文献

J-GLOBAL ID：202202285697713964   整理番号：22A1038041

小データセットによる溶接欠陥分類のための特徴融合【JST・京大機械翻訳】

Feature Fusion for Weld Defect Classification with Small Dataset

著者 (4件)： Hou Wenhui (Anhui Provincial Engineering Laboratory of Intelligent Agricultural Machinery, School of Engineering, Anhui Agriculture University, No. 130 West Changjiang Road, Hefei 230026, China) ,  Rao Lulu (Anhui Provincial Engineering Laboratory of Intelligent Agricultural Machinery, School of Engineering, Anhui Agriculture University, No. 130 West Changjiang Road, Hefei 230026, China) ,  Zhu Andong (Anhui Provincial Engineering Laboratory of Intelligent Agricultural Machinery, School of Engineering, Anhui Agriculture University, No. 130 West Changjiang Road, Hefei 230026, China) ,  Zhang Dashan (Anhui Provincial Engineering Laboratory of Intelligent Agricultural Machinery, School of Engineering, Anhui Agriculture University, No. 130 West Changjiang Road, Hefei 230026, China)
資料名： Journal of Sensors (Web)  (Journal of Sensors (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7792A  ISSN： 1687-725X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 溶接ラジオグラフィー画像からの欠陥の検出は非破壊試験の分野で重要な話題である。多くの知的検出システムをコンピュータに基づいて構築する。特徴抽出は,溶接欠陥を認識し,分類するためにそのようなシステムを構築するために重要である。深層ニューラルネットワークは,分類に対してより敏感である代表的な特徴を学習する強力な能力を持っている。しかし,通常,多数の試料が必要とされる。本論文では,積層オートエンコーダネットワークを用いて,小さなデータセットを持つ深層ニューラルネットワークを事前訓練した。ネットワークから階層的特徴を学習できる。さらに,2種類の伝統的マニュアル特徴を同じセットから抽出した。これらの特徴を,異なる溶接欠陥を分類するための新しい融合特徴ベクトルに組み合わせた。2つの評価方法を用いて,いくつかの実験を通してこれらの特徴の分類性能を試験した。その結果,積層オートエンコーダネットワークに基づく深い特徴は,他の特徴より良好に機能することを示した。融合特徴の分類性能は単一特徴より良好である。Copyright 2022 Wenhui Hou et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  分類 ,  欠陥 ,  *溶接 ,  *溶接欠陥 ,  特徴抽出 ,  試料 ,  画像 ,  ラジオグラフィー ,  非破壊検査 ,  融合 ,  コンピュータ
準シソーラス用語： 特徴ベクトル ,  *特徴融合 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 溶接欠陥  (WC07130P) ,  非破壊試験  (HB02030F)

引用文献 (30件)：

• I. Valavanis, D. Kosmopoulos, "Multiclass defect detection and classification in weld radiographic images using geometric and texture features," Expert Systems with Applications, vol. 37, no. 12, pp. 7606-7614, 2010.
• G. D’Angelo, S. Rampone, "Feature extraction and soft computing methods for aerospace structure defect classification," Measurement, vol. 85, pp. 192-209, 2016.
• J. Hassan, A. M. Awan, A. Jalil, "Welding defect detection and classification using geometric features 2012," 10th international conference on Frontiers of information technology, pp. 139-144, Islamabad, Pakistan, 2012.
• J. Zapata, R. Vilar, R. Ruiz, "Performance evaluation of an automatic inspection system of weld defects in radiographic images based on neuro-classifiers," Expert Systems with Applications, vol. 38, pp. 8812-8824, 2011.
• N. Boaretto, T. M. Centeno, "Automated detection of welding defects in pipelines from radiographic images DWDI," NDT&E International, vol. 86, pp. 7-13, 2017.

タイトルに関連する用語 (4件)： データセット ,  溶接欠陥 ,  分類 ,  特徴融合