JP2024000516A - 超音波探傷検査システムおよび超音波探傷検査方法 - Google Patents

超音波探傷検査システムおよび超音波探傷検査方法 Download PDF

Info

Publication number
JP2024000516A
JP2024000516A JP2023095580A JP2023095580A JP2024000516A JP 2024000516 A JP2024000516 A JP 2024000516A JP 2023095580 A JP2023095580 A JP 2023095580A JP 2023095580 A JP2023095580 A JP 2023095580A JP 2024000516 A JP2024000516 A JP 2024000516A
Authority
JP
Japan
Prior art keywords
defect
flaw detection
ultrasonic flaw
signal data
image data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2023095580A
Other languages
English (en)
Inventor
スン セオ、ジューン
June Sung Seo
ウー ヨー、ジュン
Jun Woo Yoo
ミン リー、ジュン
Jung Min Lee
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Doosan Enerbility Co Ltd
Original Assignee
Doosan Enerbility Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Doosan Enerbility Co Ltd filed Critical Doosan Enerbility Co Ltd
Publication of JP2024000516A publication Critical patent/JP2024000516A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0609—Display arrangements, e.g. colour displays
    • G01N29/0645—Display representation or displayed parameters, e.g. A-, B- or C-Scan
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/048—Marking the faulty objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
    • G01N29/265—Arrangements for orientation or scanning by relative movement of the head and the sensor by moving the sensor relative to a stationary material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/32—Arrangements for suppressing undesired influences, e.g. temperature or pressure variations, compensating for signal noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/34—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/40—Detecting the response signal, e.g. electronic circuits specially adapted therefor by amplitude filtering, e.g. by applying a threshold or by gain control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4463—Signal correction, e.g. distance amplitude correction [DAC], distance gain size [DGS], noise filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0231—Composite or layered materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2694—Wings or other aircraft parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

【課題】超音波探傷検査における結果の客観性を確保し、ヒューマンエラーを防止して検査エラーを最小限にできる検査方法を提供する。【解決手段】ディープラーニングまたはマシンラーニング技術を利用した超音波探傷検査システムおよび超音波探傷検査方法に関するもので、超音波探傷検査システムは、検査対象に超音波を送信し、前記検査対象から反射されてくる超音波信号を収集して信号データを生成する超音波探傷装置、前記信号データを前処理する信号データの前処理部、前処理された前記信号データに基づいて欠陥候補群を選別する欠陥候補群の選別部、前記欠陥候補群に含まれる信号データに基づいてイメージデータを生成するイメージデータ生成部、および前記イメージデータに基づいて前記欠陥候補群の欠陥の有無を最終的に判定する欠陥判断部を含むことができる。【選択図】図１

