Аугментированные ультразвуковые данные для машинного обучения

Augmented Ultrasonic Data for Machine Learning
Iikka Virkkunen, Tuomas Koskinen, Oskari Jessen-Juhler, Jari Rinta-aho
2021-01-02

глубокие свёрточные сетиобнаружение дефектовнеразрушающий контрольультразвуковые данные фазированной решёткиаугментация ультразвуковых данных
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.
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.

Обнаружение дефектов по данным фазированной ультразвуковой решётки в неразрушающем контроле

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
Access Type
Author Information
Authors
Iikka Virkkunen
Tuomas Koskinen
Oskari Jessen-Juhler
Jari Rinta-aho
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%