- Код статьи
- S30344980S0130308225060013-1
- DOI
- 10.7868/S3034498025060013
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 6
- Страницы
- 3-10
- Аннотация
- Предложено с помощью сверточной нейронной сети ResNet-18 автоматизировать классификацию типов отражателей по TOFD-эхосигналам. Основное внимание уделено моделированию и классификации отражателей, таких как трещины, поры, непровары и пустые области. Эксперименты включали обучение модели на TOFD-эхосигналах, рассчитанных как в численном эксперименте, так и TOFD-эхосигналах, измеренных в процессе ультразвукового контроля. Результаты показали высокую точность классификации: 96,2 % в процессе численного эксперимента, 97 % на экспериментально измеренных TOFD-эхосигналах с различными типами дефектов. Исследование подтвердило возможность применения нейросетей для определения типа отражателя по TOFD-эхосигналам, что позволяет автоматизировать процесс неразрушающего контроля и снизить влияние человеческого фактора. Для дальнейшего развития метода предлагается использовать сегментационные модели для обработки изображений с несколькими дефектами.
- Ключевые слова
- искусственная нейронная сеть (ИНС) сверточная нейронная сеть (СНС) Time of Flight Diffraction (TOFD) ультразвуковой контроль (УЗК)
- Дата публикации
- 23.04.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 6
Библиография
- 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).
