تشخيص خرابي در قطعات فلزي از طريق تصاوير C-scan حاصل از حسگر AMR با استفاده از روش مبتني بر يادگيري عميق

امروزه روش‌هاي ارزيابي غيرمخرب (NDE)براي تشخيص خرابي در قطعات صنعتي از سه مرحله تشخيص، مكان يابي و تعيين مشخصات خرابي تشكيل مي گردند. اما علي‌رغم اينكه تكنيك هاي مبتني بر NDE موجود در صنعت داراي نتايج نسبتاً قابل قبول در آشكارسازي وجود خرابي و تعيين محل آن هستند، اما تشخيص دقيق شكل، ابعاد و عمق خرابي هنوز به عنوان يك چالش باقي مانده است. در اين مقاله روشي براي تخمين قابل اعتماد از مشخصات خرابي در قطعات فلزي با استفاده از سيستم اندازه‌گيري برپايه آزمون جريان گردابي (ECT) و سيستم پس‌پردازش مبتني بر تكنيك يادگيري عميق ارائه شده است. به اين صورت كه از يك روش يادگيري عميق به‌منظور تعيين مشخصات خرابي موجود در يك قطعه فلزي، از طريق تصاوير C-scan حاصل از ميدان مغناطيسي سطح قطعه كه بوسيله يك حسگر مغناطومقاومت ناهمسانگر (AMR)اخذ شده‌ ‌اند، استفاده شد. در اين خصوص، پس از مراحل طراحي و تنظيم شبكه عصبي پيچشي عميق (DCNN) و اعمال آن به تصاوير C-scan اخذ شده از سيستم اندازه‌گيري، روش يادگيري عميق ارائه شده با روش هاي شبكه‌هاي عصبي مصنوعي (ANNs) متداول مانند پرسپترون چند لايه (MLP) و تابع پايه شعاعي (RBF) بر روي تعدادي از نمونه‌هاي فلزي با خرابي مختلف مشخص مقايسه گرديد. نتايج نشان دهنده برتري روش پيشنهادي براي تخمين مشخصات خرابي در مقايسه با ساير روش هاي آموزش محور كلاسيك مي‌باشد.