Description

本開示の多様な実施例は、ディープラーニングまたはマシンラーニング技術を利用した超音波探傷検査システムおよび超音波探傷検査方法に関する。
最近、新再生エネルギー分野の風力発電システムは先端新素材が適用され、未来の有望な巨大産業として脚光を浴びている。このような複合材料は応用範囲が広く、先導的技術革新を通じて他の産業への波及効果が非常に大きいだけでなく、技術的優位を確保することも難しい大型産業である。
特に、回転するブレードの自体重量は高価な発電設備の効率を大幅に左右する核心的な要素であるため、かつてはガラス繊維の複合体を主に使用したが、大型化の傾向によって、価格的には高いが、ガラス繊維に比べて重さが約４０％程度軽くて軽量化が可能な炭素繊維の複合体を使用して風力ブレードを製作している。
材料の軽量特性で発電機の容量を大型化できる踏み台になりうるし、これにより風力ブレードに関連する全体市場は今後１０年間で４～５倍成長することと展望している。
一方、複合材ブレードは、材料および製造工法によってデボンディング(debonding)、層間剥離(delamination)、亀裂(crack)など多様な内部損傷が発生する可能性があり、これは肉眼で判別しにくいため、損傷を探知する技術が必要である。
このような欠陥は、初期には構造的な影響を与えないほど小さなサイズであるが、反復荷重と衝撃荷重を受けながら亀裂などが伝播/進行され、時間が経つにつれてブレード構造の安全性にも影響を及ぼすほど大きくなり、結局、大きな事故につながることがありうる。したがって、初期の欠陥段階で検査し、マニュアルに従った修理をすれば、大きな事故を未然に防止でき、事故による経済的被害も減らすことができる。
ブレード構造の安全性の検査方法としては、超音波を使用して検査対象をスキャンし、獲得されたスキャンデータに基づいて検査者が検査対象の欠陥の有無を判断する超音波探傷検査方法が主に利用されているが、このような検査方法は、検査者の熟練度または主観的な意見によって検査結果が変わることがありうるため、検査結果に対する連続性と客観性の確保が難しい。
上述した問題を解消するためには、超音波探傷検査における結果の客観性を確保し、ヒューマンエラーを防止して検査エラーを最小限にできる検査方法が必要である。
本開示では、熟練した検査者によって欠陥と判定されたデータを利用して人工知能を学習させ、学習された人工知能を利用して検査対象の欠陥を客観的に判断できる超音波探傷検査システムおよび超音波探傷検査方法を提供する。
本開示で成し遂げようとする技術的課題は、以上で言及したことに限定されず、言及されていない他の技術的課題も、以下の記載から本開示が属する技術分野で通常の知識を有する者に明確に理解できるだろう。
本開示の多様な実施例によれば、超音波探傷検査システムは、検査対象に超音波を送信し、前記検査対象から反射されてくる超音波信号を収集して信号データを生成する超音波探傷装置、前記信号データを前処理する信号データの前処理部、前処理された前記信号データに基づいて欠陥候補群を選別する欠陥候補群の選別部、前記欠陥候補群に含まれる信号データに基づいてイメージデータを生成するイメージデータ生成部および前記イメージデータに基づいて欠陥候補群の欠陥の有無を最終的に判定する欠陥判断部とを含むことができる。
本開示の多様な実施例によれば、前記信号データの前処理部は、前記信号データからノイズを除去し、前記信号データから極点を抽出し、前記極点に基づいて前記信号データを一定の大きさの複数のクラスターに分割することができる。
本開示の多様な実施例によれば、前記欠陥候補群の選別部は、前記複数のクラスターのそれぞれを入力とするディープラーニングアルゴリズムに基づいて、各クラスターに属する信号データに欠陥が含まれているかどうかを判断し、欠陥が含まれていると判断されるクラスターを欠陥候補群として選別することができる。
本開示の多様な実施例によれば、前記ディープラーニングアルゴリズムは、ＶＡＥ(variational auto encoder)またはＲｅｓＮｅｔ（Residual neural network）でありうる。
本開示の多様な実施例によれば、前記イメージデータ生成部は、前記信号データに基づいて、前記検査対象に対するＢ－ＳｃａｎイメージデータおよびＣ－Ｓｃａｎイメージデータを生成することができる。
本開示の多様な実施例によれば、前記イメージデータ生成部は、前記欠陥候補群に含まれる信号データに基づいて、前記検査対象において前記欠陥候補群が含まれた領域に対するＢ－ＳｃａｎイメージデータおよびＣ－Ｓｃａｎイメージデータを生成することができる。
本開示の多様な実施例によれば、前記欠陥判断部は、前記イメージデータを入力とするディープラーニングアルゴリズムに基づいて、前記欠陥候補群のそれぞれに対して欠陥があるかどうかを判断できる。
本開示の多様な実施例によれば、前記ディープラーニングアルゴリズムは、ＹＯＬＯ（you only look once）アルゴリズムまたはFaster Ｒ－ＣＮＮアルゴリズムでありうる。
本開示の多様な実施例によれば、前記欠陥判断部は、前記欠陥候補群のそれぞれに対して欠陥の有無、および欠陥である場合、当該欠陥を囲むバウンディングボックス（bounding box）を出力することができる。
