Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Thermographic Data Processing and Feature Extraction Approaches for Machine Learning-Based Defect Detection

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23640%2F23%3A43971033" target="_blank" >RIV/49777513:23640/23:43971033 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.3390/engproc2023051005" target="_blank" >https://doi.org/10.3390/engproc2023051005</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/engproc2023051005" target="_blank" >10.3390/engproc2023051005</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Thermographic Data Processing and Feature Extraction Approaches for Machine Learning-Based Defect Detection

  • Popis výsledku v původním jazyce

    Infrared thermography is a non-destructive testing method used to detect defects in materials and structures. Machine learning algorithms have been applied to thermographic data to automate the defect detection process. Data preparation and feature extraction are crucial factors affecting ML model results, especially in thermographic data analysis. This study focuses on automating the detection of impact damage in carbon fiber-reinforced polymer materials using flash-pulse thermography and ML algorithms. Various machine learning models and data pre-processing techniques were evaluated for their effectiveness in detecting and locating impact damage. The results demonstrated that the combination of the K-nearest neighbors model with the differential absolute contrast data processing method achieved the highest balanced accuracy. Other combinations, such as Gaussian support vector machine model with raw data and K-nearest neighbor with thermographic signal reconstruction derivative data, also exhibited promising performances.

  • Název v anglickém jazyce

    Thermographic Data Processing and Feature Extraction Approaches for Machine Learning-Based Defect Detection

  • Popis výsledku anglicky

    Infrared thermography is a non-destructive testing method used to detect defects in materials and structures. Machine learning algorithms have been applied to thermographic data to automate the defect detection process. Data preparation and feature extraction are crucial factors affecting ML model results, especially in thermographic data analysis. This study focuses on automating the detection of impact damage in carbon fiber-reinforced polymer materials using flash-pulse thermography and ML algorithms. Various machine learning models and data pre-processing techniques were evaluated for their effectiveness in detecting and locating impact damage. The results demonstrated that the combination of the K-nearest neighbors model with the differential absolute contrast data processing method achieved the highest balanced accuracy. Other combinations, such as Gaussian support vector machine model with raw data and K-nearest neighbor with thermographic signal reconstruction derivative data, also exhibited promising performances.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20501 - Materials engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Engineering Proceedings

  • ISBN

  • ISSN

    2673-4591

  • e-ISSN

  • Počet stran výsledku

    4

  • Strana od-do

  • Název nakladatele

    MDPI

  • Místo vydání

    Basilej

  • Místo konání akce

    Itálie

  • Datum konání akce

    10. 9. 2023

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku