АНАЛІЗ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ДОСТОВІРНОСТІ АКТИВНОГО ТЕПЛОВОГО НЕРУЙНІВНОГО КОНТРОЛЮ

Roman M. Galagan; Andrii S. Momot

doi:10.20535/kpi-sn.2019.1.157374

Т. · № 1 · 2019 лют 25, 2019 статті

АНАЛІЗ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ДОСТОВІРНОСТІ АКТИВНОГО ТЕПЛОВОГО НЕРУЙНІВНОГО КОНТРОЛЮ

Roman M. Galagan Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Andrii S. Momot Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Опублікованолют 25, 2019

PDF

НВКПІ 1 ТОМ · 1

ТОМ · № 1 · 2019 Переглянути випуск

Анотація

Проблематика. Розглянуто актуальне питання підвищення інформативності та достовірності теплового методу неруйнівного контролю. Наведено найбільш перспективні алгоритми цифрової обробки послідовностей термограм. Мета дослідження. Визначити переваги та недоліки, області застосування сучасних методів цифрової обробки термограм з метою підвищення їх інформативності. Аналіз обраних методів проводиться для визначення можливостей автоматизації теплового неруйнівного контролю. Методика реалізації. За допомогою засобів комп’ютерного моделювання отримано штучну послідовність термограм об’єкта контролю. Для обробки отриманих даних використовувалися методи вейвлет-аналізу, аналізу головних компонент і штучні нейронні мережі. Результати дослідження. Проведено моделювання процесу активного теплового контролю. Отримано штучну послідовність термограм об’єкта контролю із високим рівнем завад. Для кількісної оцінки результатів застосування розглянутих методів розраховано відносні похибки визначення площі дефектів. Також отримано значення критерію Танімото. Встановлено та доведено переваги засобів нейромережної обробки цифрових даних у тепловому неруйнівному контролі. Форма дефектів на бінарній карті, побудованій за допомогою нейронної мережі, була близькою до істинної порівняно з методом аналізу головних компонент. Ефективність нейромереж підтверджується і кількісними оцінками. Висновки. Метод вейвлет-перетворення має високу чутливість. Цей метод неефективний в умовах нерівномірного нагріву та значних завад. Метод аналізу головних компонент дає змогу збільшити співвідношення сигнал/шум і поліпшити візуальне сприйняття термограм, але не забезпечує повного відокремлення інформації про дефекти і завади, що викликані нерівномірним нагрівом. Методи теорії штучних нейронних мереж забезпечують найкраще відтворення форми і розміру дефектів, але навчальний процес вимагає значних витрат часу та обчислень.

