中心,引入群智能优化、深度学习、有限元、力学拉伸等方法及技术手段,开展钢丝绳图像采集与处理、损伤视觉识别、损伤量化估计、状态评估以及视觉动态采集与检测实验等研究,以解决损伤目标小、干扰大、形貌复杂、评估困难的问题,以期实现钢丝绳表面损伤的高效检测与评估,提高钢丝绳状态健康运维水平。主要研究内容包括:1)介绍了钢丝绳基础和数据驱动算法理论基础;结合实际情况分析了钢丝绳的工况条件和常见的损伤类型,以掌握其共性特点;设计了视觉检测评估方法总体方案,在建立全绳表面累积损伤视觉状态模型架构基础上,对方案进行了分析、设计和说明,为全文的展开作铺垫。2)为获得清晰而规范的钢丝绳图像数据,研究了钢丝绳图像高效采集与规范化处理方法。首先,根据视觉感知理论,建立了钢丝绳视觉感知模型,推导了各感知参数间的关系;然后,设计了钢丝绳周向图像采集系统基本架构,为实际应用提供依据和参考;接着,提出了图像数据规范化处理方法,对图像数据进行位姿调整、感兴趣区域提取和滤波去噪等处理,实现了非规范化位姿和光照下钢丝绳图像的预处理;最后,建立了钢丝绳动态视觉采集实验系统,并进行了动态采集实验。结果表明,钢丝绳图像动态采集成像受曝光时间影响较大,应在较大光照强度下设置较小曝光时间进行拍摄,且对于小目标损伤需采用倍镜成像。3)为解决钢丝绳表面损伤难以准确检测的问题,研究了数据驱动的钢丝绳表面损伤视觉识别方法。首先,提出了数据驱动的绳表面损伤视觉识别方法架构;然后,研究了基于特征工程的绳表面损伤分类方法,依次从多因素影响分析、多纹理特征提取与融合、优化算法设计及分类结果进行了研究,探明了特征算子、特征维数、算法性能对分类效果的影响;接着,为进一步提高损伤分类的智能化程度,研究了基于卷积神经网络的绳表面损伤端对端分类方法,基于Le Net-5进行设计以使其满足钢丝绳损伤分类任务,实现了绳损伤的准确分类;接着,为实现钢丝绳表面损伤的定位识别,引入深度目标检测算法,研究了基于改进YOLOv3的绳表面损伤识别方法;最后,搭建了损伤模拟实验平台,结合视觉动态采集实验系统,进行了钢丝绳表面损伤视觉动态检测识别实验。结果表明,对于钢丝绳表面损伤检测,端对端算法相较于基于特征工程的算法,检测精度高、过程更加智能化,无需人工提取特征过程,更加适用于实际工程应用。4)为掌握表面损伤钢丝绳的健康状态,研究了基于表面量化累积损伤的钢丝绳状态评估方法。首先,设计了表面累积损伤钢丝绳状态评估策略,建立起钢丝绳损伤视觉检测与状态评估的联系。然后,结合图像处理技术,提出了损伤程度量化估计方法。接着,基于该策略,为构建状态累积库,首先建立有限元模型进行有限元仿真分析,揭示拉伸载荷下不同损伤钢丝绳应力应变分布特性,定性探明损伤对力学性能的影响;然后对累积断丝和磨损损伤下的钢丝绳进行了拉伸试验研究,探明了表面量化累积损伤下的钢丝绳机械性能,定量掌握不同损伤下实际剩余机械强度。最后,结合试验、仿真结果与相关规程,对钢丝绳健康状态进行了评价。结果表明,通过所提评估方法能在一定程度上掌握钢丝绳表面损伤下的状态,而由于受钢丝绳不同型号、结构、损伤情况的影响,规程给出的指标可作为状态评估的大致参考值。本论文有图127幅、表20个、参考文献177篇。
张琦[4]（2021）在《基于GAN的铝板缺陷涡流检测与分类研究》文中提出铝板是一种具有抗疲劳性和延展性强的材料,是工业中广泛使用的一种金属材料。然而由于原材料、轧制设备和加工工艺、外界环境等各种因素影响,铝板在生产过程中容易产生缺陷。缺陷的存在不仅影响铝板材料的外观,还将严重降低材料强度、屈服应力等性能,如果不能及时发现这些缺陷可能会导致严重的事故。涡流检测技术,具有检测时线圈不需与被测物直接接触的特性,在铝板缺陷的检测中起着十分重要的作用。虽然目前涡流检测的方法已经发展的比较成熟,能够从检测信号中发现缺陷损伤的存在,但是对铝板缺陷检测的准确性以及缺陷分类的精度仍然有待提高。在本文中,针对铝板涡流检测的准确性以及缺陷分类的精度需要提高的需求,通过结合卷积神经网络、生成对抗网络（Generative Adversarial Networks,GAN）等方法,开展了铝板缺陷涡流检测和缺陷分类的方法研究。本文的主要研究工作如下:（1）深度学习对数据量的需求极大,但在实际中,铝板材料缺陷检测数据却难以大量获取,缺陷样本的数量制约缺陷的检测效果。本文首先采用镜像、裁剪、缩放等方法扩充铝板缺陷涡流检测的图像数据,然后运用生成对抗网络生成新的铝板缺陷涡流检测图像数据作为实测数据的补充。实验对不同类型的铝板缺陷涡流检测图像进行了验证,并采用不同评价指标对生成图像的真实性和多样性进行质量评估。实验结果表明,所提出的方法能够实现对数据集的扩充,为铝板缺陷涡流检测图像的分割与分类等后续实验提供更多样本数据。（2）针对铝板缺陷涡流检测图像中缺陷边缘不容易识别,同时涡流检测图像存在背景噪声干扰的问题,提出了一种基于改进生成对抗网络的铝板缺陷涡流检测图像分割方法。该方法建立在生成对抗网络图像分割模型的基础上,生成器部分采用U-net模型的思想,在高低层特征融合之前采用注意力模块,调整低层特征与高层特征拼接时的权重,有利于提高图像特征信息的利用,增强铝板缺陷涡流检测图像中缺陷区域的特征并抑制背景特征。实验结果表明,与其他分割方法相比,所提方法对铝板缺陷涡流检测图像的缺陷边缘区域分割效果更好,对噪声干扰更具鲁棒性。（3）在涡流检测缺陷分类技术研究方面,尽管可以通过对信号相位、频率及幅值等进行分析处理得到缺陷的信息对缺陷进行分类,但是人为提取特征困难,分类准确率有待提高。为了提高对铝板缺陷涡流检测图像的分类准确率,本文提出了一种基于生成对抗网络的图像分类模型对铝板缺陷涡流检测图像进行分类。该方法融合了从判别器网络模型的不同卷积层提取的铝板缺陷涡流检测图像的特征,提高网络模型对铝板缺陷涡流检测图像的特征提取能力,然后使用支持向量机对特征进行分类得到最终结果。模型训练时,损失值通过反向传播算法,更新模型的参数,使生成器和判别器网络得到进一步的训练和优化。与其它分类方法相比较,该方法提高了铝板缺陷涡流检测图像分类的准确率。
戴斌[5]（2021）在《基于深度学习的CFRP可视化检测系统研究》文中指出碳纤维增强复合材料（Carbon Fiber Reinforced Polymer,CFRP）广泛应用于各大工业领域,其生产和制造技术已经成为我国战略新兴产业的重要支柱之一。然而,关于复合材料疲劳损伤检测的研究至今仍缺乏成熟的理论体系。因此,对于CFRP检测方法的研究受到了广泛的关注。本文针对该材料,结合电磁检测方法与人工智能理论,旨在实现全时、原位、多点缺陷检测。经过对CFRP电学特性的研究发现,其内部参数分布沿不同方向存在明显差异,这种各向异性特征是对CFRP进行结构缺陷及疲劳损伤检测的主要障碍。通过改变激励-测量相对角度获取不同方向阻抗特征是解决各向异性材料电磁检测的有效方法。在此基础上,本文设计了角度敏感的电磁传感器阵列,通过分时分次激励不同位置线圈的方式,在不移动传感器线圈位置的前提下,达到对平纹编织CFRP进行缺陷检测的目的,解决了缺陷检测系统多点、原位检测的需求,并避免了一部分由于移动时造成的噪声干扰。接下来,构建了平纹编织CFRP板材和角度敏感电磁传感器阵列的仿真模型,通过模拟现实中板材出现的不同种类的缺陷损伤,使用阵列传感器采集大量缺陷数据,建立缺陷数据库。然后,将深度学习思想引入到检测系统中来,利用之前建立的缺陷数据库中的训练集数据训练自编码器网络。网络训练中,引入RBM思想,分别逐层训练单层网络,再由链式法则将其连接,组成一个深层网络。整个网络由编码器部分提取CFRP缺陷特征,并经过Softmax分类器将数据分类。最后,用缺陷数据库中的测试集数据对训练好的网络进行验证。实验结果表明,自编码器通过提取CFRP缺陷的数据特征不仅对缺陷有很好的辨识能力,而且可以应用于缺陷分类,效果良好。
