Quantitative InfraRed Thermography Journal· 2026Q1
Derin Öğrenme Modelleri ile Endüksiyon Termografisinde Kısa Yüzey Çatlaklarının Otomatik Tespiti
Automatic detection of short surface cracks in induction thermography using Deep Learning models trained with experimental data, synthetic images and FEM simulation results
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Sonlu Elemanlar Metodu (FEM) simülasyonları üzerinde eğitilmiş Üretken Çekişmeli Ağlar (GAN'lar) kullanan yeni bir boru hattı, sınırlı deneysel veriyi artırarak endüksiyon termografisindeki kısa yüzey çatlaklarının (<3.5 mm) tespitini önemli ölçüde iyileştirir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- DL model eğitimi için sınırlı deneysel görüntü verisini artırmak üzere yeni bir etiketleme yöntemini ve FEM simülasyonları üzerinde eğitilmiş GAN'ları birleştiren bir boru hattı önerilmiştir.
- Boru hattı, endüstriyel ortamlardaki kusurlu parça kıtlığı ve manuel görüntü etiketlemenin zaman alıcı doğası gibi sorunları ele almaktadır.
- Artırılmış veri boru hattı ile eğitilen Derin Öğrenme modelleri, endüksiyon termografisinde kısa yüzey çatlaklarının (<3.5 mm) tespitinde etkinlik göstermiştir.
- Performans, Vuruş/Kaçırma Tespit Olasılığı (POD) yöntemi kullanılarak değerlendirilmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
The impact of Deep Learning (DL) models in multiple areas of science and technology continues to grow at an impressive rate. Induction thermography inspection systems could greatly benefit from DL as it would allow for fully automated defect detection based on the thermal images. However, in industrial production settings the number of defective parts is usually limited, resulting in a reduced image count that hinders the training of DL models. Moreover, the annotation of the mentioned images is a time-consuming process subject to variability and human error. To address these challenges, a pipeline that combines a simpler new annotation method for short surface cracks with Generative Adversarial Networks (GANs) trained on Finite Element Method (FEM) simulations to augment the availability of images for DL model training is proposed. The performance of models trained with original data and those trained with the new pipeline is analysed using Hit/Miss Probability of Detection (POD) method. Moreover, it is demonstrated that the proposed pipeline is suitable for training DL models for the detection of short surface cracks (<3.5 mm in size) in induction thermography-based inspection systems.
Yazarların özeti; kaynağından alınmıştır. Quantitative InfraRed Thermography Journal, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Malzeme Mekaniği
Mechanics of MaterialsEngineering