Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2013

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: defect depth estimation

Sortuj według:

Ogranicz wyniki do:

Ocena wpływu błędu określania emisyjności powierzchni na błąd wyznaczania głębokości defektu z zastosowaniem termografii aktywnej i sztucznej sieci neuronowej

Dudzik S.

Pomiary Automatyka Kontrola

2013

R. 59, nr 7

717--720

W pracy zaprezentowano algorytm wyznaczania głębokości defektów, metodą aktywnej termografii w podczerwieni. Podstawą działania algorytmu jest sztuczna sieć neuronowa uczona z zastosowaniem przebiegów czasowych temperatury, zarejestrowanych za pomocą kamery termowizyjnej na powierzchni próbki testowej. Dodatkowo w pracy zaprezentowano wyniki analizy wpływu błędu określania emisyjności powierzchni próbki testowej na dokładność wyznaczania głębokości defektów powietrznych za pomocą opisywanego algorytmu.

In this work the investigation results of an algorithm for defect depth estimation are presented. This algorithm uses an active thermography data and artificial neural network. In introduction a model of temperature measurement with an infrared camera is described. Further, in Section 1.1 the main error sources in the passive thermographic procedure are pointed out. The algorithm of defect depth estimation is presented in Section 1.3. It is based on the artificial neural network trained with the temporal evolutions of temperature of the investigated specimen, recorded with use of an infrared camera. In Section 2, the methodology and results of the experimental research using the stepped heating method are described. In the investigations two specimens containing aerial defects were used. The specimens were made of polymethyl methacrylate. Based on the thermal inspections of the specimen surface, three training datasets were created. They represented three phases of the heat transfer process occurring in the investigated specimens (i.e. heating, cooling, heating and cooling). In Section 3 the methodology and results of the simulation research are presented. In particular, the influence of the emissivity error on the accuracy of defect depth estimation was examined. The simulation results as the components of the relative error of defect depth estimation connected with the emissivity error are shown in Figs. 9, 10. Based on the simulations, the quantitative conclusions regarding the algorithm sensitivity to the emissivity error are formulated.

Dwuetapowy algorytm wyznaczania głębokości defektów z zastosowaniem aktywnej termografii dynamicznej

Dudzik S., Minkina W.

Pomiary Automatyka Kontrola

2013

R. 59, nr 9

998--1001

W pracy zaprezentowano dwuetapowy algorytm wyznaczania głębokości defektów materiałowych. W celu oszacowania głębokości defektu zastosowano dwie sztuczne sieci neuronowe uczone z użyciem danych uzyskanych za pomocą termografii aktywnej. W pierwszym etapie algorytmu przeprowadzana jest detekcja (lokalizacja) defektów za pomocą sieci klasyfikacyjnej. W etapie drugim sieć regresyjna wyznacza głębokość defektu zlokalizowanego w etapie pierwszym. W pracy zaprezentowano wyniki symulacji algorytmu a także zaproponowano kryteria oceny dokładności wyznaczania głębokości.

In the paper a two-stage neural algorithm for defect detection and characterization is presented. In order to estimate the defect depth, two neural networks trained on data obtained using active thermography were employed. The first stage of the algorithm is developed to detect the defect and uses a classification neural network. Then the defect depth is estimated using a regressive neural network. In this work the results of experimental investigations using the infrared time resolved radiometry method are described. The sequences of thermograms of the investigated sample were recorded for three phases of the heat process i.e. heating, cooling and both. The experiments were conducted using a test sample made of material with a low thermal diffusivity. In the paper the results of simulations are presented as well. The 10-fold cross-validation procedure was applied to testing data. The simulations were performed using the PCA routine for the data obtained from the three above-mentioned heat process phases occurred in the investigated material sample.