Wyniki wyszukiwania - BazTech

1

Identification of Defects Using Multi-Frequency Eddy Current Technique and Artificial Neural Networks

Łopato P., Chady T., Sikora R.

Przegląd Elektrotechniczny

|

2009

|

R. 85, nr 8

18-22

EN

Eddy current (EC) testing is a commonly used technique for nondestructive evaluation of conducting materials. Identification of flaws, cracks and other sorts of discontinuities may be realized using Automatic Defect Recognition (ADR) algorithms. This paper presents flaws identification algorithms based on artificial neural networks. Three different approaches are proposed. All presented methods were evaluated using results of measurements achieved for the Inconel 600 plates with the flaws having rectangular and non-rectangular profiles. In all cases reliable results of identification were achieved.

PL

Metoda wiroprądowa jest często stosowaną techniką badań nieniszczących materiałów przewodzących. Identyfikacja wad, pęknięć oraz innych rodzajów nieciągłości może być realizowana przy użyciu algorytmów automatycznego rozpoznawania defektów ADR (ang. Automatic Defect Recognition). W artykule przedstawione są algorytmy identyfikacji wad materiałowych wykorzystujące sztuczne sieci neuronowe. Zaproponowano trzy różne warianty rozwiązania problemu. Przedstawione metody zweryfikowane zostały z wykorzystaniem wyników pomiarów uzyskanych dla płyt wykonanych ze stopu Inconel 600. W płytach wytworzono sztuczne defekty o prostych (prostokątnych) i bardziej złożonych profilach. We wszystkich przypadkach osiągnięto zadowalające wyniki identyfikacji.

2

Konwersja graficznych danych empirycznych do postaci zbiorów uczących w procesie neuronowej identyfikacji szkodników jabłoni

Majewski A.

Journal of Research and Applications in Agricultural Engineering

|

2007

|

Vol. 52, nr 1

37-40

PL

Szkodliwość oddziaływania owadów na rośliny uprawne polega przede wszystkim na ich żerowaniu. Fakt ten powoduje daleko posunięte zmiany w morfologii i fizjologii roślin, co w efekcie końcowym prowadzi do ich zamierania. Żeby prawidłowo oznaczyć szkodnika, trzeba mieć możliwość identyfikacji cech kluczowych. Cechy te umiejscowione są na rozmaitych częściach ciała. Wymaga to jednak sporej wiedzy i dobrego rozeznania w grupach. Dotychczasowe metody identyfikacji owadów opierają się na rozpoznawaniu za pomocą kluczy. Klucze używane przez badaczy są ściśle dopasowane do danego osobnika. W zależności od rodzaju czy gatunku szkodnik może być opisany za pomocą setek a nawet tysięcy kluczy, co świadczy o trudności i czasochłonności w ich oznaczaniu. Sztuczne sieci neuronowe ze względów technicznych są uproszczonym symulatorem pracy ludzkiego mózgu posiadając jego cechy. Potrafią się uczyć, są mało wrażliwe na niekompletną informację wejściową przetwarzają wprowadzone sygnały i podają na wyjściu wyniki w czasie rzeczywistym [2]. Wskazane właściwości oraz analizy podczas badań pozwalają przypuszczać, że SNN mogą wykonać zadanie identyfikacji podobnie jak człowiek. Dzięki takiemu zautomatyzowaniu procesu identyfikacji udałoby się wyeliminować współczynnik obiektywizmu.

EN

The mischievous of insects is mostly about their preying on the cultivated plants. In order to identify a pest correctly, one has to have the ability to identify its key characteristics. These are placed all over the insects corpse. A pest can be described by hundreds or even thousands of 'keys' - depending on the kind or species - what proves how difficult and time-consuming the identification is. ANN (Artificial Neural Networks) can learn, are less sensible to incomplete incoming information, they are processing entered signals and give results in actual time. The above properties and the analysis during the research allow to make a conclusion that ANN may do the identification task similarly to a human being. Thanks to such identification process automation it could be possible to eliminate the objectivism factor.

3

Sieci neuronowe typu MLP oraz RBF jako narzędzia klasyfikacyjne w analizie obrazu

Boniecki P.

Journal of Research and Applications in Agricultural Engineering

|

2006

|

Vol. 51, nr 4

34-39

PL

Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja, a następnie klasyfikacja wybranych cech obrazu, pozawala na wytworzenie informatycznych narzędzi do identyfikacji wybranych obiektów, prezentowanych np. w postaci obrazu cyfrowego. W związku z tym, celowym wydaje się być poszukiwanie nowoczesnych metod wspomagających proces edukacyjny w zakresie konstrukcji oraz eksploatacji modeli neuronowych w kontekście ich wykorzystania w procesie analizy obrazu. Dodatkowym celem pracy było porównanie jakości sieci MLP oraz RBF mające na względzie wskazanie optymalnego instrumentu klasyfikacyjnego.

EN

The neuronal identification of pictorial data, with special emphasis on both quantitative & qualitative analysis, is more frequently utilized to gain & deepen the empirical data knowledge. Extraction & then classification of selected picture features, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. In relationship from this, it seems to be purposeful the search of the modern methods helping educational process in the range of construction as well as exploitation of neuronal models in context of their utilization in picture analysis process. The additional aim of the work was the comparison of neural network of the type MLP and RBF for indication of the optimum classification tool.

4

Nowy sposób identyfikacji wytrzymałości betonu na podstawie badań nieniszczących

Hoła J., Schabowicz K.

Inżynieria i Budownictwo

|

2004

|

R. 60, nr 10

546-549

PL

Omówiono nowy sposób identyfikacji wytrzymałości na ściskanie betonu na podstawie parametrów określanych metodami nieniszczącymi. Przedstawiono rezultaty świadczące o przydatności do tego celu sieci neuronowej Lavenberga-Marquardta. Zamieszczono wyniki praktycznej weryfikacji opracowanej metodyki na dwóch obiektach o konstrukcji żelbetowej.

EN

The paper presents a new technique of identifying the compression strength of concrete by means of neural networks and on the basis of parameters determined by different nondestructive methods. The Lavenberg-Marquardt neural network has been found to be most suitable for this purpose. Practical verification of the developed metodology applied to two reinforced-concrete building structures are presented.