Ключові слова

#Вейвлет-аналіз #Аналіз головних компонент #Нейронні мережі #Обробка термограм

Посилання

C. Ibarra-Castanedo et al. , “Thermographic nondestructive evaluation: Overview of recent progress”, in Thermosense XXV , Orlando, 2003, pp. 33-43. doi: 10.1117/12.485699
S. Jiangang, “Analysis of data processing methods for pulsed thermal imaging characterisation of delaminations”, Quantitative InfraRed Thermography Journal , vol. 10, no. 1, pp. 9–25, 2013. doi: 10.1080/17686733.2012.757860
S. Pareek et al. , “Application of artificial neural networks to monitor thermal condition of electrical equipment”, in Proc. 3rd Int. Conf. Condition Assessment Techniques in Electrical Systems (CATCON) , Rupnagar, India, 2017, pp. 113–123. doi: 10.1109/CATCON.2017.8280208
P. Xiao et al. , “Removing stripe noise from infrared cloud images via deep convolutional networks”, IEEE Photonics J. , vol. 10, no. 4, pp. 1–14, 2018. doi: 10.1109/jphot.2018.2854303
R. Galagan and A. Momot, “Analysis of methods for digital processing of thermograms”, Visnik Nacionalnogo Tehnichnogo Universitetu Ukrayini “KPI”. Seriya Priladobuduvannya , no. 55, pp. 108–117, 2018. doi: 10.20535/1970.55(1).2018.135849
V. Vavilov, Infrared Thermography and Thermal Testing . Moscow, Russia: PH Spectr, 2013.
V. Ingle and J. Proakis, Digital Signal Processing using MATLAB . Stamford, UK: Cengage Learning, 2011.
X. Maldague et al. , “Advances in pulsed phase thermography”, Infrared Physics & Technology , vol. 43, pp. 175–181, 2002 . doi: 10.21611/qirt.1996.062
V. Vavilov et al. , “The application of Fourier analysis and the principal components analysis for the processing of dynamic thermal testing data”, Izvestiya TPU , vol. 2, pp. 279–285, 2008 .
V. Shiryaev et al. , “The use of wavelets in active thermal testing”, in Proc. VI Scientific and Practical Conference “Information-measuring technology and technologies” , Tomsk, Russia, 2015, pp. 149–154.
V. Vavilov et al. , “Processing of the results of active thermal control by the wavelet-analysis method”, Defectoscopy , vol. 4, pp. 70–79, 2011.
V. Vavilov et al. , “A complex approach to the development of the method and equipment for thermal nondestructive testing of CFRP cylindrical parts”, Composites Part B: Engineering , vol. 68, pp. 375–384, 2015. doi: j.compositesb.2014.09.007
G. Montavon et al. , “Methods for interpreting and understanding deep neural networks”, Digital Signal Processing , vol. 73, pp. 1–15, 2018. doi: 10.1016/j.dsp.2017.10.011
X. Kuang et al. , “Single infrared image stripe noise removal using deep convolutional networks”, IEEE Photonics J. , vol. 9, pp. 57–67, 2017. doi: 10.1109/JPHOT.2017.2717948
I. Hubara et al. , “Quantized back-propagation: Training binarized neural networks with quantized gradients”, in ICLR 2018 Workshop: 6th Int. Conf. Learning Representations , Vancouver Convention Center, Vancouver, BC, Canada, 2018, pp. 1–4.
V. Vavilov and D. Nesteruk, “Active thermal inspection of composite materials with the use of neural networks”, Russian Journal of Nondestructive Testing , vol. 2011, pp. 655–662, 2011. doi: 10.1134/S1061830911100160
J. Gu et al. , “Recent advances in convolutional neural networks”, Pattern Recognition , vol. 77, pp. 354–377, 2018. doi: 10.1016/j.patcog.2017.10.013
S. Sojasi et al. , “Infrared testing of CFRP components: Comparisons of approaches using the Tanimoto criterion”, in Proc. NDT in Canada 2015 Conference , Edmonton, Canada, 2015.

Наступна у випуску ОПЕРАЦІЇ ВПОРЯДКУВАННЯ В АЛГЕБРИЧНІЙ СИСТЕМІ АГРЕГАТІВ ДЛЯ ОБРОБЛЕННЯ ДАНИХ МУЛЬТИОБРАЗУ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі

10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS

10.20535/kpisn.2026.3.361520

Схожі статті

Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Павло Кость, Лариса Гліненко, МЕТОДИКА ВИБОРУ СТРУКТУРИ ПЕРЕДАВАЛЬНОГО ТРАКТУ ДЛЯ ТЕРМОЯДЕРНИХ УСТАНОВОК , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Svitlana M. Alkhimova, Svitlana V. Sliusar, АНАЛІЗ ЕФЕКТИВНОСТІ ПОРОГОВОЇ ФІЛЬТРАЦІЇ В ЗАДАЧІ ВИЗНАЧЕННЯ ЗОНИ ПЕРФУЗІЇ НА Т2-ЗВАЖЕНИХ МАГНІТНО-РЕЗОНАНСНИХ ПЕРФУЗІЙНИХ ЗОБРАЖЕННЯХ МОЗКУ З АНОМАЛЬНОЮ АНАТОМІЄЮ , Наукові вісті КПІ: № 4 (2019)
Igor G. Chyzh, Karyna S. Lisniak, ТРИКОМПОНЕНТНІ ЛІНЗОВІ ЗУМ-АФОКАЛЬНІ СИСТЕМИ ТРАНСФОКАТОРІВ , Наукові вісті КПІ: № 3 (2019)
Mykola V. Voloshyn, СПОСІБ ПОПЕРЕДНЬОЇ ОБРОБКИ ЗОБРАЖЕНЬ ДЛЯ ЗАДАЧ РОЗПІЗНАВАННЯ ОБЛИЧ , Наукові вісті КПІ: № 4 (2019)
Vadim V. Romanuke, ПРОГРАМА КОНТРОЛЮ ПОТУЖНОСТІ У ВИСХІДНОМУ НАПРЯМКУ ДЛЯ ВИРІВНЮВАННЯ ЯКОСТІ СЕРВІСУ В БЕЗПРОВОДОВИХ МЕРЕЖАХ ПЕРЕДАЧІ ДАНИХ З ОБМЕЖЕННЯМ ДО РІВНОВІДДАЛЕНИХ РІВНІВ ПОТУЖНОСТІ , Наукові вісті КПІ: № 2 (2019)
Вадим Романюк, ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ , Наукові вісті КПІ: Том 144 № 3 (2026)

