|
DOI: 10.14489/td.2026.09.pp.004-014
Базулин А. Е., Медведев Л. В.
ВЫЯВЛЕНИЕ И КЛАССИФИКАЦИЯ ОТРАЖАТЕЛЕЙ ПО ЭХОСИГНАЛАМ, ПОЛУЧЕННЫМДИФРАКЦИОННО-ВРЕМЕННЫМ МЕТОДОМ С ПОМОЩЬЮ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
(c. 4-14)
Аннотация. Предложено с помощью сверточной нейронной сети U-Net выявлять и классифицировать отражатели по TOFD-изображениям. Основное внимание уделено моделированию и классификации отражателей, таких как внутренние и выходящие на поверхность отражатели, поры, а также сигнал головной волны и донный сигнал. Показан путь оптимизации структуры нейросети, способ составления и разметки датасета. Эксперименты включали обучение модели по TOFD-изображениям, полученным на образцах с моделями дефектов и при моделировании в программной среде CIVA. Материалы, с применением которых получены результаты, сформированы в датасет, выложенный в открытый доступ.
Ключевые слова: искусственная нейронная сеть, сверточная нейронная сеть, метод-TOFD, дифракционно-временной метод, ультразвуковой контроль.
Bazulin A. E., Medvedev L. V.
DETECTION AND CLASSIFICATION OF INDICATIONS USING ECHO SIGNALS OBTAINED BY THE TIME-OF-FLIGHT DIFFRACTION METHOD WITH A CONVOLUTIONAL NEURAL NETWORK
(pp. 4-14)
Abstract. This paper proposes using a U-Net convolutional neural network to detect and classify indications in TOFD images. The focus is on the modeling and classification of reflectors such as internal and surface-breaking reflectors, pores, as well as the lateral wave signal and back-wall signal. The process of optimizing the neural network structure and the method for compiling and labeling the dataset are shown. The experiments involved training the model on TOFD images obtained from test blocks with model defects and from simulations in the CIVA software. The materials used to obtain the results have been compiled into a dataset that is publicly available.
Keywords: artificial neural network (ANN), convolutional neural network (CNN), time of flight diffraction (TOFD), ultrasonic testing (UT).
А. Е. Базулин, Л. В. Медведев (ООО «Научно-производственный центр «ЭХО+», Москва, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
A. E. Bazulin, L. V. Medvedev (ECHO+ Scientific and Production Center, LLC, Moscow, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Скрынников С. В. Концепция современной системы автоматического неразрушающего контроля сварных соединений магистральных и промысловых трубопроводов // Газовая промышленность. 2025. № 1(876). С. 100 ‒ 105.
2. Базулин А. Е., Коколев С. А., Тихонов Д. С. Аттестация системы и методики ультразвукового контроля с полным циклом автоматизации // 10-я МНТК «Обеспечение безопасности АЭС с ВВЭР» ОКБ «ГИДРОПРЕСС», Подольск, 16 ‒ 19 мая 2017 г. Подольск, 2017. С. 130.
3. Гинзел Э. TOFD. Дифракционно-временной метод ультразвуковой дефектоскопии: основные принципы и практическое руководство по применению. М.: ДПК Пресс, 2021. 311 с.
4. Базулин А. Е., Бутов А. В., Тихонов Д. С. и др. Применение технологии TOFD в разработках ООО «НПЦ «ЭХО+» // Контроль. Диагностика. 2020. № 5. С. 28 ‒ 37.
5. РД-25.160.10-КТН-0016‒23. Руководящий документ. Магистральный трубопроводный транспорт нефти и нефтепродуктов. Неразрушающий контроль сварных соединений при строительстве и ремонте магистральных трубопроводов. Введ. 2023-01-01. М.: Транснефть, 2023.
6. СТО Газпром 15-2.3–005–2023. Сварка и неразрушающий контроль сварных соединений. Ультразвуковой контроль качества сварных соединений. Введ. 2023-01-24. М.: Газпром, 2023.
7. Roca Barceló F., Jaén del Hierro P., Ribes Llario F., Real Herráiz J. Development of an Ultrasonic Weld Inspection System Based on Image Processing and Neural Networks // Nondestructive Testing and Evaluation. 2017. Vol. 32, No. 4. P. 325 – 340. DOI: 10.1080/10589759.2017.1376056
8. Shitole C. N., Zahran O., Al-Nuaimy W. Combining Fuzzy Logic and Neural Networks in Classification of Weld Defects Using Ultrasonic Time-of-Flight Diffraction // Insight ‒ Non-Destructive Testing and Condition Monitoring. 2007. Vol. 49, No. 2. P. 79 – 82.
9. Wang Y., Cao Y., Ye B., et al. Research on Detection Method for Welding Seam Defects in Ultrasonic TOFD Image Based on Mask R-CNN // Journal of Physics. Conference Series. 2021. Vol. 1995. No. 1. P. 012032. DOI: 10.1088/1742-6596/1995/1/012032
10. cocodataset/cocodataset.github.io. URL: https://github.com/cocodataset/cocodataset.github.io.git (дата обращения: 06.02.2026).
11. COCO Object in Context. URL: https://cocodataset.org/#home (дата обращения: 06.02.2026).
12. Huang H., Hu L., Li B., et al. Recognition of Defect in TOFD Image Based on Faster Region Convolutional Neural Networks // Welding. 2019. Vol. 41, No. 7. P. 12 – 17. (In Chinese) DOI: 10.11973/wsjc201907004
13. ImageNet. URL: https://www.image-net.org/about.php (дата обращения: 06.02.2026).
14. Базулин Е. Г., Медведев Л. В. Распознавание типа отражателя с помощью нейронной сети по TOFD-эхосигналам // Дефектоскопия. 2025. № 6. DOI: 10.31857/S0130308225060013
15. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmenta-tion // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Springer, 2015. P. 234 – 241. DOI: 10.1007/978-3-319-24574-4_28
16. API 1104: Welding of Pipelines and Related Facilities [Текст электронный] / American Petroleum Institute. Washington, DC, 1999. URL: https://archive.org/details/gov.law.api.1104.1999/page/n35/mode/2up (дата обращения: 06.02.2026).
17. Котлы и сосуды высокого давления. Правила изготовления и контроля. ASME BPVC. Раздел V. Неразрушающий контроль (Boiler and Pressure Vessel Code: Section V, Nondestructive Examination). Нью-Йорк: Американское общество инженеров-механиков (American Society of Mechanical Engineers), 2010.
18. ГОСТ ISO 10863‒2022. Неразрушающий контроль сварных соединений. Ультразвуковой контроль. Применение дифракционно-временного метода (TOFD). М.: Рос. институт стандартизации, 2022. 36 с.
19. Medved L. TOFD Dataset // Zenodo, 2026. DOI: 10.5281/zenodo.18471254
1. Skrynnikov, S. V. (2025). Concept of a modern system of automatic nondestructive testing of welded joints of main and field pipelines. Gazovaya promyshlennost, (1), 100–105. [in Russian language].
2. Bazulin, A. E., Kokolev, S. A., & Tikhonov, D. S. (2017). Attestation of the system and methodology of ultrasonic testing with full automation cycle. In 10th International Scientific and Technical Conference "Ensuring Safety of NPP with VVER" (p. 130). Podolsk. [in Russian language].
3. Ginzel, E. (2021). TOFD: Diffraction time of flight method of ultrasonic flaw detection: Basic principles and practical guide to application. DPK Press. [in Russian language].
4. Bazulin, A. E., Butov, A. V., Tikhonov, D. S., et al. (2020). Application of TOFD technology in developments of LLC "NPC "EHO+". Kontrol'. Diagnostika, (5), 28–37. [in Russian language].
5. Transneft. (2023). RD 25.160.10 KTN 0016 23: Main pipeline transport of oil and oil products. Nondestructive testing of welded joints during construction and repair of main pipelines. Transneft. [in Russian language].
6. Gazprom. (2023). STO Gazprom 15 2.3 005 2023: Welding and nondestructive testing of welded joints. Ultrasonic quality control of welded joints. Gazprom. [in Russian language].
7. Roca Barceló, F., Jaén del Hierro, P., Ribes Llario, F., & Real Herráiz, J. (2017). Development of an ultrasonic weld inspection system based on image processing and neural networks. Nondestructive Testing and Evaluation, 32(4), 325–340. https://doi.org/10.1080/10589759.2017.1376056
8. Shitole, C. N., Zahran, O., & Al Nuaimy, W. (2007). Combining fuzzy logic and neural networks in classification of weld defects using ultrasonic time of flight diffraction. Insight – Non Destructive Testing and Condition Monitoring, 49(2), 79–82.
9. Wang, Y., Cao, Y., Ye, B., et al. (2021). Research on detection method for welding seam defects in ultrasonic TOFD image based on Mask R CNN. Journal of Physics: Conference Series, 1995(1), 012032. https://doi.org/10.1088/1742-6596/1995/1/012032
10. cocodataset. (n.d.). cocodataset/cocodataset.github.io. GitHub. Retrieved February 6, 2026, from https://github.com/cocodataset/cocodataset.github.io.git
11. COCO Consortium. (n.d.). COCO Object in Context. Retrieved February 6, 2026, from https://cocodataset.org/#home
12. Huang, H., Hu, L., Li, B., et al. (2019). Recognition of defect in TOFD image based on Faster Region Convolutional Neural Networks. Welding, 41(7), 12–17. https://doi.org/10.11973/wsjc201907004
13. ImageNet. (n.d.). ImageNet. Retrieved February 6, 2026, from https://www.image-net.org/about.php
14. Bazulin, E. G., & Medvedev, L. V. (2025). Recognition of reflector type using a neural network based on TOFD echo signals. Defektoskopiya, (6). [in Russian language]. https://doi.org/10.31857/S0130308225060013
15. Ronneberger, O., Fischer, P., & Brox, T. (2015). U Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer Assisted Intervention – MICCAI 2015 (pp. 234–241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28
16. American Petroleum Institute. (1999). API 1104: Welding of Pipelines and Related Facilities. Retrieved February 6, 2026, from https://archive.org/details/gov.law.api.1104.1999/page/n35/mode/2up
17. American Society of Mechanical Engineers. (2010). ASME Boiler and Pressure Vessel Code, Section V: Nondestructive Examination. New York, NY: ASME. [in Russian language].
18. GOST ISO 10863 2022. (2022). Nondestructive testing of welded joints. Ultrasonic testing. Application of time of flight diffraction method (TOFD). Russian Institute of Standardization. [in Russian language].
19. Medved, L. (2026). TOFD dataset. Zenodo. https://doi.org/10.5281/zenodo.18471254
|
Текущий номер
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»