李翰超[6]（2021）在《基于涡流无损检测数据的金属构件疲劳裂纹扩展预测方法研究》文中研究表明金属材料或构件在加工、装配和服役过程中,在外界环境和载荷的共同作用下,会在金属材料或构件中产生疲劳裂纹。疲劳裂纹为在自然状态下产生的真实裂纹,与人工裂纹相比,壁面更为复杂,检测信号更加微弱,因此如何实现对其无损检测是该领域面临的一个难题。如何结合各种检测技术的优势,确定合理的复合检测方案,实现对金属表面疲劳裂纹的快速定位、准确测量,也是一个亟待解决的问题。此外,在含疲劳裂纹的金属构件寿命预测研究中,现有各类预测模型存在计算量大、预测准确性较低的问题,尚未采用十分有效的算法研究加载条件、试件厚度和材料特性对金属表面自然疲劳裂纹扩展过程的影响,并以此根据疲劳裂纹深度预测含裂纹金属构件的疲劳寿命。为此,本文针对以上疲劳裂纹研究中存在的问题,采用三点弯曲试验加工了含有疲劳裂纹的试件,并通过脉冲涡流热成像技术和脉冲涡流技术对疲劳裂纹进行检测;根据两种技术在检测疲劳裂纹上的优势和不足,提出了针对疲劳裂纹的脉冲涡流热成像和脉冲涡流无损检测技术的复合无损检测方法,并结合基于遗传算法的BP神经网络,不仅可快速定位疲劳裂纹位置,还可自动化实现对疲劳裂纹深度的精确测量;利用比例边界有限元（SBFEM）方法求解速度等方面的优势,深入研究了加载条件、试件厚度和材料特性对疲劳裂纹扩展过程的影响。最终通过对金属表面裂纹深度的检测结果,实现了对疲劳裂纹扩展行为和疲劳寿命的预测,建立了无损检测与疲劳寿命预测的桥梁。本文的主要研究内容如下:1.通过三点弯曲试验制备含疲劳裂纹的金属试件通过ABAQUS建立裂纹扩展仿真模型,研究了三点弯曲试验参数对金属构件疲劳裂纹深度的影响;构建三点弯曲试验平台,并通过预制人工裂纹在缺陷尖端形成应力集中,实现疲劳裂纹萌生和扩展;采用高分辨率图像采集设备和图像识别软件,采集不同循环次数下疲劳裂纹深度,并建立了循环次数和疲劳裂纹深度之间的对应关系。该部分研究一方面为生成一定深度的自然疲劳裂纹提供实验基础,另一方面也为本论文第三章和第四章提供实验样件。2.基于脉冲涡流热成像技术的疲劳裂纹快速定位方法研究构建脉冲涡流热成像平台。该平台基于电磁感应加热原理,利用金属构件中疲劳裂纹对电涡流分布的扰动,进而对温度场的扰动,对含自然疲劳裂纹的试件进行红外成像;提出利用相邻像素的值及其之间的相关性来计算像素值的方法,对热成像图像进行处理,提升自然疲劳裂纹的识别精度;分析预制裂纹处、疲劳裂纹处以及无裂纹处温度变化,提出自然疲劳裂纹的定位方法,并通过实例分析了定位精度。3.基于脉冲涡流检测的疲劳裂纹深度定量检测方法研究本文首先对含有裂纹金属构件脉冲涡流检测系统进行建模和仿真,获取检测线圈Z轴磁感应强度与裂纹深度之间的映射关系;然后构建脉冲涡流检测平台,并基于该平台和第二章加工的含不同深度的疲劳裂纹试件获取脉冲涡流无损检测电压与裂纹深度的定量关系;为考察自然疲劳裂纹和人工裂纹对脉冲涡流信号影响的不同,研究了脉冲涡流探头在疲劳裂纹上的放置位置对检测结果的影响;最后通过Matlab获取疲劳裂纹定量检测的标定曲线,根据检测电压逆向评估了疲劳裂纹的深度,并与裂纹的真实深度进行对比,并分析误差来源。4.脉冲涡流热成像与脉冲涡流检测复合的疲劳裂纹的定量检测方法研究脉冲涡流热成像可通过一次成像获取多个裂纹的精确位置,脉冲涡流无损检测技术可实现对疲劳裂纹深度的精确检测。为此,本文利用三维电移动平台控制系统将脉冲涡流热成像、脉冲涡流无损检测两种检测技术进行复合。通过脉冲涡流热成像技术实现对金属构件中自然疲劳裂纹定位,并将定位信息传输给三维电移动平台,三维电移动平台精确控制脉冲涡流定量检测探头,并将其定位在缺陷的正上方,从而实现对金属表面疲劳裂纹的自动、快速、准确检测;为提高自动定量检测精度,本文采用基于遗传算法的BP神经网络技术,用脉冲涡流检测实验数据和仿真数据作为训练样本,训练出反映检测电压与裂纹深度之间函数关系的映射模型,并对模型的误差进行验算,证明了该模型可有效减小疲劳裂纹电磁无损检测的测试误差。5.疲劳裂纹扩展行为研究和疲劳寿命预测本文采用比例边界有限元方法,深入探讨加载条件、试件厚度和材料特性对疲劳裂纹扩展过程的影响,提出了基于试验数据的疲劳裂纹扩展行为和疲劳寿命预测模型;接着采用公开算例数据对该模型的有效性进行验证;最后通过疲劳裂纹深度的无损检测数据,对本文的脉冲涡流检测模型和扩展行为预测模型进行验证,分析了预测误差,证实了基于涡流无损检测数据的金属构件疲劳裂纹扩展预测方法的有效性,以此搭建了无损检测与金属构件疲劳寿命预测的桥梁。
包俊[7]（2020）在《钛合金板材电涡流无损检测与定量化评估研究》文中提出钛合金是一种新兴的结构材料,因其优越的综合性能而被广泛应用于各行各业。在各类钛合金加工材中,板材的应用最为广泛,产量也最高,近年来占到总产量的50%以上。钛合金板材在轧制过程中难免会产生一些质量问题,例如厚度不均匀、同板差超差,以及表面质量不佳,出现裂纹、麻坑等缺陷。电涡流检测是一种基于电磁感应的无损检测技术,被广泛应用于金属材料的无损检测与评估中,相比其他无损检测技术,具备高效、低成本、无污染等优势。而使用电涡流检测技术对钛合金板材进行无损检测时,仍面临着检测信号易受噪声干扰、厚度测量反演繁琐,以及缺陷的分类识别、定量化评估精度不足等问题。本文在讨论了钛合金板材轧制过程中可能出现的质量问题后,结合国内外研究现状,开展了钛合金板材电涡流无损检测与定量化评估研究,主要的研究工作如下:（1）针对钛合金板材缺陷电涡流检测图像的降噪预处理问题,研究了一种主元分析（Principal Component Analysis,PCA）联合局部线性嵌入（Locally Linear Embedding,LLE）的降噪方法。利用PCA方法对电涡流检测图像进行初步的处理,去除较大噪声。然后,使用LLE算法在像素点的可变邻域内自动搜索最近邻数据,并采用近邻数据的局部最优线性组合替代像素,在进一步精细降噪的同时,可保持图像局部几何结构。实验表明,在输入信噪比为15d B～30d B的条件下,输出信噪比可达26.80～39.89d B,电涡流检测图像信噪比平均提高11.16d B,证实了该方法对钛合金板材缺陷电涡流检测图像降噪预处理的有效性。（2）针对传统电涡流测厚方法难以直接通过检测信号反演板材厚度的问题,提出了一种钛合金板材电涡流解析模型与改进的厚度测量方法。结合钛合金板材低电导率、非铁磁的电磁特性,在特定测量条件下建立了一种新的解析模型,用于描述电涡流探头差分电压实部与钛合金板材厚度的关系。最后基于改进的解析模型提出一种快速、准确的钛合金板材电涡流测厚方法。该方法可直接根据标定信号计算钛合金板材的测量厚度,不需要通过预先获得的实验记录进行对比,也不需要预先求解复杂的正演模型。实验结果表明,6mm厚度范围内冷轧薄钛板的厚度测量误差不超过±0.14mm,远小于现行钛工业标准规定的±0.35mm。（3）针对传统机器学习方法难以在不同工况下对质量各异、高维非线性的钛合金板缺陷电涡流检测图像信息进行准确、有效分类的问题,提出了一种栈式稀疏降噪自编码（Stacked Sparse Denoising Autoencoder,SSDAE）深度神经网络的钛合金板材缺陷电涡流检测图像分类方法。该方法将稀疏性限制引入降噪自编码器（Denoising Auto Encoder,DAE）,并在此基础上将多个DAE进行栈式组合构建深度神经网络。训练后的网络模型在不同工况下均能有效地对钛合金板缺陷进行分类识别,有较好的鲁棒性。实验结果表明,在输入信噪比大于26d B时,该方法的分类准确率高于97%;当输入信噪比逐渐下降时,分类准确率也能保持较高水平,在环境复杂的钛合金板生产线上,具有抗干扰、性能稳定等优势。（4）针对钛合金板材缺陷定量化评估中,电涡流检测图像难以人工设计特征,使用常规的回归方法需要设计复杂目标函数等问题,研究了一种基于深度置信网络（Deep Belief Network,DBN）和最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的钛合金板缺陷缺陷定量化评估方法。在正确缺陷分类的基础之上,利用DBN从钛合金板材缺陷的电涡流检测图像中提取有效特征,并采用LSSVM算法建立钛合金板缺陷参数的多目标回归模型,实现对钛合金板材缺陷的定量化评估。实验结果表明,缺陷评估的相对误差和重复性标准差分别小于4.1%和0.12mm,与其他常规方法相比,该方法具有更高的准确性和可重复性。（5）完成了钛合金板材电涡流无损检测系统的设计和开发。对系统需求进行了综合的分析,设计了检测系统的总体架构,并模块化实现了检测系统的软硬件功能。最后将前述研究的厚度测量模型、分类识别和定量化评估智能算法在系统中进行了集成。钛合金板材缺陷电涡流检测、分类识别和定量化评估应用实例证实了所开发系统的有效性和实用性。
曹辉[8]（2020）在《基于漏磁内检测的输油管道缺陷识别方法研究》文中研究指明为了保证输油管道输送的安全、高效,减少由于如磨损、腐蚀、意外损伤等各种原因引起的管道潜在的泄漏风险,需要对管道进行定期的检测和维护,避免管道泄漏造成的能源浪费和环境污染;需要在管道泄漏发生之前预先检测出管道中的异常,识别缺陷,从而对管道进行修复,保证管道安全使用。目前,管道检测技术中,漏磁检测（Magnetic flux leakage,简写为MFL）技术通常用于检测钢铁管道中的金属损失缺陷,该技术作为最常用的非破坏性检测技术之一,为评价管道的安全性、预测管道寿命、对管道进行检修维护等提供可靠依据。本文针对长输管道漏磁内检测数据进行研究,将管道漏磁内检测数据转化成漏磁图像,对漏磁图像进行智能检测和识别,同时对检测到的缺陷区域进行三维轮廓重构。针对上述问题开展了大量的研究和创新工作。论文研究了管道异常边缘提取方法。在进行漏磁图像缺陷的智能化识别中,异常边缘提取是十分重要的环节,异常边缘的精确程度直接影响到后续的反演评估环节。由于数据噪声的存在,使得边缘提取特别是复杂异常边缘提取精度大大下降,而且,面对庞大的漏磁数据,一般机器学习算法耗时较多。小波多尺度边缘检测方法被广泛用于工业异常提取中,因此,针对漏磁内检测中异常边缘提取问题,提出一种基于数据融合的小波变换漏磁异常边缘提取算法,将传统的小波多尺度极大值边缘提取和数据融合的思想结合在一起,在算法中加入数据层融合、特征层融合和决策层融合,最终对漏磁内检测中的异常边缘进行精确的边缘提取。论文研究了管道微小异常区域提取方法。针对管道中微小异常区域,提出一种基于U-Net深度网络的微小异常区域提取方法。U-Net网络是改进的全卷积神经网络,使用少量数据就可以较好对图像的细节特征进行提取,应用在管道漏磁内检测中,可以有效的对微小异常区域进行准确提取。为了提升提取确性,本文对U-Net网络模型进行改进,并提出一个基于对抗网络的训练方法。所提方法能准确、完整地对微小异常区域进行提取,保留漏磁图像异常区域细节特征,具有较强的鲁棒性、较高的精度和效率。论文研究了管道组件和缺陷的识别方法。针对管道内检测中组件和缺陷的识别,提出一种基于卷积神经网络的深度网络缺陷识别方法。该方法采用改进的卷积神经网络算法,可以提高管道组件和缺陷图像的识别精度,精度指标可达到90%以上。该方法不仅对信噪比不明显样本有较高的识别灵敏度,对漏磁图像也具有良好的位移鲁棒性和畸变鲁棒性。论文研究了管道缺陷轮廓重构方法。在漏磁检测中,可以通过测量的漏磁信号重建缺陷的轮廓,缺陷的三维轮廓重构可以对缺陷进行定量的研究,无论对缺陷的尺寸评估还是对于实际项目缺陷重构的可视化展示,都有一定的实际意义。本文提出一种基于偏差估计的随机森林缺陷三维轮廓重构方法。该方法利用随机森林算法通过估计信号和实际信号之间的偏差估计重构轮廓偏差,通过优化参数更新缺陷轮廓,最终可实现缺陷三维轮廓的重构。所提出的方法在缺陷轮廓重构精度上具有良好的效果。本文通过基于数据融合的小波变换提取漏磁异常边缘,并通过U-Net网络进一步提取漏磁图像的细微异常区域;通过改进的卷积神经网络对漏磁图像的组件和缺陷进行智能识别;通过基于偏差估计的随机森林缺陷三维轮廓重构方法对检测到的缺陷区域进行轮廓重构,实现了对长输管道缺陷进行智能检测和识别的目的,确保管道运输安全。
李松涛[9]（2020）在《基于介电模型的沥青混合料多相体积率多类反演及其工程应用》文中提出沥青混合料是沥青路面面层的构筑材料,其材料性能指标检测是沥青路面无损检测的重要组成部分。探地雷达作为一种用于确定地下介质分布的广谱电磁技术,具有高效、快速、连续、无损伤、高分辨率等特点,代表道路结构层无损检测的发展方向。介电特性的差异是使用探地雷达对其进行无损检测的基础,沥青混合料介电模型表征混合料介电特性与各单相介质介电特性与体积率之间的函数关系,而多相体积率是计算压实度、空隙率、沥青含量等技术指标的关键条件。因此,多相体积率的确定是揭示沥青混合料介电特性与压实度、空隙率、沥青含量等指标内在本质关系以及使用探地雷达对沥青混合料进行无损检测的关键所在。在目前的研究中,关于沥青混合料多相体积率对介电特性的影响规律缺少系统性研究,现有经典介电模型多是针对两相介质或基于一定假设提出,是否适合于沥青混合料介电特性的解释还有待于检验;雷达电磁波传播模拟未深入考虑多相体积率对电磁波传播信号的影响,更未有基于介电模型的雷达电磁波传播模拟研究,如何建立基于介电模型的雷达电磁波传播模型,是研究多相体积率反演的基础,也是有待解决的难题;目前介电特性的反演方法多为单一算法,应用范围有一定的局限性,并且现有反演方法是否能够应用于多相体积率反演还有待考证;以上的研究现状导致使用探地雷达对沥青路面进行快速、无损检测受到一定的限制。本文针对探地雷达在沥青路面面层无损检测中存在的问题,开展了沥青混合料多相体积率反演研究。以复合介质介电特性以及电磁波传播理论为研究基础,开展沥青混合料多相体积率对介电特性影响的试验研究,结合我国国情,建立常用多种类型沥青混合料的介电模型,构建基于介电模型的探地雷达电磁波传播正演模型,建立多类反演方法对沥青混合料多相体积率开展反演研究。取得相关研究成果和主要结论如下:（1）开展了沥青混合料多相体积率对介电特性影响的试验研究,考虑沥青混合料的多相特性,系统研究混合料多相体积率对介电特性的影响。试验研究结果表明:对于同一种类型的沥青混合料,骨料体积率对混合料介电特性的影响最大,沥青混合料的介电常数随骨料体积率的增大而增大;空隙率对混合料介电特性的影响最小,骨料和沥青体积率的变化会抵消空隙率变化的影响;沥青含量对沥青混合料介电特性的影响介于骨料和空气之间;试验研究结果为常用沥青混合料介电模型的建立提供依据。（2）基于试验,对现有经典介电模型在解释沥青混合料介电特性的合理性和适用性进行了检验,检验结果表明现有经典介电模型不适用于解释常用沥青混合料的介电特性;建立了AC-13、AC-16、SMA-13、SMA-16等四种常用沥青混合料的介电模型,对新建模型进行检验,检验结果表明采用本文新建介电模型能够解释四种常用沥青混合料的介电特性。研究成果为路面材料介电模型库的建立贡献了数据,也为揭示沥青混合料介电特性与各组分介电特性及其体积率之间的相关关系以及多相体积率的确定奠定了理论基础。（3）建立了基于沥青混合料介电模型的探地雷达电磁波传播正演模型。基于该正演模型研究了沥青混合料多相体积率的变化对雷达电磁波回波信号的影响规律,揭示了雷达电磁波回波信号对多相体积率的响应特征;通过模型试验,将实测波形与正演模拟波形进行对比,对建立的基于介电模型的雷达电磁波传播正演模型开展合理性与适用性考评,结果表明由于在雷达电磁波正演模型中考虑介电模型,使得多相体积率反演计算成为可能,为沥青混合料多相体积率的反演提供了计算理论基础以及精确的计算模型。（4）基于沥青混合料介电模型以及雷达电磁波传播正演模型,开展了沥青混合料多相体积率的多类反演研究。建立了多相体积率反演的粒子群（PSO）、遗传（GA）、PSO-GA混合、BP神经网络与PSO联合、BP-GA联合等五类反演方法,实现了多相体积率的多类反演计算,通过考评检验了多类反演方法的计算精度和效率。研究多类反演方法的智能选择,构建前置判断逻辑,实现了多相体积率的智能反演。开展多相体积率多类反演方法的工程应用,结果验证了本文多提多相体积率智能反演方法的可行性和有效性,为开展压实度、空隙率、沥青含量等关键指标的无损检测提供了分析新途径。本文开展了基于介电模型的沥青混合料多相体积率多类反演研究,探索了探地雷达对沥青混合料关键指标进行无损检测的新途径,研究成果对于丰富和发展探地雷达应用研究具有重要的学术价值,在道路无损检测与施工过程控制方面具有广阔的应用前景。
