- PII
- S30344980S0130308225060013-1
- DOI
- 10.7868/S3034498025060013
- Publication type
- Article
- Status
- Published
- Authors
- Volume/ Edition
- Volume / Issue number 6
- Pages
- 3-10
- Abstract
- 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
- Keywords
- искусственная нейронная сеть (ИНС) сверточная нейронная сеть (СНС) Time of Flight Diffraction (TOFD) ультразвуковой контроль (УЗК)
- Date of publication
- 23.04.2025
- Year of publication
- 2025
- Number of purchasers
- 0
- Views
- 10
References
- 1. Дифракционно-временной метод (TOFD). ETS-NDT. URL: https://ets-ndt.ru/azbuka/metod-tofd/ (дата обращения: 08.06.2024).
- 2. Гинзел Э. TOFD. Дифракционно-временной метод ультразвуковой дефектоскопии: основные принципы и практическое руководство по применению. Москва: ДПК Пресс, 2021. 311 с.
- 3. Система прогнозирования на базе нейронных сетей в промышленности. Habr. 2023. URL: https://habr.com/ru/articles/171019/ (дата обращения: 08.06.2024).
- 4. Joyce Xu. Распознавание образов с помощью искусственного интеллекта. Habr. 2023. URL: https://habr.com/ru/articles/709432/ (дата обращения: 08.06.2024).
- 5. Петрова А.К. Применение нейронных сетей для решения задач оптимизации процесса учета расхода газа // Известия СПбГЭТУ «ЛЭТИ». 2015. № 4. С. 53—60.
- 6. Бадалян В.Г., Вопилкин А.Х. Применение нейронных сетей в ультразвуковом неразрушающем контроле (обзор) // Контроль. Диагностика. 2023. № 1. С. 12—25. URL: http://td-j.ru/index.php/current-issue-rus/2829-012-025 (дата обращения: 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 (дата обращения: 27.12.2024).
- 8. ImageNet Large Scale Visual Recognition Challenge (ILSVRC). ImageNet. URL: https://image-net.org/challenges/LSVRC/index.php (дата обращения: 08.06.2024).
- 9. Крысько Н.В., Скрынников С.В., Щипаков Н.А. Классификация и определение размеров поверхностных дефектов трубопроводов на основе результатов комплексной диагностики ультразвуковым, вихретоковым, визуальным и измерительным методами неразрушающего контроля // Дефектоскопия. 2023. № 12. С. 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. Долматов Д.О. Применение искусственных нейронных сетей для решения задач акустического неразрушающего контроля (обзор) // Контроль. Диагностика. 2022. № 6. С. 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 (дата обращения: 08.06.2024).
- 13. Deep Learning Toolbox — MATLAB. MathWorks. URL: https://www.mathworks.com/products/deep-learning.html (дата обращения: 08.06.2024).
- 14. Официальный сайт фирмы EXTENDE. EXTENDE. URL: https://www.extende.com/ndt (дата обращения: 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 (дата обращения: 17.01.2025).
- 16. Официальный сайт фирмы «ЭХО+». URL: https://echoplus.ru/ (дата обращения: 01.06.2024).
