pimiПриборы и методы измеренийDevices and Methods of Measurements2220-95062414-0473BNTU10.21122/2220-9506-2021-12-2-98-107pimi-708Research ArticleСредства измеренийMeasuring instrumentsАвтоматизированная система тепловой дефектометрии многослойных материалов на основе глубокого обученияDeep Learning Automated System for Thermal Defectometry of Multilayer MaterialsМомотА. С.MomotA. S.

Адрес для переписки: Момот А.С. – Национальный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского», пр-т Победы, 37, г. Киев 03056, Украина

e-mail: drewmomot@gmail.com

Address for correspondence: Momot A.S. – National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Peremohy Ave., 37, Kyiv 03056, Ukraine

 e-mail:   drewmomot@gmail.com

drewmomot@gmail.comГалаганР. М.GalaganR. M.

пр-т Победы, 37, г. Киев 03056

Peremohy Ave., 37, Kyiv 03056

drewmomot@gmail.comГлуховскийВ. Ю.GluhovskiiV. Yu.

пр-т Победы, 37, г. Киев 03056

Peremohy Ave., 37, Kyiv 03056

drewmomot@gmail.comНациональный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского»УкраинаNational Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"Ukraine20212506202112298107Copyright © Момот А.С., Галаган Р.М., Глуховский В.Ю., 20212021Момот А.С., Галаган Р.М., Глуховский В.Ю.Momot A.S., Galagan R.M., Gluhovskii V.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://pimi.bntu.by/jour/article/view/708

На сегодняшний день, вместе с ростом темпов промышленного производства повышаются также и требования к контролю качества продукции. В задачах дефектоскопии и дефектометрии многослойных материалов перспективным является использование теплового метода неразрушающего контроля. В то же время, интерпретация данных теплового контроля усложнена рядом факторов, что делает использование традиционных методов анализа данных неэффективным. Поэтому актуальным заданием является поиск новых методов теплового контроля, которые позволят автоматизировать процесс диагностики и повысить информативность полученных результатов. Целью статьи являлось использование достижений в области глубокого обучения для обработки результатов активного теплового контроля изделий из многослойных материалов и разработка автоматизированной системы тепловой дефектоскопии и дефектометрии таких изделий.

Предлагаемая система состоит из источника нагрева, тепловизора для регистрации последовательностей термограмм и блока цифровой обработки информации. Для автоматизированной обработки данных используются три нейросетевых модуля, каждый из которых выполняет одну из задач: обнаружение и классификация дефектов, определение глубины залегания дефекта и его раскрытия (толщины). Программные алгоритмы и интерфейс взаимодействия с системой выполнены в среде разработки NI LabVIEW.

Экспериментальные исследования на образцах из многослойного стеклотекстолита показали значительное преимущество разработанной системы над методами, использующими традиционные алгоритмы анализа данных теплового контроля. Ошибка определения типа (классификации) дефекта на тестовом образце составила 15,7 %. Разработанная система обеспечила определение глубины дефекта с относительной погрешностью 3,2 %, а также толщины дефекта с относительной погрешностью 3,5 %.

Currently, along with growth in industrial production, the requirements for product quality testing are also increasing. In the tasks of defectoscopy and defectometry of multilayer materials, the use of thermal nondestructive testing method is promising. At the same time, interpretation of thermal testing data is complicated by a number of factors, which makes the use of traditional methods of data processing ineffective. Therefore, an urgent task is to search for new methods of thermal testing that will automate the diagnostic process and increase information content of obtained results. The purpose of article is to use the advances in deep learning for processing results of active thermal testing of products made of multilayer materials and development of an automated system for thermal defectoscopy and defectometry of such products. The proposed system consists of a heating source, an infrared camera for recording sequences of thermograms and a digital information processing unit. Three neural network modules are used for automated data processing, each of which performs one of the tasks: defects detection and classification, determination of the defect depth and thickness. The software algorithms and user interface for interacting with system are programmed in the NI LabVIEW development environment.Experimental studies on samples made of multilayer fiberglass have shown a significant advantage of the developed system over using traditional methods for analyzing thermal testing data. The defect classification (determining the type) error on the test dataset was 15.7 %. Developed system ensured determination of defect depth with a relative error of 3.2 %, as well as the defect thickness with a relative error of 3.5 %.

