ШТУЧНИЙ ІНТЕЛЕКТ ЯК ЧАСТИНА КОМПОНЕНТНОГО ФРЕЙМВОРКУ ANGULAR: ПРИКЛАД ІНТЕГРАЦІЇ МОДЕЛЕЙ УЛЬТРАЗВУКОВОГО КОНТРОЛЮ
DOI:
https://doi.org/10.31471/1993-9965-2025-1(58)-108-123Ключові слова:
ультразвуковий неруйнівний контроль, Angular, штучний інтелект, денойзинг сигналів, глибинне навчання, автоенкодер, аналіз дефектів, обробка сигналів, пояснюваність рішень, автономна система.Анотація
Розглянуто підхід до створення інтелектуального веб-застосунку для обробки ультразвукових даних неруйнівного контролю з використанням компонентного фреймворку Angular та інтеграцією моделей глибинного навчання. Основна увага приділена реалізації архітектури, яка дозволяє здійснювати попередню обробку, візуалізацію та інтерпретацію A-сигналів у реальному часі з використанням REST API. Проведено огляд сучасних архітектур машинного навчання, зокрема згорткових автоенкодерів, згорткових та рекурентних нейронних мереж, трансформерних моделей і attention-механізмів. Проаналізовано їх ефективність у завданнях знешумлення сигналів, автоматичної локалізації дефектів, визначення часу проходження імпульсів (ToF) та підвищення достовірності діагностики. Визначено обмеження традиційних rule-based підходів, які не забезпечують достатню адаптивність до шумів, варіативності сигналів і умов контролю. На основі виявлених недоліків було запропоновано архітектуру системи, яка включає модульну взаємодію Angular-клієнта із серверною моделлю глибинного навчання, реалізованою на основі PyTorch і FastAPI. Розроблено компонент SignalDenoisingService, що забезпечує обробку вхідного сигналу, передачу його у вигляді тензора до моделі, обгорнутої в REST API, та зворотне виведення оброблених результатів у вигляді графіків. Навчання моделі автоенкодера виконано на синтетичному наборі з A-сигналами, змодельованими із зашумленими імпульсами, що імітують дефекти, з подальшим тестуванням точності відновлення. Запропоноване рішення демонструє високу стійкість до шумів, зростання SNR у 3–5 разів і можливість масштабування під нові типи вхідних сигналів без модифікації клієнтської частини. Особливу увагу приділено забезпеченню пояснюваності результатів (XAI), трасованості рішень, автоматичному виявленню аномалій та зворотному зв’язку при виявленні невизначеностей. Показано, що розроблена система може бути інтегрована з автономними роботизованими платформами збору даних для подальшої побудови інтелектуальних систем технічної діагностики. Отримані результати створюють підґрунтя для розвитку цифрових рішень у сфері індустріального контролю та технічного моніторингу на основі сучасних веб-технологій і штучного інтелекту.
Завантаження
Посилання
Sambath S., Nagaraj P., Selvakumar N. Automatic defect classification in ultrasonic NDT using artificial intelligence. Journal of Nondestructive Evaluation. 2011. Vol. 30. P. 20–28.
Shrifan N.H.M.M., Akbar M.F., Isa N.A.M. Prospect of using artificial intelligence for microwave nondestructive testing technique: A review. IEEE Access. 2019. Vol. 7. P. 110628–110650.
Angiulli G., Scarcella G., Morabito F.C., Versaci M. Advances in the integration of artificial intelligence and ultrasonic techniques for monitoring concrete structures: A comprehensive review. Journal of Composites Science. 2024. Vol. 8, No. 12. Article 531.
Taheri H., Salimi Beni A. Artificial Intelligence, Machine Learning, and Smart Technologies for Nondestructive Evaluation. Handbook of Nondestructive Evaluation 4.0. 2025. P. 1–29.
Yella S., Dougherty M.S., Gupta N.K. Artificial intelligence techniques for the automatic interpretation of data from non-destructive testing. Insight – Non-Destructive Testing and Condition Monitoring. 2006. Vol. 48, No. 1. P. 10–20.
