以人工智慧輔助電磁超聲波在鐵條缺陷檢測之研究

Abstract

在螺絲製作時，會發現某些螺絲強度特別低，問題來源為製作的鐵條本身就存在一些細小的缺陷，導致利用到包含缺陷的材料時，會有螺絲強度不足的狀況產生。因此，要如何及時且快速的，將包含缺陷的鐵條篩檢出來，成為了生產者最重要的課題。此時利用電磁聲波檢測法此種非破壞檢測的方式，便成為最佳的選擇，此種探頭製作便利且成本低廉，操作方式簡便易學，透過探頭在鐵條上激發出彈性波訊號，使其在鐵條中傳遞，再利用探頭接收訊號，便可從中判斷出其中有無包含缺陷反射訊號，然而，低信噪比的缺點，一直都是此探頭的硬傷。 因此，本研究透過結合深度學習，達到實現人工智慧的要求，透過機器的自我學習，歸納出一系列判讀缺陷反射訊號的方法。其中，又以卷積式類神經網路，在辨識圖像上，有最好的表現結果，透過其特有的卷積以及池化層，能夠先將圖片特徵提取出來，以利全連階層進行歸納統整。透過此項技術結合電磁聲波換能器，並探討最好的資料處理方法，以及最佳的卷積式類神經網路模型架構，最後設計出一個最完善的判讀模型。 本研究所量測的鐵條直徑為3.5mm，量測缺陷深度從1mm~0.6mm，準確率可以到達97.4%，並且在判斷缺陷準確率為92.31%，判斷沒有缺陷的準確率為98.44%。同時，在確保有無缺陷的比數不會相差過於懸殊的狀況下，利用訊號相減的方法，模擬出無邊界鐵條時，應該要量測到的訊號模式，在受限於實驗試體的有限長度的狀況下，盡可能地貼近實際應用情形。 經透過硬體與軟體的配合，建構出一套最佳的判斷缺陷反射訊號模型，在即時、且簡便的前提下，解決判讀訊號時，因量測訊號信噪比過低，需要依賴專業知識人員的困境，讓此檢測模式可以廣泛的應用於鐵條缺陷的檢測上，減少螺絲後續的品管成本。