тепловой контролькомпозиционные материалыглубокое обучениеthermal testingmultilayer materialsdeep learningReferencesGalagan R.М. Analysis of application of neural networks to improve the reliability of active thermal NDT. KPI Science News, 2019, no. 1, pp. 7–14. DOI: 10.20535/kpi-sn.2019.1.157374Galagan R.М. Analysis of application of neural networks to improve the reliability of active thermal NDT. KPI Science News, 2019, no. 1, pp. 7–14. DOI: 10.20535/kpi-sn.2019.1.157374Jiangang S. Analysis of data processing methods for pulsed thermal imaging characterisation of delaminations. Quantitative InfraRed Thermogra- phy Journal, 2013, vol. 10, pp. 9–25. DOI: 10.1080/17686733.2012.757860Jiangang S. Analysis of data processing methods for pulsed thermal imaging characterisation of delaminations. Quantitative InfraRed Thermogra- phy Journal, 2013, vol. 10, pp. 9–25. DOI: 10.1080/17686733.2012.757860Ahmed J., Gao B., Woo W.L., Wavelet-Integrated Alternating Sparse Dictionary Matrix Decomposition in Thermal Imaging CFRP Defect Detection. IEEE Transactions on Industrial Informatics, 2019, vol. 15, no. 7, pp. 4033–4043. DOI: 10.1109/TII.2018.2881341Ahmed J., Gao B., Woo W.L., Wavelet-Integrated Alternating Sparse Dictionary Matrix Decomposition in Thermal Imaging CFRP Defect Detection. IEEE Transactions on Industrial Informatics, 2019, vol. 15, no. 7, pp. 4033–4043. DOI: 10.1109/TII.2018.2881341Vavilov V.P. Dynamic thermal tomography: Recent improvements and applications. NDT&E International, 2018, no. 135, pp. 129–141. DOI: 10.1016/j.ndteint.2014.09.010Vavilov V.P. Dynamic thermal tomography: Recent improvements and applications. NDT&E International, 2018, no. 135, pp. 129–141. DOI: 10.1016/j.ndteint.2014.09.010Dudzik S. Analysis of the accuracy of a neural algorithm for defect depth estimation using PCA processing from active thermography data. Infrared Physics & Technology, 2013, no. 56, pp. 1–7. DOI: 10.1016/j.infrared.2012.08.006Dudzik S. Analysis of the accuracy of a neural algorithm for defect depth estimation using PCA processing from active thermography data. Infrared Physics & Technology, 2013, no. 56, pp. 1–7. DOI: 10.1016/j.infrared.2012.08.006Balageas D., Maldague X., Burleigh D, Vavi- lov V.P., Oswald-Tranta B., Roche J.-M., Pradere C., Carlomagno G.M. Thermal (IR) and other NDT techniques for improved material inspection. Journal of Nondestructive Evaluation, 2016, vol. 35, no. 1, article 18, 17 p. DOI: 10.1007/s10921-015-0331-7Balageas D., Maldague X., Burleigh D, Vavi- lov V.P., Oswald-Tranta B., Roche J.-M., Pradere C., Carlomagno G.M. Thermal (IR) and other NDT techniques for improved material inspection. Journal of Nondestructive Evaluation, 2016, vol. 35, no. 1, article 18, 17 p. DOI: 10.1007/s10921-015-0331-7Marani R., Palumbo D., Reno V. Modeling and classification of defects in CFRP laminates by thermal non-destructive testing. Composites Part B: Engineering, 2018, no. 135, pp. 129–141. DOI: 10.1016/j.compositesb.2017.10.010Marani R., Palumbo D., Reno V. Modeling and classification of defects in CFRP laminates by thermal non-destructive testing. Composites Part B: Engineering, 2018, no. 135, pp. 129–141. DOI: 10.1016/j.compositesb.2017.10.010Hellstein P., Szwedo M. 3D thermography in non- destructive testing of composite structures. Measurement Science and Technology, 2016, vol. 27, no. 12, article id. 124006. DOI: 