杜晨琛[10]（2020）在《基于电磁参数的特征优化与机械性能参数估计方法研究》文中提出机械性能参数是铁磁性材料生产过程中必须要考虑的重要指标之一,也是对铁磁性材料进行质量评价的标准。传统意义上铁磁性材料屈服强度、抗拉强度等机械性能参数是通过离线拉伸的有损方式获得的,本文基于四种无损检测方法,对电磁参数进行了特征优化和铁磁性材料的屈服强度、抗拉强度、延伸率的估计方法展开研究。主要内容如下所述:（1）介绍了巴克豪森噪声法、多频涡流法、增量磁导率法、切向磁场谐波分析法四种无损检测方法的基本原理和电磁信号的电磁参数特征。分析了电磁参数特征之间的相关性,结果表明电磁参数间存在冗余,说明有必要在估计机械性能参数前进行电磁参数的特征选择。（2）针对BP神经网络估计速度较慢、实时性差这一问题,提出了顺序后向选择与最小二乘法相结合的算法。该算法考虑了电磁参数特征子集与机械性能参数间的关系,不仅去除了冗余且不重要的电磁参数特征,而且在保证估计精度的同时,使得模型的估计时间大大减少。（3）针对四种传感器提取到的电磁参数中存在冗余等问题,提出了一种基于随机森林的算法模型。分析对比了所该算法与传统的神经网络等模型的估计效果,实验表明,该算法具有良好的通用性,对每个钢种的三个机械性能参数的估计可以同时取得较高的估计精度。（4）传统的特征工程需要人工经验提取和选择特征,本文设计了一种基于深度稀疏自编码的特征提取及建模算法。实验结果表明,与其它特征提取方法提取的特征相比,深度学习的方法能够自动地提取巴克豪森原始信号更本质、更具有代表性的特征。实验结果表明:电磁参数的特征选择和最小二乘法相结合的算法对模型的估计速度有了很大的提升。基于随机森林的机械性能参数估计模型提高了估计精度。深度学习在电磁信号特征提取方面具有有效性。
二、神经网络在电磁无损检测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经网络在电磁无损检测中的应用（论文提纲范文）
（1）基于视频时空间缓存的交叉卷积神经网络缺陷检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.3 基于深度学习的目标检测算法国内外研究现状 |
| 1.4 深度学习缺陷检测算法国内外研究现状 |
| 1.5 视频目标检测算法国内外研究现状和发展态势 |
| 1.6 本文主要贡献和创新 |
| 1.7 本论文的结构和安排 |
| 第二章 物理检测技术和视觉目标检测基本理论 |
| 2.1 物理检测技术的基本原理 |
| 2.1.1 电磁脉冲涡流红外热成像的基本原理 |
| 2.1.2 光激励机器视觉缺陷检测基本原理 |
| 2.2 深度学习目标检测卷积神经网络算法 |
| 2.2.1 卷积神经网络结构改进研究 |
| 2.2.2 特征融合 |
| 2.2.3 兴趣区域提取算法 |
| 2.2.4 小目标检测精度提升研究 |
| 2.2.5 视频目标检测的主要方法 |
| 2.3 本章小结 |
| 第三章 基于视频时空间缓存的交叉卷积神经网络缺陷检测方法 |
| 3.1 算法框架总体描述 |
| 3.2 交互检测流 |
| 3.3 时空上下文缓存模块 |
| 3.4 Loss损失函数 |
| 3.5 推断框架实现 |
| 3.6 本章小结 |
| 第四章 实验与结果分析 |
| 4.1 实验平台介绍 |
| 4.1.1 红外热成像无损检测实验平台设计 |
| 4.1.2 光激励机器视觉实验平台设计 |
| 4.2 实验试件介绍 |
| 4.3 数据集说明 |
| 4.3.1 数据增强方法 |
| 4.4 评价指标介绍 |
| 4.4.1 平均精度均值(mAP) |
| 4.4.2 F-score |
| 4.5 实验结果及对比分析 |
| 4.5.1 红外热图像序列实验结果分析 |
| 4.5.2 光激励视觉检测实验结果分析 |
| 4.5.2.1 算法对比实验分析 |
| 4.6 本章总结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）基于BP神经网络的超声定量评估技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 无损检测技术概况 |
| 1.3 超声检测技术概况 |
| 1.3.1 超声无损检测技术的发展趋势 |
| 1.3.2 超声检测的不足 |
| 1.4 相关技术在超声检测领域应用研究 |
| 1.4.1 数值模拟技术在超声检测中的应用 |
| 1.4.2 信号处理技术在超声检测中的应用 |
| 1.4.3 图像处理技术在超声检测中的应用 |
| 1.4.4 神经网络技术在超声检测中的应用 |
| 1.4.5 数据融合技术在超声检测中的应用 |
| 1.5 本文的主要内容及章节安排 |
| 2 超声检测及相关技术的基础理论 |
| 2.1 引言 |
| 2.2 超声检测技术 |
| 2.2.1 超声的概念 |
| 2.2.2 超声场的特征参量 |
| 2.2.3 超声波的分类 |
| 2.2.4 超声检测的原理及分类 |
| 2.3 有限元分析技术 |
| 2.3.1 有限元分析的基本理论 |
| 2.3.2 有限元分析的基本步骤 |
| 2.4 信号处理技术 |
| 2.4.1 离散傅里叶变换 |
| 2.4.2 快速傅里叶变换 |
| 2.5 神经网络技术 |
| 2.5.1 人工神经网络的理论及分类 |
| 2.5.2 BP神经网络理论及算法 |
| 2.6 图像处理技术 |
| 2.7 本章小结 |
| 3 超声检测模拟仿真与实验 |
| 3.1 引言 |
| 3.2 基于COMSOL软件的仿真模拟 |
| 3.2.1 构件及缺陷设计 |
| 3.2.2 模拟参数设置 |
| 3.2.3 探头步进的确定 |
| 3.2.4 声波的传播 |
| 3.3 基于不同形状缺陷的超声实验测试 |
| 3.3.1 试块的制备 |
| 3.3.2 超声缺陷检测系统 |
| 3.3.3 实验结果 |
| 3.4 实验与仿真模拟的对比分析 |
| 3.5 本章小结 |
| 4 超声信号多值域特征提取 |
| 4.1 引言 |
| 4.2 基于信号时域的特征提取与分析 |
| 4.3 基于信号频域的特征提取与分析 |
| 4.4 基于信号形态的特征提取与分析 |
| 4.5 训练数据库及验证数据库的建立 |
| 4.5.1 训练数据库的建立 |
| 4.5.2 验证数据库的建立 |
| 4.6 小结 |
| 5 缺陷的定量评估 |
| 5.1 引言 |
| 5.2 BP神经网络的结构设计 |
| 5.3 BP神经网络的训练 |
| 5.4 BP神经网络的性能预测 |
| 5.4.1 误差参数 |
