Wide-Focus Imaging for Industrial Metal Workpieces Using Tower-Type Transmitting Coils
Notice bibliographique
Résumé
Metal workpiece imaging is of great significance for industrial nondestructive testing. However, current methods, such as radiographic or electromagnetic induction, are easily influenced by background noise, which leads to a short detection range and a high false detection rate. To overcome this issue, this article proposes a wide-focus imaging method for industrial metal workpieces using a tower-type transmitting coil and a magnetic sensing array. First, a single-loop coil excitation model is established to analyze the effects of transmitting current, coil radius, and other parameters on the radiation magnetic field. Second, a coaxial noncoplanar tower-type coil is designed, and a wide-focus optimization is achieved using a particle swarm algorithm, reconciling the conflict between high uniformity and high focusing degree requirements. Third, a wide-focus imaging system is developed, which combines a magnetic sensing array with cubic convolution interpolation algorithms to achieve 3-D imaging of metal workpieces. Experimental results demonstrate that the magnetic field uniformity achieved by the tower-type transmitting coil reaches 98.02%, representing a 43.82% improvement over the conventional single-loop coil. The proposed wide-focus imaging method leads to an average enhancement of 16.18% in imaging contrast and an average improvement of 37.33% in detection distance under various conditions, which increases the environmental adaptivity and decreases the false detection rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».