使用GMR探头和人工神经网络检测和表征缺陷.docx
《使用GMR探头和人工神经网络检测和表征缺陷.docx》由会员分享，可在线阅读，更多相关《使用GMR探头和人工神经网络检测和表征缺陷.docx（18页珍藏版）》请在冰豆网上搜索。
使用GMR探头和人工神经网络检测和表征缺陷
使用GMR探头和人工神经网络检测和表征缺陷
这项工作提出基于巨磁阻（GMR）传感装置上的涡流检测系统。
在铝板无损检测应用，以提取有关可能存在的缺陷的信息：
裂缝，孔洞等机械损伤。
涡流检测（ECT）呈现主要优点，例如成本低，高检测速度，鲁棒性和高灵敏度，以大的类的缺陷。
线圈基础的架构的探针或线圈磁阻的探针通常用在ECT。
在我们的应用GMR传感器用于检测磁场成分平行于板面，当垂直于板的激励场施加。
的神经网络处理架构，其中包括一多层感知和有竞争力的神经网络，被用于分类使用涡流探针（ECP）和其操作频率的输出振幅的缺陷。
裂缝检测，分类和估计的几何特性，对不同类别的缺陷，在该论文中描述。
关键词：
无损检测;涡流;磁阻传感器;神经网络分类器
1.介绍
X射线，超声波检测和涡流检测[1]是现今进行使用不同的方法使用非破坏性测试的机械部件的预期寿命的评估瑕疵不同类型的准确的评估[2]。
涡流检查是快速和有效地发生在导电材料检测缺陷，如疲劳裂纹，夹杂物，气泡和腐蚀[3]，[4]和[5]。
随时间变化的磁场的应用引起的导电试样涡流。
的缺陷，它作为高电阻的障碍的存在，被关联到了在使用不同种类的探针检测到的涡电流的流动扰动。
涡流探针（ECP）的最简单的形式是用于诱导磁场中的导电材料，其阻抗的变化，测定这种方式所造成的缺陷[6]所述扰动的单一激磁线圈。
简单的励磁线圈探头代表一个强大的解决方案。
然而，低的灵敏度和分辨率低表征该探针。
这些缺点是过度通过，基于涡流探针的架构，包括激发和检测线圈开发新的线圈[7]和[8]。
这种探针是一种良好的解决方案，以检测在考虑到所述导电材料表面上的缺陷，对于良好的敏感性，他们需要一个相对高的激励正弦信号频率[9]。
在导电材料深埋缺陷是难以用全线圈涡流探头架构来检测。
为了克服单一频率的限制，脉冲涡流被使用并且报道为具有稍微更好的结果[10]和[11]一个有趣的解决方案。
在这种技术中，探头很高兴与重复的宽带脉冲。
所得的瞬态电流通过线圈诱导的试验片，其与所述高度降低磁脉冲穿过材料传播相关联的瞬态涡流。
对深埋地下的缺陷检测效果更佳使用敏感的磁场传感器获得或磁阻传感器。
既能提高的涡流检测技术的效率，因为这种类型的传感器当前频率无关的灵敏度开始在0赫兹。
磁阻传感器的特征在于电阻值的变化大时，接触到的磁场。
现今最广泛使用的是那些基于所述隧道磁阻效应（TMR），各向异性磁阻（AMR）和巨磁电阻（GMR）[13]，[14]和[15]。
只有AMR和GMR目前的商业实现（如飞利浦KMZ10，NVEAA002）。
高灵敏度和定向性推荐GMR传感器被包括在涡流探针（ECP）对裂纹和缺陷检测中的应用，允许检测在样品边缘[16]，或检测腐蚀裂纹。
GMR传感器是优选的用于开发高效的传感器阵列，在考虑高频率无关的灵敏度的磁场，小的几何尺寸（在具有相同的灵敏度的电感式传感器的比较），简单起见，在使用中，和低功耗（与其他传感器的比较技术）。
ECP探针结合的励磁线圈和单个或多个GMR传感器，测量磁场的振幅和相位由涡流产生的。
这些数据被用于提取有关的缺陷，如长度和深度的尺寸的信息。
测得的值取决于材料，磁导率，激励频率，电流强度，距探针和样品（剥离效应）之间[17]和不连续性或非均匀性材料的导电性。
推断缺陷的几何特性是困难的，因为这种大量的参数，并在非破坏性测试上下文逆问题变得难以解决[18]。
关于相关联的精确逆问题的解决为不同的技术被用于导电材料的非破坏性检验（NDT）所测量的涡流处理。