| 5.4.2 单缺陷反演的预测分析 |
| 5.4.3 多缺陷反演的预测分析 |
| 5.5 不同位置多源数据的融合 |
| 5.5.1 D-S证据理论 |
| 5.5.2 不同信息源融合的缺陷反演 |
| 5.6 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）钢丝绳视觉无损检测与评估方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 课题的引出 |
| 1.4 本文研究内容 |
| 1.5 全文组织 |
| 2 基础理论及钢丝绳视觉检测评估总体方案设计 |
| 2.1 钢丝绳基础 |
| 2.2 数据驱动算法理论基础 |
| 2.3 工况条件与损伤分析 |
| 2.4 全绳表面累积损伤视觉状态模型架构设计 |
| 2.5 总体方案设计与说明 |
| 2.6 本章小结 |
| 3 钢丝绳图像采集与处理方法研究 |
| 3.1 钢丝绳视觉感知模型 |
| 3.2 周向图像采集系统设计 |
| 3.3 图像数据规范化处理 |
| 3.4 动态采集实验 |
| 3.5 本章小结 |
| 4 数据驱动的钢丝绳表面损伤视觉识别方法研究 |
| 4.1 绳表面损伤识别方法架构 |
| 4.2 基于特征工程的绳表面损伤分类方法 |
| 4.3 基于端对端的绳表面损伤分类方法 |
| 4.4 基于目标检测算法的绳表面损伤定位识别方法 |
| 4.5 表面损伤视觉动态检测识别实验 |
| 4.6 本章小结 |
| 5 表面量化累积损伤下钢丝绳状态评估方法研究 |
| 5.1 状态评估策略 |
| 5.2 表面损伤程度量化估计方法 |
| 5.3 损伤状态累积库的构建 |
| 5.4 状态评价分析与讨论 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 论文创新之处 |
| 6.3 存在不足和研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于GAN的铝板缺陷涡流检测与分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 涡流无损检测技术概述 |
| 1.3 涡流无损检测技术国内外研究现状 |
| 1.4 铝板常见缺陷及检测方法 |
| 1.4.1 铝板缺陷类型及其形成原因 |
| 1.4.2 铝板缺陷无损检测方法概述 |
| 1.5 铝板缺陷涡流检测与分类国内外研究现状 |
| 1.5.1 铝板缺陷涡流检测国内外研究现状 |
| 1.5.2 铝板缺陷涡流检测分类国内外研究现状 |
| 1.6 生成对抗网络算法原理 |
| 1.6.1 生成式对抗网络的基本结构 |
| 1.6.2 生成式对抗网络的目标函数 |
| 1.7 生成对抗网络研究现状 |
| 1.7.1 数据扩充 |
| 1.7.2 图像分割 |
| 1.7.3 图像分类 |
| 1.8 论文主要研究内容 |
| 1.8.1 论文的章节安排 |
| 1.8.2 论文的主要工作 |
| 1.9 本章小结 |
| 第二章 基于生成对抗网络的铝板缺陷涡流检测图像样本扩充 |
| 2.1 引言 |
| 2.2 图像样本扩充方法概述 |
| 2.2.1 基于几何变换的样本扩充方法 |
| 2.2.2 基于变分自编码器的样本扩充方法 |
| 2.2.3 基于生成对抗网络的图像样本扩充方法 |
| 2.3 基于生成对抗网络的铝板缺陷涡流检测图像样本扩充模型 |
| 2.3.1 铝板缺陷涡流检测图像样本扩充的网络结构 |
| 2.3.2 模型损失函数 |
| 2.4 基于生成对抗网络的铝板缺陷涡流检测图像样本扩充实验 |
| 2.4.1 涡流检测平台与数据采集 |
| 2.4.2 实验数据 |
| 2.4.3 实验环境 |
| 2.4.4 实验步骤 |
| 2.4.5 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 基于生成对抗网络的铝板缺陷涡流检测图像分割 |
| 3.1 引言 |
| 3.2 图像分割理论 |
| 3.2.1 阈值分割算法 |
| 3.2.2 聚类分割算法 |
| 3.2.3 基于边缘检测的分割方法 |
| 3.2.4 基于深度学习的图像分割算法 |
| 3.3 基于生成对抗网络的铝板缺陷涡流检测图像分割模型 |
| 3.3.1 生成器模型 |
| 3.3.2 注意力机制 |
| 3.3.3 判别器模型 |
| 3.3.4 模型损失函数 |
| 3.4 基于改进生成对抗网络的铝板缺陷涡流检测图像分割实验 |
| 3.4.1 实验环境 |
| 3.4.2 实验步骤 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于生成对抗网络的铝板缺陷涡流检测图像分类 |
| 4.1 引言 |
| 4.2 基于生成对抗网络的图像分类理论 |
| 4.3 基于生成对抗网络的铝板缺陷涡流检测图像分类模型 |
| 4.3.1 铝板缺陷涡流检测图像分类的网络结构 |
| 4.3.2 模型损失函数 |
| 4.4 基于生成对抗网络的铝板缺陷涡流检测图像分类实验 |
| 4.4.1 实验环境 |
| 4.4.2 实验步骤 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文研究总结 |
| 5.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A (攻读硕士学位期间取得的主要研究成果) |
| 附录 B (攻读硕士学位期间参与的科研项目) |
（5）基于深度学习的CFRP可视化检测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 无损检测技术简介 |
| 1.2.1 无损检测的特点 |
| 1.2.2 无损检测的常用方法 |
| 1.3 电磁检测技术的研究现状和发展趋势 |
| 1.3.1 电磁检测技术的研究现状 |
| 1.3.2 电磁检测技术的发展趋势 |
| 1.4 电磁检测技术与CFRP |
| 1.4.1 碳纤维增强复合材料简介 |
| 1.4.2 CFRP电磁检测的研究现状 |
| 1.4.3 CFRP电磁检测的主要难点 |
| 1.5 本文主要研究内容及总体框架 |
| 第二章 电磁检测技术理论基础 |
| 2.1 电磁场基本原理 |
| 2.1.1 电磁感应定律 |
| 2.1.2 麦克斯韦方程组 |
| 2.2 电磁检测技术 |
| 2.2.1 电磁检测技术工作原理 |
| 2.2.2 涡流传感器等效电路 |
| 2.2.3 电磁检测技术的特点 |
| 2.3 电磁检测的主要影响因素 |
| 2.3.1 提离效应 |
| 2.3.2 趋肤效应 |
| 第三章 电磁传感器阵列设计与CFRP电磁检测实验建模 |
| 3.1 角度敏感的电磁传感器阵列设计 |
| 3.1.1 角度敏感电磁检测传感器模型分析 |
| 3.1.2 角度敏感电磁检测传感器设计方法研究 |
| 3.2 CFRP电磁检测实验建模 |
| 3.2.1 COMSOL软件介绍 |
| 3.2.2 有限元法的基本理论 |
| 3.2.3 COMSOL有限元仿真基本建模流程 |
| 3.2.4 角度敏感电磁阵列传感器的模型建立 |
| 3.2.5 平纹编织CFRP的模型建立 |
| 3.2.6 平纹编织CFRP缺陷设计 |
| 3.2.7 CFRP电磁检测系统模型建立 |
| 3.3 CFRP缺陷数据采集 |
| 3.4 数据采集的设备支持 |
| 3.5 本章小结 |
| 第四章 自编码器算法过程及分类 |
