REFLECTOR TYPE RECOGNITION USING NEURAL NETWORK BASED ON TOFD ECHOES

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

In this paper we propose to automate the classification of reflector types by TOFD-echoes using ResNet-18 convolutional neural network. The main focus is on modeling and classification of reflectors such as cracks, pores, non-welds and void areas. Experiments included training the model on TOFD echoes calculated both in a numerical experiment and TOFD echoes measured during ultrasonic inspection. The results showed high classification accuracy: 96.2 % in the numerical experiment, 97 % on experimentally measured TOFD-echoes with different types of reflectors. The study confirmed the possibility of using neural networks to determine the reflector type from TOFD-echo signals, which allows to automate the process of nondestructive testing and reduce the influence of human factor. For further development of the method it is suggested to use segmentation models for processing images with several reflectors

作者简介

Evgeniy Bazulin

ECHO+ Research and Production Center LLC

编辑信件的主要联系方式.
Email: bazulin@echoplus.ru
俄罗斯联邦, 123458 Moscow, Tvardovskogo str., 8, Technopark «Strogino»

Leonid Medvedev

Email: medvedev@echoplus.ru
俄罗斯联邦

参考

  1. Diffraction Time-of-Flight Method (TOFD). URL: https://ets-ndt.ru/azbuka/metod-tofd/ (accessed: 08.06.2024).
  2. Ginzel E. TOFD: Time-of-Flight Diffraction Ultrasonic Testing Method — Basic Principles and Practical Application Guide. Moscow: DPK Press, 2021. 311 p.
  3. Neural Network-Based Forecasting System in Industry. Habr. 2023. URL: https://habr.com/ru/articles/171019/ (accessed: 08.06.2024).
  4. Xu Joyce. Pattern Recognition Using Artificial Intelligence. Habr. 2023. URL: https://habr.com/ru/articles/709432/ (accessed: 08.06.2024).
  5. Petrova A.K. Application of Neural Networks for Optimizing the Gas Consumption Accounting Process // Proceedings of LETI (Saint Petersburg Electrotechnical University). 2015. No. 4. P. 53—60.
  6. Badalyan V.G., Vopilkin A.Kh. Application of Neural Networks in Ultrasonic Nondestructive Testing (Review) // Control. Diagnostics. 2023. No. 1. P. 12—25. URL: http://td-j.ru/index.php/current-issue-rus/2829-012-025 (accessed: 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 (accessed: 27.12.2024).
  8. ImageNet Large Scale Visual Recognition Challenge (ILSVRC). ImageNet. URL: https://image-net.org/challenges/LSVRC/index.php (accessed: 08.06.2024).
  9. Krysko N.V., Skrynnikov S.V., Shchipakov N.A. Classification and Sizing of Surface Pipeline Defects Based on Combined Diagnostics Using Ultrasonic, Eddy-Current, Visual and Measurement NDT Methods // Defectoskopiya. 2023. No. 12. P. 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. Dolmatov D.O. Application of Artificial Neural Networks in Acoustic Nondestructive Testing (Review) // Control. Diagnostics. 2022. No. 6. P. 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 (accessed: 08.06.2024).
  13. Deep Learning Toolbox — MATLAB. MathWorks. URL: https://www.mathworks.com/products/deep-learning.html (accessed: 08.06.2024).
  14. Official Website of EXTENDE. EXTENDE. URL: https://www.extende.com/ndt (accessed: 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 (accessed: 17.01.2025).
  16. Official Website of “ECHO+”. URL: https://echoplus.ru/ (accessed: 01.06.2024).

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © Russian Academy of Sciences, 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».