在这些中，使用的技术良好的结果，如2D-平稳小波变换[19]和[20]，2D-连续小波变换[21]必须转交。
不像其他的信号分析技术小波分析能够揭示一样的趋势，击穿点，在较高的衍生物的不连续性，以及自相似性数据的方面。
它提供了不同的看法比传统的技术数据。
小波分析可以不受其功能明显退化和定位[22]经常降噪信号输出2D图像。
过滤和特征提取之后施加于缺陷分类的重要技术通常通过人工神经网络（ANN）[23]和[24]表示。
不同类型的神经网络架构通常用来实现缺陷分类。
良好的结果文献报道的多层感知器和径向基函数神经网络[25]和[26]。
这项工作提出的自动测量系统，其包括用于检测缺陷直人为加工中的铝板和表征一个GMR基于涡流探头。
关于GMR校准和涡流传感系统实现一个实用的方法进行。
所测量的信号参数，如磁场振幅沿着穿过缺陷和激励信号的频率轴，被用来作为进行孔和裂缝之间的分类的神经网络处理架构的输入。
一个附加的神经网络处理方案是用来制造根据本显著几何特征检测的裂缝和孔洞的分类。
本文分为几个部分：
第2节介绍了测量系统，第3节利用人工神经网络（ANN）和第4所获得的实验结果的处理方案。
在第2节第描述涡流探针（ECP），测量系统和开发已列入该软件，但探针的实验特性和缺陷的评价列于第4节。
2.系统介绍
为了检测在该铝板的GMR基于涡流传感探头和一个自动测量系统，其包括XY-运动系统可能存在的缺陷，设计和实施。
从涡电流检测信道获得的数据，以检测和分类缺陷处理（例如裂缝，孔洞）。
2.1基于GMR的涡流探头
两个涡流探针构建（ECP1和ECP2）。
ECP1的励磁线圈是扁平型（大直径和小的高度），并ECP2的励磁线圈具有小的直径和长的长度。
该传感器是一个巨磁电阻（GMR）在这两种情况下，装在ECP较低的水平，并呈现有效平面垂直于线圈轴。
探针的几何形状被示于图1，而在缺陷检测实验所使用的线圈的尺寸在表1a和表1b中给出。
GMR传感器位于与它的敏感平行于板的轴。
因此，在线圈轴上的励磁场，垂直于GMR封装的传感轴线（SOIC08），对测量没有影响。
图1涡流框图（GMR-CC：
GMR调理电路;VIN+，Vin：
电源电压）
在一个无缺陷的铝板上，考虑到圆对称，感生涡流将产生的GMR传感器的输出没有影响。
缺陷如加工的铝板表面上的裂纹或孔，发起一个扰动圆形涡流流动路径，以及一个GMR传感器的输出电压。
为了估计缺陷特征这个电压被处理。
几种类型的GMR传感器具有不同灵敏度的可与缺陷检测有关的实验中使用。
NVE提供了在尺寸为350微米×1400微米集成电路与感测部件的传感器。
所述传感器被配置为惠斯登电桥，并且包括45kΩ的GMRS两个反应作为传感元件，另两个作为无源电阻[27]。
传递特性输出电压=Vout的（HA）（Vout的GMR传感器的输出，Ha是所施加的磁场），用于从NVEAA00x型号不同的传感器（AA002，AA003，AA06）已经被实验测定用测试螺线管施加字段与不同的幅度和频率。
这是决定使用AA002在目前的工作，因为它提出了最高的灵敏度[3.0;4.2]毫伏/V-Oe。
关于GMR传感器信号调理电路，并根据采集和数据处理系统的能力，分为两种情况进行了审议。
在这两种情况下，基于所述INA118仪表放大器的放大块使用。
此外在的情况下，有源高通巴特沃斯滤波器（图2，3极FC=10Hz），是根据一个LM324集成电路上被使用，并且在其他情况下，高通数字滤波器上的软件实现。
2.2。
涡流自动测量系统
一个准确的交流电流激励基于GMR传感器的涡流探头。
Fluke5700A校准器用作电流源，以提供给涡流探针励磁线圈的电流。
校准器使用NIPXIGPIB模块（图3）远程控制。
图3涡流自动测量系统（ECP-涡流探头;MC运动控制;Fluke5700A-通用校准）。
使用PXI-6251多功能板（16位1.2MS/s）取得该GMR调节电路的输出电压。
