基于深度学习与多频电磁阵列检测的金属板材表面和内部缺陷识别方法

来源：电子测量技术杂志2021年第4期北京时间：

作者：李秀艳，夏琦琦，王琦，张荣华，汪剑鸣，王化祥

单位：1．天津工业大学电子与信息工程学院 天津 300387;2．天津工业大学电气工程与自动化学院 天津 300387;3．天津大学电气自动化与信息工程学院天津 300372

摘要：针对传统电磁检测技术对金属内部缺陷检测能力不足问题，文中提出一种基于深度学习与电磁检测的金属板材表面和内部缺陷识别方法。实验建立了不同深度、位置、数量的九类表面与内部典型气隙缺陷模型，验证了多频检测可行性，考虑阵列传感器激励电压与感应电压关系，引入保持平衡性的数据采集方法扩充数据集并预处理；构建DNN与CNN深度学习网络对各类检测数据特征训练，并由实验效果选取合适参数的网络。实验结果表明：应用DNN或CNN的电磁检测，可实现9类金属板材表面与内部缺陷识别，准确率为90%以上，解决电磁检测数据分类困难问题；对比DNN、CNN效果，DNN分类训练速度更快且更高效。

关键词：深度学习;电磁检测;内部缺陷;分类

基金资助：国家自然科学基金(61872269,61903273)项目资助；天津市自然科学基金(18JCYBJC85300)项目资助