РАСПОЗНАВАНИЕ ТИПА ОТРАЖАТЕЛЯ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ ПО TOFD-ЭХОСИГНАЛАМ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предложено с помощью сверточной нейронной сети ResNet-18 автоматизировать классификацию типов отражателей по TOFD-эхосигналам. Основное внимание уделено моделированию и классификации отражателей, таких как трещины, поры, непровары и пустые области. Эксперименты включали обучение модели на TOFD-эхосигналах, рассчитанных как в численном эксперименте, так и TOFD-эхосигналах, измеренных в процессе ультразвукового контроля. Результаты показали высокую точность классификации: 96,2 % в процессе численного эксперимента, 97 % на экспериментально измеренных TOFD-эхосигналах с различными типами дефектов. Исследование подтвердило возможность применения нейросетей для определения типа отражателя по TOFD-эхосигналам, что позволяет автоматизировать процесс неразрушающего контроля и снизить влияние человеческого фактора. Для дальнейшего развития метода предлагается использовать сегментационные модели для обработки изображений с несколькими дефектами

 

Об авторах

Евгений Геннадьевич Базулин

ООО «Научно-производственный центр «ЭХО+»

Автор, ответственный за переписку.
Email: bazulin@echoplus.ru
Россия, 123458 Москва, ул. Твардовского, 8, Технопарк «Строгино»

Леонид Викторович Медведев

Email: medvedev@echoplus.ru
Россия

Список литературы

  1. Дифракционно-временной метод (TOFD). ETS-NDT. URL: https://ets-ndt.ru/azbuka/metod-tofd/ (дата обращения: 08.06.2024).
  2. Гинзел Э. TOFD. Дифракционно-временной метод ультразвуковой дефектоскопии: основные принципы и практическое руководство по применению. Москва: ДПК Пресс, 2021. 311 с.
  3. Система прогнозирования на базе нейронных сетей в промышленности. Habr. 2023. URL: https://habr.com/ru/articles/171019/ (дата обращения: 08.06.2024).
  4. Joyce Xu. Распознавание образов с помощью искусственного интеллекта. Habr. 2023. URL: https://habr.com/ru/articles/709432/ (дата обращения: 08.06.2024).
  5. Петрова А.К. Применение нейронных сетей для решения задач оптимизации процесса учета расхода газа // Известия СПбГЭТУ «ЛЭТИ». 2015. № 4. С. 53—60.
  6. Бадалян В.Г., Вопилкин А.Х. Применение нейронных сетей в ультразвуковом неразрушающем контроле (обзор) // Контроль. Диагностика. 2023. № 1. С. 12—25. URL: http://td-j.ru/index.php/current-issue-rus/2829-012-025 (дата обращения: 26.12.2024).
  7. Cantero-Chinchilla S., Wilcox P.D., Croxford A.J. A deep learning-based methodology for artefact identification and suppression with application to ultrasonic images // NDT & E International. 2022. V. 126. P. 102575. doi: 10.1016/j.ndteint.2021.102575. URL: https://www.sciencedirect.com/science/article/abs/pii/S0963869521001742 (дата обращения: 27.12.2024).
  8. ImageNet Large Scale Visual Recognition Challenge (ILSVRC). ImageNet. URL: https://image-net.org/challenges/LSVRC/index.php (дата обращения: 08.06.2024).
  9. Крысько Н.В., Скрынников С.В., Щипаков Н.А. Классификация и определение размеров поверхностных дефектов трубопроводов на основе результатов комплексной диагностики ультразвуковым, вихретоковым, визуальным и измерительным методами неразрушающего контроля // Дефектоскопия. 2023. № 12. С. 69—78.
  10. Sikora R. Artificial Neural Networks and Fuzzy Logic in Nondestructive Evaluation // Studies in Applied Electromagnetics and Mechanics. 2014. V. 38. P. 1—10.
  11. Долматов Д.О. Применение искусственных нейронных сетей для решения задач акустического неразрушающего контроля (обзор) // Контроль. Диагностика. 2022. № 6. С. 44—50.
  12. Moddy2024/ResNet-18: Implemented the Deep Residual Learning for Image Recognition Paper and achieved better accuracy by customizing different parts of the architecture. GitHub. URL: https://github.com/Moddy2024/ResNet-18?ysclid=lur45hjgt1921283081 (дата обращения: 08.06.2024).
  13. Deep Learning Toolbox — MATLAB. MathWorks. URL: https://www.mathworks.com/products/deep-learning.html (дата обращения: 08.06.2024).
  14. Официальный сайт фирмы EXTENDE. EXTENDE. URL: https://www.extende.com/ndt (дата обращения: 01.06.2024).
  15. API 1104: Welding of Pipelines and Related Facilities. American Petroleum Institute. Washington, DC, 1999. URL: https://archive.org/details/gov.law.api.1104.1999/page/n35/mode/2up (дата обращения: 17.01.2025).
  16. Официальный сайт фирмы «ЭХО+». URL: https://echoplus.ru/ (дата обращения: 01.06.2024).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».