Параметрическое исследование моделей обнаружения аномалий для выявления дефектов в инфракрасной термографии

В ходе революции NDT 4.0 машинное обучение и искусственный интеллект стали основными факторами, способствующими развитию неразрушающего контроля (НК) промышленных компонентов. Однако последние разработки в области активного теплового неразрушающего контроля (ТК) подтверждают его использование в качестве практического метода контроля целого ряда промышленных компонентов. Кроме того, в ходе последних исследований в области постобработки в ТК было разработано несколько моделей машинного обучения, позволяющих заменить взаимодействие с человеком и обеспечить автоматическое обнаружение дефектов. Но меньшая площадь дефектов и связанные с ними несколько тепловых профилей по сравнению с широкой зоной прозвучивания, приводящие к несбалансированности наборов данных, затрудняют обучение с учителем глубокой нейросети. Недавно в ТК были добавлены модели обнаружения аномалий и одноклассовые классификаторы, которые являются широко применяемыми моделями машинного обучения для решения реальных задач. Аккуратность и другие важные показатели при автономном обнаружении дефектов зависят от гиперпараметров этих моделей, таких как коэффициент загрязнения, объем обучающих данных и параметр инициализации соответствующей модели. В данной работе исследуется влияние параметров инициализации на возможности этих моделей в области ТК для автоматической дефектоскопии. С помощью метода отображения квадратичной частотно-модулированной тепловой волны (КЧМТВ) исследован образец полимера, армированного углеродным волокном, с искусственно созданными отверстиями различного размера на разной глубине. После качественного сравнения аккуратности, точности, полноты, F-меры и вероятности контроля был выбран хороший гиперпараметр для автоматической идентификации дефектов.

модели обнаружения аномалий, автоматическое обнаружение дефектов, выбор гипер-параметра, квадратичная частотно-модулированная тепловая волна и тепловой неразрушающий контроль