电流在ECP励磁线圈和ECP的不同位置的不同的值被考虑。
不同的ECP位置在测试板使用xy运动，并通过RS232接口的NIPXI系统控制的定位系统获得的。
该PXI系统由通过PCMCIACardBus的-8310接口，与NIPXI-8310安装在NIPXI-8036插槽通信的笔记本电脑控制的监督。
使用不同的信号的激励频率同样是执行的缺陷检测验证（xi，yi）坐标ECP轨迹在板。
进行励磁电流值，IEX测试时，与包括在10至200mA范围和对于100Hz与2kHz之间的频率振幅。
根据该激励角频率ω的涡流的，不同的铝板标准穿透深度;δ。
所述δ关系作为激励信号的角频率ω的函数，磁导率μ和板的电导率σ是：
对于要测试的铝板的特定情况下，铝2024T3，μ=μ0和σ=1.75×106S/m以下
2.3采集，控制和处理软件
在LabVIEW和Matlab开发涡流自动测量系统软件与由系统执行以下任务相关联：
A）GMR传感器特性;
B）XY-定位系统控制;
C）ECP励磁电流的控制，采集和ECP输出信号的数字滤波;
D）正弦拟合和ECP输出信号特征提取;
E）分类和估算的缺陷几何特征。
校准器输出电流的控制，在xy定位系统控制和数据采集的ECP信号是一个用于铝板探伤涡流自动测量系统的软件的主要部分。
软件流程图提出了图4。
图4涡流自动测量系统软件流程图
Fluke校准器作为基于使用GPIB仪器I/O功能的实现的LabVIEW软件例行电流发生器被远程控制（如GPIB读取和GPIB写入）与SCPI远程控制命令（如OUT100mA，100Hz）有关。
在xy定位系统的遥控器使用的是VISA串行I/O功能来实现。
参照采集，测量的I/ODAQmx的函数被用来获取来自ECP涡流特性（振幅，频率和相位），用于平板扫描区域的每个位置（xi，yi）时。
增益和多功能I/O的PXI板的采集速率是由软件，以便提供所述ECP响应信号的准确表示调整。
因此，对于正弦激励信号的采集速率为10kS/s的之间，以70kS/s的。
特征提取的ECP输出信号，利用正弦拟合算法的准确度，强烈地依赖于所获取的周期[28]的数目Np。
Np=20到Np=100的值进行了审议。
考虑到ECP信号输出和感应噪声信号（50赫兹的噪声和高频噪声）的数字过滤软件块被列入所述的低水平。
带通滤波器（例如，F1=800赫兹，F2=8000赫兹），以增加信噪比被使用。
第三到第10顺序的不同类型的过滤器，如巴特沃斯，贝塞尔和切比雪夫，进行了测试，并计算出的SNR值的最佳选择顺序对于一个给定类型的过滤器。
后所获取的ECP输出信号的数字滤波Np个周期，Vout的（n）的，被用来计算振幅，激励信号和ECP输出信号，并且所述频率之间的相位差。
LabVIEW的快捷功能音频测量用于这一目的。
在Vout的（n）的振幅，并使用ECP输出与激励信号之间的相位差的演变被用于受测试以表征关于感应故意的裂缝和孔洞铝板。
3.人工神经网络处理方案
对于一个给定的ECP励磁电流的ECP振幅响应分别检测在所述板中的缺陷，并使用基于该呈现图1中的人工神经网络的处理方案来分类5。
图5基于一个ANN（MLP-NN.缺陷分类方案-多层感知神经网络：
IL-输入层，HL–隐含层，OL-输出层;COM-NN-有竞争力的神经网络：
DVi，DVj-缺损值，Tdci，Tdcj-缺陷）
人工神经网络是多层感知器（MLP-NN），并有竞争力的神经网络（COM-NN）被设计为执行该缺陷，这是故意加工在铝板的分类，如裂缝或孔洞。
当一组特征被呈现给神经网络处理方案的MLP-NN通过值产生两个元件（DVI，DVJ）表示该被检测的缺陷类型（裂缝或孔）的载体包含在[0，1]区间。
所考虑的缺陷之间的良好歧视的意味：
竞争激烈的神经网络（COM-NN）使用缺陷值，DVi和DVj，获得对MLP-NN输出。
COM-NN只用一个层[29]拾取这些值的最大值，并产生一个1对1类和0为其他类。
在实施分类功能的特点是正确的分类值，C类定义如下：
其中NC是正确分类缺陷的数量和NT考虑划缺陷总数。
该MLP-NN表示缺陷分类器的主要组成部分，包括：
对应于所考虑的特征的数量的输入层（IL）与ninput=2-3神经元。
因此，当所选择的功能是，扫描的缺陷（如裂纹）和相应的信号频率相关联的所获取的信号的振幅，ninput=2的其他信息可采取考虑的激励电流和检测到的检测到的最大的相位差电压作为第三特征，在这种情况下，ninput=3。
在隐藏层神经元的数目nhidden其特征在于一个日志乙状结肠传递函数成立，以便获得对缺陷分类和/或缺陷估计为神经元的数量减少了良好的性能。
nhidden的值=3-25被认为在本申请中。
输出层对应于缺陷的类型。
在所设计的神经网络分类器输出层包括多个神经元等于可能的缺陷的数量。
在目前的工作中，各种所考虑的缺陷是裂缝和孔洞。
这意味着noutput=2中的输出层。
神经网络分类器的描述方程为：
其中X代表与涡流功能相关的神经网络的输入向量。
峰-谷-峰的ECP1D型材被认为在目前的情况下。
Y是由缺陷类（裂缝，孔洞）所代表的ANN输出向量。
Whidden和Wout的是，隐和输出层的神经元的权值，Bhidden和布特是其偏差，fhidden是S形函数为隐藏层神经元（logsigmoid隐藏神经元的传递函数是在本申请中测试）和FOUT是线性函数为输出层的神经元。
列文伯格-马夸尔特训练算法[29]和[30]被用于计算权重和偏置（Wout的，布特，Whidden，Bhidden），用于神经网络分类器。
训练过程中，需要一组样品，在目前的情况下，是振幅，并与已处理的ECP输出信号相关联的频率值的。
在训练期间，在模型中的权重和偏置自适应细化，以确保在相对于分类能力的网络性能的相对优化。
作为性能测量功能的总和平方误差和（SSE）用于：
其中N是输入样本的数目，OHI是施加已知缺陷涡流数据和nnohi目标输出是用于给定的权重和偏置网络输出。
为了结束对所获得的缺陷类缺陷的涡流数据，有竞争力的神经网络层被添加到MLP-NN的输出。
然后，在MLP-NN的输出中获得的实数值被变换以对应于的缺陷类别之一的布尔值。
后的重量和偏差运算使用上述的算法中，测试集关联到不同的裂缝和孔洞被用来验证神经网络分类性能。
一个附加的神经网络处理方案中，人工神经网络的DGC（人工神经网络缺陷几何特征分类器）被设计来提取缺陷几何特性如缺陷的宽度，长度缺陷或缺陷的深度。
人工神经网络，DGC呈现类似的架构为裂纹孔神经网络分类器，其中所述输入是在第一分类阶段所用的功能，但在输出由不同的几何类表达。
由此类裂纹深度（Dclass0，Dclass1，...Dclassm）可以被提及。
附加神经网络处理方案的框图被示于图6。
图6基于人工神经网络（MLP-NND，6缺陷几何特征的分类方案MLP-NNdgc-多层感知架构;COM-NND，COM-NND-竞争神经网络;TDCI，TDCJ-缺陷班;Dclass0，1级，...，Dclassn-裂纹深度径级，DC0。
DC1，...，DCM-布尔缺陷的几何级值。
对于原型算法考虑的几何特性，只有裂纹深度进行分类。
相关数据取自在测试期间执行的单向扫描（X-X'），并考虑所需的训练神经网络结构数据的扩展集。
4.结果和讨论
涡流探针（ECP）进行了表征和板，其中几种类型的缺陷被加工，进行扫描，以获得有关这些缺陷的图像。
4.1ECP传感器特性
构造一个涡流探头GMR传感器特性，必须通过实验评估。
该GMR被放置在均匀磁场位于长螺线管的几何特性的中央区域是：
长度L=210毫米，外径Dex=24毫米，内径Din=20毫米，圈数Nt=579。
GMRNVEAA002，NVE系AA00x型号中最敏感的传感器，使用在目前的工作。
对于一个f得到实验的传递函数=100赫兹施加的磁场被呈现在图7。
