کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8130540 1523207 2015 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Feature selection for neural network based defect classification of ceramic components using high frequency ultrasound
ترجمه فارسی عنوان
انتخاب ویژگی برای طبقه بندی نقص بر اساس شبکه عصبی اجزای سرامیک با استفاده از سونوگرافی فرکانس بالا
کلمات کلیدی
استخراج ویژگی، الگوریتم ژنتیک، شبکه های عصبی مصنوعی، تجزیه و تحلیل اجزای اصلی،
ترجمه چکیده
انگیزه برای این تحقیق از نیاز به ارائه یک روش تست غیر مخرب است که قادر به شناسایی و قرار دادن هر گونه نقص و تغییرات میکرو سازه در اجزای سرامیکی زره ​​قبل از صدور آن به سربازانی است که به آنها برای بقا خود تکیه می کنند. توسعه سیستم طبقه بندی مبتنی بر بازرسی اولتراسونیک اتوماتیک امکان بررسی هر جزء سرامیکی را امکان پذیر می سازد و بلافاصله اپراتور را در مورد وجود نقص ها هشدار می دهد. به طور کلی، در بسیاری از مشکلات طبقه بندی، انتخاب ویژگی ها یا کاهش ابعاد مهم است و به طور همزمان بسیار دشوار است، زیرا تلاش های محاسباتی قابل توجهی برای ارزیابی زیر مجموعه های احتمالی مورد نیاز است. در این تحقیق ترکیبی از شبکه های عصبی مصنوعی و الگوریتم های ژنتیکی برای بهینه سازی زیر مجموعه ای از ویژگی های مورد استفاده در طبقه بندی نقص های مختلف در اجزای سرامیکی سیلیکون کاربید واکنش دهنده استفاده شده است. ابتدا ویژگی استخراج ویژگی های مبتنی بر موجک از منطقه مورد علاقه اجرا می شود. یک طبقه بندی شبکه عصبی مصنوعی برای ارزیابی عملکرد این ویژگی ها استفاده می شود. انتخاب ویژگی های مبتنی بر الگوریتم ژنتیک انجام می شود. تجزیه و تحلیل مولفه اصلی یک تکنیک محبوب است که برای انتخاب ویژگی انتخاب شده است و با تکنیک مبتنی بر الگوریتم ژنتیک درمورد دقت طبقه بندی و انتخاب تعداد مطلوب ویژگی ها مقایسه می شود. نتایج تجربی تأیید می کند که ویژگی های شناسایی شده توسط تجزیه و تحلیل مولفه اصلی منجر به بهبود عملکرد از لحاظ درصد طبقه بندی با 96٪ از الگوریتم ژنتیکی با 94٪ است.
موضوعات مرتبط
مهندسی و علوم پایه فیزیک و نجوم آکوستیک و فرا صوت
پیش نمایش مقاله
انتخاب ویژگی برای طبقه بندی نقص بر اساس شبکه عصبی اجزای سرامیک با استفاده از سونوگرافی فرکانس بالا
چکیده انگلیسی
The motivation for this research stems from a need for providing a non-destructive testing method capable of detecting and locating any defects and microstructural variations within armour ceramic components before issuing them to the soldiers who rely on them for their survival. The development of an automated ultrasonic inspection based classification system would make possible the checking of each ceramic component and immediately alert the operator about the presence of defects. Generally, in many classification problems a choice of features or dimensionality reduction is significant and simultaneously very difficult, as a substantial computational effort is required to evaluate possible feature subsets. In this research, a combination of artificial neural networks and genetic algorithms are used to optimize the feature subset used in classification of various defects in reaction-sintered silicon carbide ceramic components. Initially wavelet based feature extraction is implemented from the region of interest. An Artificial Neural Network classifier is employed to evaluate the performance of these features. Genetic Algorithm based feature selection is performed. Principal Component Analysis is a popular technique used for feature selection and is compared with the genetic algorithm based technique in terms of classification accuracy and selection of optimal number of features. The experimental results confirm that features identified by Principal Component Analysis lead to improved performance in terms of classification percentage with 96% than Genetic algorithm with 94%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Ultrasonics - Volume 62, September 2015, Pages 271-277
نویسندگان
, ,