Utilization of Supervised Learning for Automatic Detection of Damages in Materials from Non-Destructive Testing Based Ultrasound Data

Abstract

Ultrasonisk ikke-destruktiv testing (NDT) krever foreløpig høyt opplærte operatører for å analysere innsiden av materialer på korrekt måte. For å forenkle observasjonen av skader, presenterer vi materialer ved å anvende segmentering, og ved å legge varmekart over skadde områder i bilder hentet fra ultralyd data, basert på klassifiseringer fra et nevralt nettverk. Med en klassifiseringsnøyaktighet på 92.52% kan denne metoden i praksis assistere operatørene av ultralyd-basert NDT-utstyr med å gjennomføre skadeevalueringer. En høyere nøyaktighet vil kunne tillate å senke opplæringskravene for NDT-operatører, men dette vil kreve enten et vesentlig større datasett, eller videre forskning med avanserte kunstige nevrale nettverk.

Ultrasonic non-destructive testing (NDT) currently requires highly trained operators to properly analyze the internal state of materials. In order to simplify the observation of damages, we present materials by applying segmentation and heatmap overlaying techniques, based on neural network classifications, onto images generated from ultrasound data. With a classification accuracy of 92.52%, this method could feasibly assist operators of ultrasound equipment to make assessments. A higher accuracy would entertain the possibility of reducing the necessary proficiency of NDT operators, but this would require either a significantly larger dataset, or more research into advanced artificial neural networks.