Cantero-Chinchilla S., Wilcox P.D., Croxford A.J. Deep learning in automated ultrasonic NDE: developments, axioms and opportunities. arXiv preprint arXiv: 2112.06650. 2021. 22 р. DOI: 10.48550/arXiv.2112.06650
Posilović L., Medak D., Subašić M., Budimir M., Lončarić S. Generative adversarial network with object detector discriminator for enhanced defect detection on ultrasonic B-scans. arXiv preprint arXiv: 2106.04281. 2021. 10 р. DOI: 10.48550/arXiv.2106.04281
Nakajima M., Saitoh T., Kato T. A study on deep CNN structures for defect detection from laser ultrasonic visualization testing images. arXiv preprint arXiv: 2305.18327. 2023. 12 р. DOI: 10.48550/arXiv.2305.18327
Pérez E., Ardic C.E., Çakıroğlu O., et al. Integrating AI in NDE: Techniques, Trends, and Further Directions. arXiv preprint arXiv: 2404.03449. 2024. 35 с. DOI: 10.48550/arXiv.2404.03449
LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015. Vol. 521, No. 7553. P. 436–444.
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (NIPS). 2012. Vol. 25. P. 1097–1105.
Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations (ICLR). 2015. 13 p. [Electronic resource]. – Access mode: https://arxiv.org/abs/1409.1556
He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770–778.
Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 1–9.
Fawaz H. I., Forestier G., Weber J., Idoumghar L., Muller P. A. InceptionTime: Finding AlexNet for time series classification. Data Mining and Knowledge Discovery. 2020. Vol. 34, No. 6. P. 1936–1962.
Szegedy C., Ioffe S., Vanhoucke V., Alemi A. A. Inception-v4, Inception-ResNet and the impact of residual connections on learning. Proceedings of the AAAI Conference on Artificial Intelligence (AAAI). 2017. Vol. 31, No. 1. P. 4278–4284.
Huang G., Liu Z., Van Der Maaten L., Weinberger K. Q. Densely connected convolutional networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 4700–4708.
Tan M., Pang R., Le Q. V. EfficientDet: Scalable and efficient object detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 10781–10790.
Graves A. Supervised sequence labelling with recurrent neural networks. Springer, 2012. 143 p.
Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9,
No. 8. P. 1735–1780.
Munir M., Siddiqui S. A., Dengel A., Ahmed S. A deep learning approach for ultrasonic signal denoising and defect classification. Ultrasonics. 2020. Vol. 108. Article 106219. https://doi.org/10.1016/j.ultras.2020.106219
Gao R., Yang X., Hou C., Zhao Y., Liu Y. A hybrid denoising method for ultrasonic signals using image-based autoencoders. Ultrasonics. 2021. Vol. 115. Article 106439. https://doi.org/10.1016/j.ultras.2021.106439
Cantero-Chinchilla S., Belahcene F., Holmes C., Velichko A., Wilcox P. CNN-based estimation of overlapping echoes and time-of-flight in ultrasonic signals. NDT & E International. 2021. Vol. 121. Article 102435. https://doi.org/10.1016/j.ndteint.2020.102435
Cantero-Chinchilla S., Brignol L., Di Cataldo S., Holmes C., Wilcox P. Deep learning for structural artefact suppression in ultrasonic FMC data. Ultrasonics. 2021. Vol. 114. Article 106418. https://doi.org/10.1016/j.ultras.2021.106418
Brignol L., Cantero-Chinchilla S., Di Cataldo S., Wilcox P., Holmes C. Comparison of TFM-based and data-based artefact removal methods in ultrasonic imaging. NDT & E International. 2022.
Vol. 129. Article 102666. https://doi.org/10.1016/j.ndteint.2022.102666
Gao R., Liu Y., Yang X., Hou C., Li L., Zhao Y. An autonomous deep learning framework for ultrasonic logging signal enhancement and time-of-flight estimation. Ultrasonics. 2022. Vol. 121. Article 106733. doi.org/10.1016/j.ultras.2022.106733
Pan S. J., Yang Q. A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering. 2010. Vol. 22, No. 10. P. 1345–1359. https://doi.org/10.1109/TKDE.2009.191.
ML-NDT [Електронний ресурс] / iikka-v. GitHub, 2022. https://github.com/iikka-v/ML-NDT, вільний. Назва з екрана.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторські права....
1.png)