10.1088/0957-0233/27/12/124006Hellstein P., Szwedo M. 3D thermography in non- destructive testing of composite structures. Measurement Science and Technology, 2016, vol. 27, no. 12, article id. 124006. DOI: 10.1088/0957-0233/27/12/124006Vavilov V.P., Nesteruk D.A. Aktivnyj teplovoj kontrol' kompozicionnyh materialov s ispol'zovaniem nejronnyh setej [Active thermal testing of composite materials using neural networks]. Defektoskopiya [Defectoscopy], 2011, no. 10, pp. 10–18 (in Russian).Vavilov V.P., Nesteruk D.A. Aktivnyj teplovoj kontrol' kompozicionnyh materialov s ispol'zovaniem nejronnyh setej [Active thermal testing of composite materials using neural networks]. Defektoskopiya [Defectoscopy], 2011, no. 10, pp. 10–18 (in Russian).Saeed N., Omar M.A., Abdulrahman Y. A neural network approach for quantifying defects depth, for nondestructive testing thermograms. Infrared Physics & Technology, 2018, no. 94, pp. 55–64. DOI: 10.1016/j.infrared.2018.08.022Saeed N., Omar M.A., Abdulrahman Y. A neural network approach for quantifying defects depth, for nondestructive testing thermograms. Infrared Physics & Technology, 2018, no. 94, pp. 55–64. DOI: 10.1016/j.infrared.2018.08.022Chulkov A.O., Nesteruk D.A., Vavilov V.P. An Automated Algorithm for Constructing Maps of Defects in Active Thermal Testing. Russian Journal of Nondestructive Testing, 2019, vol. 55, pp. 617–621. DOI: 10.1134/S1061830919080035Chulkov A.O., Nesteruk D.A., Vavilov V.P. An Automated Algorithm for Constructing Maps of Defects in Active Thermal Testing. Russian Journal of Nondestructive Testing, 2019, vol. 55, pp. 617–621. DOI: 10.1134/S1061830919080035Vavilov V., Plesovskikh A., Chulkov A. A com- plex approach to the development of the method and equipment for thermal nondestructive testing of CFRP cylindrical parts. Composites Part B: Engineering, 2015, vol. 68, pp. 375–384. DOI: 10.1016/j.compositesb.2014.09.007Vavilov V., Plesovskikh A., Chulkov A. A com- plex approach to the development of the method and equipment for thermal nondestructive testing of CFRP cylindrical parts. Composites Part B: Engineering, 2015, vol. 68, pp. 375–384. DOI: 10.1016/j.compositesb.2014.09.007Ciampa F., Mahmoodi P., Pinto F., Meo М. Re- cent Advances in Active Infrared Thermography for Non- Destructive Testing of Aerospace Components. Sensors, 2018, vol. 18(2), article id. 609. DOI: 10.3390/s18020609Ciampa F., Mahmoodi P., Pinto F., Meo М. Re- cent Advances in Active Infrared Thermography for Non- Destructive Testing of Aerospace Components. Sensors, 2018, vol. 18(2), article id. 609. DOI: 10.3390/s18020609Momot A., Galagan R. Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing. Sciences of Europe, 2019, no. 44, pp. 20–25.Momot A., Galagan R. Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing. Sciences of Europe, 2019, no. 44, pp. 20–25.Chulkov A.O. Analyzing efficiency of optical and THz infrared thermography in nondestructive testing of GFRPs by using the Tanimoto criterion. NDT & E International, 2021, vol. 117, article id. 102383. DOI: 10.1016/j.ndteint.2020.102383Chulkov A.O. Analyzing efficiency of optical and THz infrared thermography in nondestructive testing of GFRPs by using the Tanimoto criterion. NDT & E International, 2021, vol. 117, article id. 102383. DOI: 10.1016/j.ndteint.2020.102383

The authors declare that there are no conflicts of interest present.