Аугментированные ультразвуковые данные для машинного обучения

Обнаружение дефектов при неразрушающем контроле, особенно при работе со сложными сигналами, такими как ультразвуковые данные, до сих пор в значительной степени основывалось на опыте и профессиональном суждении квалифицированных специалистов. Хотя автоматизированные системы используются уже давно, в основном они ограничивались простой автоматизацией принятия решений, например применением порогового значения амплитуды сигнала. Последние достижения в области различных алгоритмов машинного обучения позволили решить многие столь же сложные задачи классификации, которые ранее считались неразрешимыми. В области неразрушающего контроля в открытой литературе уже сообщалось о многообещающих результатах, однако применение машинного обучения в полевых задачах неразрушающего контроля остается весьма ограниченным. Ключевой 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 в ультразвуковых данных, полученных с помощью фазированной антенной решетки. Для расширения исходного ограниченного набора необработанных данных и облегчения обучения широко применяется аугментация данных. При аугментации используются виртуальные дефекты — методика, успешно применявшаяся для обучения специалистов и в ближайшее время подлежащая использованию при квалификации специалистов по ядерному контролю. Результаты работы классификатора машинного обучения сравниваются с результатами специалистов. Показано, что с использованием сложной аугментации данных современные сети глубокого обучения можно обучить достигать уровня эффективности человека.