图7.AA002GMR传感器实验传递函数（H-施加的磁场强度，Vout的-GMR输出电压）
其特性是对称的相对于空字段和呈现非线性区域为磁场强度高于1鉴1.滞后效应图也突出。
其中黑色和灰色特性对于所施加的磁场的正的和负的幅度变化获得。
作为本GMRSV形特征的使用正弦磁场（双极磁场）意味着一个偏置场。
在目前的工作有关的铝镍钴型永磁（PM）与HC=51鉴1和GMR敏感轴的N-S轴之间的最佳距离一个实用的方法进行。
在PM的位置和GMR操作点之间的对应关系示于图。
8.该图表明，如果GMR太靠近永久磁铁的直流偏磁场可能过于接近饱和的区域。
反之，如果该GMR是相隔太远，直流偏置磁场变得太弱。
的最佳位置，获得当DC偏置磁场极化的GMR在两个线性区域中的一个的中间。
图8.GMR特性偏置永久磁铁
对于不同的位置，并感测轴GMR之间的距离和PM的N-S轴的AA002响应用于施力以实验方式确定的。
结果示于图9。
图9.GMR（AA002）响应用于AA002偏磁永磁体的不同位置
为以设定的运转点在传输特性良好的结果的线性区域的考虑永久磁铁，当PM被以Y=20毫米GMR传感器平面上的距离之内的固定在一个平行的平面获得。
这个位置，获得所检测的磁场的一个低失真。
偏压进行有关ECP响应正弦激励信号，有和没有的比较研究。
结果示于图。
10，其中S1（t）和S1'（t）的代表滤波和s2（t）和s2的之前的信号'（t）的代表滤波后的信号。
这些结果表明，没有一个直流偏置磁场的GMR输出信号失真。
带有偏置字段是可能的增加信号振幅（增加励磁电流）与较低的失真。
THE值约9.2％和0.6％，前偏后分别.
图10.ECP高通滤波输出信号为铝板无缺陷，a）无和b）与磁铁施力
另外一个数字式高通滤波（FC=100赫兹）被包括在内。
4.2缺陷检测
考虑2铝板试样加工缺陷如关于这些缺陷的检测和分类的裂缝和孔数的结果进行。
对于存在于被测铝板的裂缝几何特性列于表2中，其中“L”表示裂纹长度，“W”表示的裂缝宽度和“D”表示裂缝深度。
其他样品具有直径1.0，1.5，2.0，2.5和3mm该钻1mm厚的铝板的5圆孔。
加工的裂纹和气孔的延伸数由上的必要，以获得训练数据的人工神经网络分类器的缺陷，这需要一个训练集，验证集和测试集。
因此，现有的数据被分成三组的特定功能。
与铝板的缺陷检测相关联的信号，获得对于励磁电流（IEX=50-200毫安）注入在ECP励磁线圈与频率（500-7000赫兹）的不同值的不同幅度值。
考虑到所考虑的使用有限元模型，歌剧院3D®的磁场对铝板为引起的缺陷的分布进行了研究的几何特性。
该应用程序的输入参数对应于交流磁场激励特征在于激励电流振幅IEX=100mA和频率FEX=7千赫。
结果图。
图11和图12表示沿z方向上的铝板和表2中定义的两个不同的的crack11的磁通密度分量。
图。
11煎饼探针（ECP1）被横向定位在距裂缝中心的距离为1毫米，而在图12长探针（ECP2）被准确地定位在裂纹边缘之一。
请键入文字或网站地址，或者上传文档。
图11磁通密度分量BZ，对铝板ECP1
图12.磁通密度分量BZ，对铝板进行ECP2
分析模拟结果，煎饼线圈，ECP1中，更好的性能可见一斑。
为了达到强激发场的激励电流必须尽可能地靠近到板。
这与扁平线圈更好的成就。
它也可以被观察到，对于这种探针在铝板的感应场分布很广。
因此，煎饼探头预期更好的表现。
考虑到仿真结果参照所提ECP的能力，主要是进行使用包含扁平线圈和GMRAA002的ECP1实验部分。
参照对于激励信号的不同频率所获得的SNR值所获取的信号的数字滤波被表示于表3中。
在表3中的最佳巴特沃斯，最好贝塞尔和最好的切比雪夫滤波器都与它允许实现对信噪比的最大值的顺序。
对于所考虑的情况下，“最佳巴特沃思”对应于第八阶数字滤波器，“最佳切比雪夫”对应于6阶数字滤波器和“最佳贝塞尔”对应的3阶数字滤波器。
使用xy运动系统，具有裂缝和孔洞的区域进行扫描，以便获得所述感应图像轮廓。
裂缝和洞的缺陷得到了一定的效果，列于图。
13。
图13获得在该铝板加工缺陷的图像：
a）裂纹缺陷和b）孔的缺陷
裂缝图像使用色彩频谱映射，其中黑色对应于0.1V的幅度和白色，以2.1V通过ECP交付。
注入信号频率为500赫兹。
孔图像使用色彩频谱映射，其中黑色对应于0.1V的幅度和红色，以1.1V通过ECP交付。
注入信号频率为500赫兹。
为了裂纹和缺陷孔区分特征提取处理阶段被列入。
一维信号的幅度变化，可根据与在平板上的ECP位置，进行了审议。
一维的信号轮廓被用来提取用于裂纹孔分类相应的功能。
图。
14呈现1D信号的一个裂缝的演变（图14a），并用于空穴缺陷（图14b）。
图14.输出电压的ECP的幅度Vout的：
1）裂纹和b）孔的缺陷
如可以观察到的，ECP的输出振幅分布为Y-Y'一步一步的运动用0.5mM增量的特征在于一个峰-谷-峰（P-V-P'）的极端值的序列，其被用作神经网络分类器的输入。
因此，一个3-nhidden-2-人工神经网络体系结构的设计和实现，其中，隐藏的表示的MLP-NN的隐藏神经元的数目，有三个考虑特征和两个缺陷类。
的nhidden不同的值进行了测试。
但是良好的结果，得到用于nhidden=16的神经元与日志乙状结肠传递函数。
通过裂缝和孔类分类正确的值表示的几个结果列于表4。
在所关注的神经网络，分类性能强烈依赖于训练集。
峰谷峰估计的低精度进行低裂洞分类的准确性。
参照所检测的裂纹的几何特性和/或空穴数MLP-NN架构进行了审议。
良好结果为特征的一些相关联的不同的类裂缝宽度或孔径的输出神经元（线性神经元）的人工神经网络分类器。
对于铝板上表2中描述加工孔的特定情况下，3空穴班是按照与孔直径考虑：
I类-ðD4，其中D表示所述检测到的孔的直径和迪代表2.架构具有不同数目的神经元进行了测试于表中的值。
表5列出表示为孔中孔大小的类正确分类（cchole_class）的速度的分类精度。
因为它可以在表可以看出5良好结果为nhidden=20的神经元，其中训练停止条件SSE=0.02是充分的满足。
良好的结果（分类精度大于85％），也获得了裂纹的情况下的人工神经网络分类器的特点是20隐藏神经元。
另外一个研究，裂缝深度的分类有关联。
在这种方式的不同频率分别注入ECP。
对于给定的裂纹和不同的激励信号的频率FIEX={400;800;1200;1600;2000}[Hz]的一维信号轮廓示于图。
15。
图15.ECP响应超过一条缝，用于激励信号的不同的频率
对于给定的裂纹具有已知几何特征的ECP响应进行分析。
这是很难以提取可能被连接到频率信息和关于裂纹深度分类中使用的适当的功能。
以后的工作，以设计的神经网络分类器被定向为从所述一维信号轮廓附加特征的提取。
5.结论
这项工作提出相关的涡电流探头的利用率元素，基于巨磁电阻传感器。
神经网络算法的铝板的缺陷，如裂纹和孔快速分类，提出。
所呈现的结果包括使用有限元模拟为巨磁电阻等作为实验性质的设计，调查的一部分涡流探头的研究。
良好结果而设计和实现的神经网络分类方案建立的特征的数目减少为两种类型的诱导的铝板的缺陷分类。
另外，该分类方案允许以估计分类缺陷的某些几何特性如宽度的裂缝的情况下和直径在使用多层感知和竞争神经网络的一个序列中的孔的情况下。
该检测系统的分辨率并没有研究彻底，因为它依赖于裂缝深度，频率或板中的探针是的哪一侧上。
然而，表面裂缝宽0.2毫米已被检测到。
关于我们今后的工作中，我们打算优化神经网络分类器，以获得对缺陷分类，这意味着测量包括板缺陷XY扫描测量的扩展数量更好的效果。
在同一时间内，实现的系统的能力来检测和诱导对扫描铝板或诱导的板内，即使缺陷的另一侧的不同的缺陷分类进行评估。
升级会员 