| 4.1 算法流程 |
| 4.2 分类结果 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（6）基于涡流无损检测数据的金属构件疲劳裂纹扩展预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 疲劳裂纹无损检测方法与现状 |
| 1.2.1 自然疲劳裂纹的研究现状 |
| 1.2.2 脉冲涡流热成像检测和脉冲涡流无损检测 |
| 1.2.2.1 脉冲涡流热成像检测 |
| 1.2.2.2 脉冲涡流无损检测技术 |
| 1.3 疲劳裂纹扩展行为预测国内外现状 |
| 1.3.1 疲劳裂纹扩展行为的国内外研究现状 |
| 1.3.2 比例边界有限元法研究现状 |
| 1.4 目前研究中存在的主要问题 |
| 1.5 论文主要章节安排和创新点 |
| 1.5.1 论文主要章节安排 |
| 1.5.2 论文主要创新点 |
| 第二章 制备含疲劳裂纹的金属试件 |
| 2.1 金属构件疲劳裂纹的制备原理 |
| 2.2 基于ABAQUS的金属构件疲劳裂纹萌生及扩展仿真 |
| 2.2.1 ABAQUS |
| 2.2.2 疲劳裂纹萌生及扩展仿真模型 |
| 2.2.3 疲劳裂纹萌生及扩展仿真结果 |
| 2.3 金属构件疲劳裂纹制备实验平台 |
| 2.4 三点弯曲试验中疲劳裂纹扩展情况 |
| 2.4.1 疲劳裂纹扩展情况观测 |
| 2.4.2 疲劳裂纹扩展情况测量 |
| 2.5 本章小结 |
| 第三章 基于脉冲涡流热成像方法的自然疲劳裂纹快速定位方法研究 |
| 3.1 脉冲涡流热成像检测理论基础 |
| 3.2 脉冲涡流热成像实验平台 |
| 3.2.1 脉冲激励信号发生系统 |
| 3.2.2 脉冲涡流热成像信号采集系统 |
| 3.3 脉冲涡流热成像处理算法研究 |
| 3.4 疲劳裂纹的脉冲涡流热成像及结果分析 |
| 3.5 本章小结 |
| 第四章 基于脉冲涡流检测技术的自然疲劳裂纹深度定量检测方法研究 |
| 4.1 脉冲涡流技术检测理论基础 |
| 4.1.1 脉冲涡流技术检测原理 |
| 4.1.2 脉冲涡流无损检测中的趋肤效应 |
| 4.2 含裂纹的金属构件脉冲涡流检测方法有限元建模 |
| 4.2.1 COMSOL Multiphysics |
| 4.2.2 仿真建模 |
| 4.2.3 仿真结果分析 |
| 4.3 脉冲涡流无损检测实验平台 |
| 4.3.1 激励信号源 |
| 4.3.2 激励线圈和检测探头 |
| 4.3.2.1 激励线圈参数 |
| 4.3.2.2 检测磁传感器参数 |
| 4.3.3 放大滤波电路 |
| 4.3.4 信号采集处理终端 |
| 4.3.4.1 数据采集模块 |
| 4.3.4.2 数据处理模块 |
| 4.3.5 位移标定器 |
| 4.4 脉冲涡流无损检测实验 |
| 4.5 本章小结 |
| 第五章 脉冲涡流热成像与脉冲涡流检测复合的疲劳裂纹的定量检测方法研究 |
| 5.1 脉冲涡流热成像与脉冲涡流检测复合检测方法研究 |
| 5.1.1 复合策略 |
| 5.1.2 复合方法 |
| 5.2 基于BP神经网络的疲劳裂纹定量识别算法研究 |
| 5.2.1 BP神经网络 |
| 5.2.2 基于BP神经网络的疲劳裂纹定量检测方法 |
| 5.3 基于遗传算法的神经网络优化疲劳裂纹定量识别精度 |
| 5.4 本章小结 |
| 第六章 基于疲劳裂纹检测结果的疲劳裂纹扩展预测 |
| 6.1 疲劳裂纹扩展仿真原理 |
| 6.1.1 比例边界有限元的坐标系 |
| 6.1.2 考虑循环载荷和试样特性的自然裂纹扩展 |
| 6.2 疲劳裂纹扩展仿真 |
| 6.2.1 含自然疲劳裂纹的二维连续介质控制方程 |
| 6.2.2 自然疲劳裂纹扩展的数值实现 |
| 6.2.3 自然疲劳裂纹扩展数值实现的算例验证 |
| 6.2.4 疲劳裂纹扩展行为预测 |
| 6.3 案例分析和验证 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）钛合金板材电涡流无损检测与定量化评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 钛合金板材的生产制造及质量标准 |
| 1.2.1 钛合金板材的发展与应用 |
| 1.2.2 钛合金板材轧制工艺 |
| 1.2.3 钛合金板材质量标准 |
| 1.2.4 钛合金板材无损检测方法 |
| 1.3 电涡流无损检测技术概述及其研究现状 |
| 1.3.1 电涡流检测技术发展概述 |
| 1.3.2 电涡流检测信号预处理研究现状 |
| 1.3.3 电涡流测厚方法研究现状 |
| 1.3.4 电涡流检测缺陷分类识别研究现状 |
| 1.3.5 电涡流缺陷定量化评估研究现状 |
| 1.4 钛合金板材电涡流无损检测研究现状及存在的问题 |
| 1.4.1 钛合金板材电涡流无损检测研究现状 |
| 1.4.2 研究热点 |
| 1.4.3 存在的问题 |
| 1.5 本文的主要研究内容及创新 |
| 1.5.1 论文的主要研究内容 |
| 1.5.2 论文的创新点 |
| 1.6 本章小结 |
| 第二章 钛合金板材电涡流检测信号预处理 |
| 2.1 引言 |
| 2.2 钛合金板材电涡流检测信号特性 |
| 2.2.1 探头线圈阻抗模型 |
| 2.2.2 探头线圈电压变化 |
| 2.2.3 钛合金板材电涡流检测信号 |
| 2.3 数字相敏检波算法与电涡流成像原理 |
| 2.3.1 数字相敏检波 |
| 2.3.2 电涡流扫描成像原理 |
| 2.4 钛合金板电涡流检测图像PCA-LLE联合降噪方法 |
| 2.4.1 主元分析(PCA)降噪 |
| 2.4.2 局部线性嵌入(LLE)图像重构 |
| 2.4.3 基于PCA-LLE的电涡流检测图像降噪 |
| 2.4.4 降噪预处理实验 |
| 2.5 本章小结 |
| 第三章 钛合金板材电涡流解析模型与厚度测量研究 |
| 3.1 引言 |
| 3.2 钛合金板材电涡流解析模型建立 |
| 3.2.1 电涡流探头与测量原理 |
| 3.2.2 Dodd-Deeds解析模型 |
| 3.2.3 钛合金板材电涡流解析模型 |
| 3.3 钛合金板材电涡流解析模型的分析与改进 |
| 3.3.1 钛合金板材解析模型相位分离 |
| 3.3.2 钛合金板材电涡流解析模型的改进 |
| 3.4 基于改进解析模型的钛合金板材电涡流测厚方法 |
| 3.5 钛合金板电涡流厚度测量实验 |
| 3.5.1 测量设备及实验设置 |
| 3.5.2 厚度测量结果与分析 |
| 3.6 本章小结 |
| 第四章 基于SSDAE深度神经网络的钛合金板材缺陷电涡流检测图像分类方法 |
| 4.1 引言 |
| 4.2 降噪自编码器原理及训练方式 |
| 4.2.1 自编码器原理 |
| 4.2.2 降噪自编码器原理 |
| 4.2.3 降噪自编码器训练方式 |
| 4.3 稀疏性限制引入与深度神经网络构建 |
| 4.3.1 稀疏性限制 |
| 4.3.2 栈式稀疏降噪自编码(SSDAE)深度神经网络构建 |
| 4.4 基于SSDAE深度神经网络的钛板缺陷电涡流图像分类方法 |
| 4.5 钛合金板缺陷电涡流检测与分类实验 |
| 4.5.1 检测装置 |
| 4.5.2 检测材料与试验设置 |
| 4.5.3 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 基于DBN与LSSVM的钛合金板材缺陷电涡流检测图像定量化评估方法 |
| 5.1 引言 |