1-10 з 41 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] C. Ibarra-Castanedo et al. , “Thermographic nondestructive evaluation: Overview of recent progress”, in Thermosense XXV , Orlando, 2003, pp. 33-43. doi: 10.1117/12.485699

[2] S. Jiangang, “Analysis of data processing methods for pulsed thermal imaging characterisation of delaminations”, Quantitative InfraRed Thermography Journal , vol. 10, no. 1, pp. 9–25, 2013. doi: 10.1080/17686733.2012.757860

[3] S. Pareek et al. , “Application of artificial neural networks to monitor thermal condition of electrical equipment”, in Proc. 3rd Int. Conf. Condition Assessment Techniques in Electrical Systems (CATCON) , Rupnagar, India, 2017, pp. 113–123. doi: 10.1109/CATCON.2017.8280208

[4] P. Xiao et al. , “Removing stripe noise from infrared cloud images via deep convolutional networks”, IEEE Photonics J. , vol. 10, no. 4, pp. 1–14, 2018. doi: 10.1109/jphot.2018.2854303

[5] R. Galagan and A. Momot, “Analysis of methods for digital processing of thermograms”, Visnik Nacionalnogo Tehnichnogo Universitetu Ukrayini “KPI”. Seriya Priladobuduvannya , no. 55, pp. 108–117, 2018. doi: 10.20535/1970.55(1).2018.135849

[6] V. Vavilov, Infrared Thermography and Thermal Testing . Moscow, Russia: PH Spectr, 2013.

[7] V. Ingle and J. Proakis, Digital Signal Processing using MATLAB . Stamford, UK: Cengage Learning, 2011.

[8] X. Maldague et al. , “Advances in pulsed phase thermography”, Infrared Physics & Technology , vol. 43, pp. 175–181, 2002 . doi: 10.21611/qirt.1996.062

[9] V. Vavilov et al. , “The application of Fourier analysis and the principal components analysis for the processing of dynamic thermal testing data”, Izvestiya TPU , vol. 2, pp. 279–285, 2008 .

[10] V. Shiryaev et al. , “The use of wavelets in active thermal testing”, in Proc. VI Scientific and Practical Conference “Information-measuring technology and technologies” , Tomsk, Russia, 2015, pp. 149–154.

[11] V. Vavilov et al. , “Processing of the results of active thermal control by the wavelet-analysis method”, Defectoscopy , vol. 4, pp. 70–79, 2011.

[12] V. Vavilov et al. , “A complex approach to the development of the method and equipment for thermal nondestructive testing of CFRP cylindrical parts”, Composites Part B: Engineering , vol. 68, pp. 375–384, 2015. doi: j.compositesb.2014.09.007

[13] G. Montavon et al. , “Methods for interpreting and understanding deep neural networks”, Digital Signal Processing , vol. 73, pp. 1–15, 2018. doi: 10.1016/j.dsp.2017.10.011

[14] X. Kuang et al. , “Single infrared image stripe noise removal using deep convolutional networks”, IEEE Photonics J. , vol. 9, pp. 57–67, 2017. doi: 10.1109/JPHOT.2017.2717948

[15] I. Hubara et al. , “Quantized back-propagation: Training binarized neural networks with quantized gradients”, in ICLR 2018 Workshop: 6th Int. Conf. Learning Representations , Vancouver Convention Center, Vancouver, BC, Canada, 2018, pp. 1–4.

[16] V. Vavilov and D. Nesteruk, “Active thermal inspection of composite materials with the use of neural networks”, Russian Journal of Nondestructive Testing , vol. 2011, pp. 655–662, 2011. doi: 10.1134/S1061830911100160

[17] J. Gu et al. , “Recent advances in convolutional neural networks”, Pattern Recognition , vol. 77, pp. 354–377, 2018. doi: 10.1016/j.patcog.2017.10.013

[18] S. Sojasi et al. , “Infrared testing of CFRP components: Comparisons of approaches using the Tanimoto criterion”, in Proc. NDT in Canada 2015 Conference , Edmonton, Canada, 2015.