Семантическая сегментация для неразрушающего контроля композиционных ламинатов методом термографии со ступенчатым нагревом

В данной работе сети семантической сегментации, включая UNet и DeepLabV3+, оцениваются и сравниваются с методами случайного леса и опорных векторов для обнаружения и локализации подповерхностных дефектов с использованием активной инфракрасной термографии со ступенчатым нагревом. Для преобразования информации из всей последовательности цифровой записи в одно изображение применяются методы постобработки, включая термографию главных компонент (PCT), импульсно-фазовую термографию (PPT), эксцесс, асимметрию и реконструкцию термографического сигнала (TSR). Создаются два набора данных: один включает трехканальные изображения, сформированные с использованием PCT, а другой — 30-канальные изображения, сформированные с использованием всех перечисленных методов постобработки для представления процессов нагрева и охлаждения. Результаты исследования показывают, что DeepLabV3+ способен обнаруживать большинство дефектов в образцах со структурой, аналогичной структуре обучающих образцов, без ложноположительных срабатываний даже при различающихся глубине и площади дефектов. Для получения результатов, близких к результатам DeepLabV3+, сети UNet требуются 30-канальные изображения. Методы случайного леса и опорных векторов не способны конкурировать с современными методами, поскольку не могут корректно обнаруживать дефекты.