| 5.2 基于DBN的钛合金板缺陷特征提取 |
| 5.2.1 限制玻尔兹曼机原理 |
| 5.2.2 深度置信网络构建与特征提取 |
| 5.3 基于LSSVM的钛合金板缺陷参数回归 |
| 5.4 基于DBN和LSSVM的钛合金板缺陷定量化评估方法 |
| 5.5 钛合金板缺陷定量化评估实验 |
| 5.5.1 参数影响分析 |
| 5.5.2 评估结果与讨论 |
| 5.6 本章小结 |
| 第六章 钛合金板材电涡流无损检测系统设计与实现 |
| 6.1 引言 |
| 6.2 钛合金板材电涡流无损检测系统总体架构 |
| 6.2.1 电涡流检测系统总体硬件架构 |
| 6.2.2 电涡流检测系统总体软件工作流程 |
| 6.2.3 电涡流检测系统功能模块划分 |
| 6.3 电涡流无损检测系统软硬件模块化实现 |
| 6.3.1 电涡流探头设计 |
| 6.3.2 电涡流检测系统硬件实现 |
| 6.3.3 电涡流检测系统软件实现 |
| 6.4 智能检测分析功能集成 |
| 6.4.1 钛合金板测厚功能 |
| 6.4.2 钛合金板缺陷分类与评估功能 |
| 6.5 钛合金板材电涡流无损检测应用实例 |
| 6.5.1 钛合金板材缺陷检测 |
| 6.5.2 钛合金板材厚度测量 |
| 6.5.3 钛合金板材缺陷分类与评估 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读博士学位期间取得的主要研究成果 |
| 附录B 攻读博士期间参与的科研项目 |
（8）基于漏磁内检测的输油管道缺陷识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和目的 |
| 1.2 国内外漏磁检测技术发展及现状 |
| 1.3 国内外漏磁检测缺陷识别方法研究 |
| 1.3.1 国外漏磁检测缺陷识别方法研究 |
| 1.3.2 国内漏磁检测缺陷识别方法研究 |
| 1.3.3 基于深度学习的缺陷识别方法研究 |
| 1.4 国内外漏磁检测缺陷重构方法研究 |
| 1.5 论文研究内容及拟解决的关键问题 |
| 1.5.1 论文研究内容 |
| 1.5.2 拟解决的关键问题 |
| 第2章 管道漏磁内检测原理及检测数据研究 |
| 2.1 管道漏磁内检测原理 |
| 2.1.1 漏磁检测技术 |
| 2.1.2 管道漏磁内检测器结构及工作流程 |
| 2.1.3 管道漏磁内检测原理 |
| 2.1.4 漏磁场理论 |
| 2.1.5 漏磁场分布 |
| 2.2 管道漏磁内检测数据研究 |
| 2.2.1 漏磁检测数据曲线研究 |
| 2.2.2 漏测检测数据图像研究 |
| 第3章 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
| 3.1 小波变换理论研究 |
| 3.1.1 小波变换原理 |
| 3.1.2 小波多尺度变换原理 |
| 3.1.3 基于小波变换的融合算法 |
| 3.2 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
| 3.3 基于数据融合的小波变换漏磁异常边缘提取实验及结果分析 |
| 3.3.1 实验准备 |
| 3.3.2 实验评价指标 |
| 3.3.3 实验过程 |
| 3.3.4 仿真实验 |
| 3.3.5 实验算法参数分析 |
| 3.3.6 实验算法对比 |
| 3.4 本章小结 |
| 第4章 基于U-NET网络的微小漏磁异常区域提取方法研究 |
| 4.1 基于U-NET的深度学习方法研究 |
| 4.1.1 深度学习方法研究 |
| 4.1.2 深度学习技术研究 |
| 4.1.3 U-Net网络模型的研究 |
| 4.1.4 Res Net网络模型的研究 |
| 4.1.5 对抗网络模型的研究与优化 |
| 4.2 改进的U-NET网络模型和算法研究 |
| 4.3 基于U-NET网络和对抗网络的异常区域提取实验及结果分析 |
| 4.3.1 实验准备 |
| 4.3.2 实验过程 |
| 4.3.3 实验评价指标 |
| 4.3.4 实验结果分析 |
| 4.3.5 噪声鲁棒性实验分析 |
| 4.4 本章小结 |
| 第5章 基于卷积神经网络的管道连接组件和缺陷识别方法研究 |
| 5.1 管道连接组件识别意义研究 |
| 5.2 基于卷积神经网络的识别方法研究 |
| 5.2.1 深度神经网络研究 |
| 5.2.2 卷积神经网络研究 |
| 5.2.3 改进的卷积神经网络算法研究 |
| 5.3 基于改进的深度网络组件及缺陷识别实验及分析 |
| 5.3.1 实验设置 |
| 5.3.2 实验算法评估标准 |
| 5.3.3 改进的卷积神经网络实验训练过程 |
| 5.3.4 焊缝法兰组件识别结果实验分析 |
| 5.3.5 缺陷识别结果实验分析 |
| 5.3.6 漏磁图像位移和畸变实验分析 |
| 5.4 本章小结 |
| 第6章 基于偏差估计的漏磁信号缺陷三维轮廓重构方法研究 |
| 6.1 漏磁信号缺陷三维轮廓重构 |
| 6.1.1 缺陷三维重构方法研究 |
| 6.1.2 缺陷轮廓数据分析 |
| 6.2 理论算法研究 |
| 6.2.1 有限元正演模型研究 |
| 6.2.2 随机森林算法研究 |
| 6.3 训练数据的获取 |
| 6.4 基于随机森林的缺陷轮廓反演算法研究 |
| 6.5 实验及分析 |
| 6.5.1 仿真实验 |
| 6.5.2 仿真结果分析 |
| 6.5.3 真实实验 |
| 6.5.4 实验结果分析 |
| 6.6 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（9）基于介电模型的沥青混合料多相体积率多类反演及其工程应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 概述 |
| 1.2 国内外研究现状 |
| 1.2.1 沥青混合料材料特性及探地雷达研究 |
| 1.2.2 探地雷达电磁波传播正演模拟 |
| 1.2.3 介电模型 |
| 1.2.4 介电特性反演方法 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 沥青混合料多相体积率对介电特性影响的试验研究 |
| 2.1 沥青混合料的多相特性 |
| 2.2 试验方案 |
| 2.2.1 试验材料与类型 |
| 2.2.2 试验过程 |
| 2.3 测试频率对沥青混合料及其单相介电特性的影响分析 |
| 2.3.1 测试频率对单相介质介电特性的影响 |
| 2.3.2 测试频率对沥青混合料介电特性的影响 |
| 2.4 沥青混合料多相体积率对其介电特性的影响 |
| 2.4.1 骨料体积率对介电特性的影响 |
| 2.4.2 沥青含量对介电特性的影响 |
| 2.4.3 空隙率对介电特性的影响 |
| 2.5 本章小结 |
| 3 常用沥青混合料介电模型的建立 |
| 3.1 现有经典介电模型概述 |
| 3.2 经典介电模型适用性检验 |
| 3.2.1 线性模型(Brown模型)适用性检验 |
| 3.2.2 均方根模型(CRIM模型)适用性检验 |
| 3.2.3 立方根模型(Looyenga模型)适用性检验 |
| 3.2.4 小结 |
| 3.3 常用沥青混合料介电模型的建立 |
| 3.3.1 AC-13沥青混凝土混合料介电模型 |
| 3.3.2 AC-16沥青混凝土混合料介电模型 |
| 3.3.3 SMA-13沥青玛蹄脂碎石混合料介电模型 |
| 3.3.4 SMA-16沥青玛蹄脂碎石混合料介电模型 |
| 3.4 本章小结 |
