Аугментированные ультразвуковые данные для машинного обучения
Augmented Ultrasonic Data for Machine Learning
2021-01-02
SCID: 54.1/5vddunm9
Discuss with AI
глубокие свёрточные сетиобнаружение дефектовнеразрушающий контрольультразвуковые данные фазированной решёткиаугментация ультразвуковых данных
Figures from the paper
Abstract (AI)
Выявление дефектов при неразрушающем контроле, особенно для сложных сигналов, таких как ультразвуковые данные, до сих пор в значительной степени основывалось на опыте и профессиональном суждении обученных инспекторов. Хотя автоматизированные системы используются уже давно, их применение преимущественно ограничивалось простой автоматизацией принятия решений, например пороговой обработкой амплитуды сигнала. Последние достижения в различных алгоритмах машинного обучения позволили решить многие столь же сложные задачи классификации, ранее считавшиеся неразрешимыми. В области неразрушающего контроля в открытой научной литературе уже сообщалось о многообещающих результатах, однако применение машинного обучения в практических задачах НК по-прежнему весьма ограничено. Основной проблемой, препятствующей его использованию, является ограниченная доступность репрезентативных наборов данных с дефектами для обучения. В настоящей работе разработана современная глубокая сверточная сеть для обнаружения дефектов по ультразвуковым данным, полученным с помощью фазированной антенной решетки. Для расширения исходного ограниченного объема данных и содействия обучению широко применяется аугментация данных. При аугментации используются виртуальные дефекты — методика, успешно применявшаяся для обучения инспекторов и предназначенная для скорого использования при квалификации специалистов по ядерному контролю. Результаты работы классификатора машинного обучения сравниваются с результатами людей. Показано, что благодаря сложной аугментации данных современные сети глубокого обучения можно обучить до уровня производительности человека.
Key Findings
1
Разработана современная глубокая свёрточная сеть для обнаружения дефектов в данных фазированных ультразвуковых решёток.
2
Расширение данных с использованием виртуальных дефектов помогло решить проблему ограниченной доступности репрезентативных наборов данных с дефектами для обучения.
3
Применение сложной аугментации позволило классификатору глубокого обучения достичь результатов, сопоставимых с показателями людей-инспекторов.
4
В исследовании результаты автоматического обнаружения дефектов непосредственно сопоставляются с работой специалистов по неразрушающему контролю.
Research Object
Обнаружение дефектов по данным фазированной ультразвуковой решётки в неразрушающем контроле
Research Subject
достижение глубокими свёрточными сетями уровня человека при обнаружении дефектов с использованием аугментации данных на основе виртуальных дефектов
Publication Details
Publication Date
2021-01-02
Journal
Publisher
ISSN
Cited by
195
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью5
NDE 4.0 — взгляд сквозь призму дизайн-мышления2021
Автоматическое обнаружение дефектов при цифровой радиографии аэрокосмических сварных соединений с использованием глубокого обучения2022
Применение алгоритмов обнаружения объектов при неразрушающем контроле оборудования, работающего под давлением: обзор2024
Использование модели Segment Anything Model (SAM) для обнаружения дефектов сварных соединений на промышленных ультразвуковых B-сканах2025
Современные подходы к моделированию и симуляции неразрушающего контроля труб из армированного волокнами полимера: обзор2025