| 4 基于沥青混合料介电模型的探地雷达电磁波传播正演模拟及模型试验 |
| 4.1 基于沥青混合料介电模型的探地雷达电磁波传播正演模拟的时域有限差分方法 |
| 4.1.1 时域有限差分方法 |
| 4.1.2 探地雷达电磁波传播正演模拟 |
| 4.2 沥青混合料多相体积率对雷达电磁波回波信号的影响分析 |
| 4.2.1 骨料体积率对雷达电磁波回波信号的影响 |
| 4.2.2 沥青体积率对雷达电磁波回波信号的影响 |
| 4.2.3 空隙率对雷达电磁波回波信号的影响 |
| 4.3 模型试验 |
| 4.3.1 试验方案设计及实施 |
| 4.3.2 探地雷达检测 |
| 4.3.3 钻芯取样及试件多相体积率测试 |
| 4.4 正演模型检验 |
| 4.5 本章小结 |
| 5 基于沥青混合料介电模型的多相体积率多类反演 |
| 5.1 概述 |
| 5.2 沥青混合料多相体积率反演分析的粒子群算法 |
| 5.2.1 多相体积率反演粒子群算法基本原理及流程 |
| 5.2.2 算例分析 |
| 5.3 沥青混合料多相体积率反演分析的遗传算法 |
| 5.3.1 多相体积率反演遗传算法基本原理及流程 |
| 5.3.2 算例分析 |
| 5.4 沥青混合料多相体积率反演分析的PSO-GA混合算法 |
| 5.4.1 PSO-GA混合算法的提出 |
| 5.4.2 多相体积率反演PSO-GA混合算法基本原理与流程 |
| 5.4.3 算例分析 |
| 5.5 沥青混合料多相体积率反演分析的BP-PSO联合算法 |
| 5.5.1 多相体积率反演BP-PSO联合算法基本原理及流程 |
| 5.5.2 算例分析 |
| 5.6 沥青混合料多相体积率反演分析的BP-GA算法 |
| 5.6.1 多相体积率反演BP-GA联合算法反演分析流程 |
| 5.6.2 算例分析 |
| 5.7 沥青混合料多相体积率多类反演方法考评 |
| 5.7.1 反演精度考评 |
| 5.7.2 反演效率考评 |
| 5.8 基于多类反演方法的多相体积率智能反演 |
| 5.8.1 多相体积率智能反演的提出 |
| 5.8.2 多相体积率反演智能反演分析流程 |
| 5.9 本章小结 |
| 6 工程应用 |
| 6.1 沥青混合料多相体积率反演分析多类反演的工程应用 |
| 6.1.1 多相体积率反演PSO算法工程应用 |
| 6.1.2 多相体积率反演GA算法工程应用 |
| 6.1.3 多相体积率反演PSO-GA算法工程应用 |
| 6.1.4 多相体积率反演BP-PSO联合算法工程应用 |
| 6.1.5 多相体积率反演BP-GA联合算法工程应用 |
| 6.1.6 多相体积率智能反演工程应用 |
| 6.2 结果分析 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 一、个人简历 |
| 二、在学期间发表的学术论文与专利 |
| 三、在学期间参与的研究课题 |
| 参考文献 |
| 致谢 |
（10）基于电磁参数的特征优化与机械性能参数估计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 机械性能的传统检测方法 |
| 1.2.2 机械性能无损检测方法的国内外研究现状 |
| 1.2.3 电磁无损评估的国内外现状及发展 |
| 1.2.4 机器学习算法在电磁无损检测领域的应用 |
| 1.3 基于特征优化的无损检测算法模型的关键问题和解决思路 |
| 1.4 论文的主要研究工作和章节内容安排 |
| 1.4.1 论文的主要研究工作 |
| 1.4.2 论文章节内容安排 |
| 第二章 电磁无损检测技术的基本原理及机械性能参数介绍 |
| 2.1 磁畴与磁化理论 |
| 2.2 四种无损检测方法及它们提取到的常用特征值 |
| 2.2.1 巴克豪森噪声信号及常用特征值 |
| 2.2.2 多频涡流信号及常用特征值 |
| 2.2.3 增量磁导率信号及常用特征值 |
| 2.2.4 切向磁场强度谐波分析信号及常用特征值 |
| 2.3 铁磁性材料机械性能参数介绍 |
| 2.4 电磁参数与铁磁性材料机械性能参数间的相关性分析 |
| 2.5 第二章小结 |
| 第三章 基于SBS与最小二乘法相结合的机械性能参数估计方法 |
| 3.1 电磁信号数据来源介绍 |
| 3.1.1 电磁信号检测系统介绍 |
| 3.1.2 数据介绍与数据预处理 |
| 3.2 基于SBS与最小二乘法相结合的方法 |
| 3.2.1 算法的提出 |
| 3.2.2 基于SBS与最小二乘法相结合的算法流程图 |
| 3.3 基于SBS与最小二乘法相结合的算法模型 |
| 3.3.1 评估指标 |
| 3.3.2 基于SBS与最小二乘法相结合的机械性能参数估计结果 |
| 3.4 不同方法的对比 |
| 3.5 第三章小结 |
| 第四章 基于随机森林的机械性能参数估计方法 |
| 4.1 随机森林理论介绍 |
| 4.1.1 决策树与回归树 |
| 4.1.2 随机森林回归算法 |
| 4.2 基于随机森林的机械性能参数估计算法模型 |
| 4.2.1 基于验证集的随机森林参数选取分析 |
| 4.2.2 基于随机森林的机械性能参数估计结果 |
| 4.3 随机森林建模实验结果总结 |
| 4.4 第四章小结 |
| 第五章 基于深度稀疏自编码的铁磁性材料机械性能参数估计 |
| 5.1 自动编码器的基本原理概述 |
| 5.1.1 自动编码器 |
| 5.1.2 深度自动编码器 |
| 5.1.3 稀疏自动编码器 |
| 5.1.4 深度自动编码器的学习算法 |
| 5.2 基于深度SAE的机械性能参数估计网络 |
| 5.2.1 巴克豪森原始信号预处理 |
| 5.2.2 基于深度SAE的机械性能参数估计网络 |
| 5.3 基于深度SAE的机械性能参数估计结果 |
| 5.3.1 基于深度SAE的无监督预训练后的机械性能参数估计结果 |
| 5.3.2 基于深度SAE的有监督微调后的机械性能参数估计结果 |
| 5.3.3 深度SAE网络参数选取分析 |
| 5.4 不同方法的机械性能参数估计结果对比 |
| 5.5 第五章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来研究的展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、神经网络在电磁无损检测中的应用（论文参考文献）
- [1]基于视频时空间缓存的交叉卷积神经网络缺陷检测方法[D]. 许伟平. 电子科技大学, 2021(01)
- [2]基于BP神经网络的超声定量评估技术研究[D]. 李兴龙. 北京交通大学, 2021(02)
- [3]钢丝绳视觉无损检测与评估方法研究[D]. 周坪. 中国矿业大学, 2021
- [4]基于GAN的铝板缺陷涡流检测与分类研究[D]. 张琦. 昆明理工大学, 2021(01)
- [5]基于深度学习的CFRP可视化检测系统研究[D]. 戴斌. 天津工业大学, 2021(01)
- [6]基于涡流无损检测数据的金属构件疲劳裂纹扩展预测方法研究[D]. 李翰超. 电子科技大学, 2021(01)
- [7]钛合金板材电涡流无损检测与定量化评估研究[D]. 包俊. 昆明理工大学, 2020
- [8]基于漏磁内检测的输油管道缺陷识别方法研究[D]. 曹辉. 沈阳工业大学, 2020(02)
- [9]基于介电模型的沥青混合料多相体积率多类反演及其工程应用[D]. 李松涛. 郑州大学, 2020(02)
- [10]基于电磁参数的特征优化与机械性能参数估计方法研究[D]. 杜晨琛. 南京航空航天大学, 2020(07)