本開示の多様な実施例によれば、超音波探傷システムによる超音波探傷検査方法は、検査対象に超音波を送信し、前記検査対象から反射されてくる超音波信号を収集して信号データを生成する動作、前記信号データを前処理する動作、前処理された前記信号データに基づいて欠陥候補群を選別する動作、前記欠陥候補群に含まれる信号データに基づいてイメージデータを生成する動作およびイメージデータに基づいて前記欠陥候補群の欠陥の有無を最終的に判定する動作とを含むことができる。
本開示の実施例は、学習された人工知能を利用して超音波探傷検査を行うことによって、検査結果の客観性を確保でき、ヒューマンエラーを防止することができる。
本開示の実施例は、シグナルモデルとイメージモデルを一緒に適用したアンサンブルモデルを通じて、自動評価の時に欠陥抽出の性能を改善し、欠陥の分析結果に対する信頼性を改善することができる。
本開示により奏される効果は、以上で言及した効果に限定されず、言及していない他の効果も、以下の記載から本開示が属する技術分野で通常の知識を有する者に明確に理解できるだろう。
本開示の多様な実施例による超音波探傷検査システムを図示した図面である。 超音波探傷装置１０の探傷方法の一例を図示した図面である。 ＲｅｓＮｅｔの最も簡単な構造を示す一例である。 イメージデータ生成部で生成したイメージデータの例を図示した図面である。 イメージデータ生成部で生成したイメージデータの例を図示した図面である。 一つの実施例によるFaster Ｒ－ＣＮＮの構造を図示した図面である。 本開示の多様な実施例による超音波探傷検査システムを利用した超音波探傷検査方法を図示したフローチャートである。
本開示の利点および特徴、そしてそれらを達成する装置および方法は、添付される図面とともに、詳細に後述されている実施例を参照すれば明確になるだろう。しかし、本開示は以下で記載した実施例に限定されるものではなく、互いに異なる多様な形態で具現され、実施例は単に本開示が完全であるようにし、本開示が属する技術分野で通常の知識を有する者に開示の範疇を完全に知らせるために提供されるものであり、本開示は請求項の範疇によって定義されるだけである。また、明細書全体にわたって同一の参照符号は同一の構成要素を示す。
一つの構成要素が他の構成要素と「接続された（connected to）」または「カップリングされた（coupled to）」と記載されたものは、他の構成要素と直接接続される場合、またはカップリングされる場合、または途中で異なる構成要素を介在する場合のすべてを含む。反面、一つの構成要素が他の構成要素と「直接接続された（directly connected to）」、または「直接カップリングされた（directly coupled to）」と記載されたものは、途中で他の構成要素を介在していないことを示す。「および/または」は、言及されたアイテムのそれぞれ、および一つ以上のすべての組み合わせを含む。
本明細書で使用された用語は、実施例を説明するためのものであり、本開示を制限しようとするものではない。本明細書において、単数形は文言で特に言及しない限り複数形も含む。明細書で使用される「含む（comprises）」および/または「含んでいる（comprising）」は、言及された構成要素、段階、動作および/または素子において、一つ以上の異なる構成要素、段階、動作および/または素子の存在または追加を排除しない。
たとえ、「第１」、「第２」などが多様な構成要素を叙述するために使われるが、これらの構成要素はこれらの用語によって制限されないのはもちろんである。これらの用語は、ただ一つの構成要素を他の構成要素と区別するために使用するものである。
したがって、以下で言及される第１構成要素は、本開示の技術的思想の中で第２構成要素でありうることは言うまでもない。他の定義がなければ、本明細書で使用されるすべての用語（技術および科学的用語を含む。）は、本開示が属する技術分野において通常の知識を有する者に共通して理解できる意味で使用できる。また、一般的に使用される辞書に定義されている用語は、明らかにあるいは特別に定義されていない限り、理想的または過度に解釈されない。
実施例で使用される「部」あるいは「モジュール」という用語は、ソフトウエアまたはＦＰＧＡ、ＡＳＩＣのようなハードウエアの構成要素を意味し、「部」あるいは「モジュール」は何らかの役割を果たす。しかし、「部」あるいは「モジュール」は、ソフトウエアまたはハードウエアに限定される意味ではない。「部」あるいは「モジュール」は、アドレッシングの可能な保存媒体にあるように構成することもでき、一つまたはそれ以上のプロセッサを再生させるように構成することもできる。したがって、一つの例として、「部」あるいは「モジュール」には、ソフトウエアの構成要素、オブジェクト指向のソフトウエアの構成要素、クラスの構成要素およびタスクの構成要素などの構成要素と、プロセス、関数、属性、プロシージャ、サブルーチンおよびプログラムコードのセグメント、ドライバ、ファームウエア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレーおよび変数を含むことができる。構成要素と「部」あるいは「モジュール」で提供される機能は、より小さな数の構成要素および「部」あるいは「モジュール」に結合されたり、追加の構成要素と「部」あるいは「モジュール」にさらに分離されることができる。
本開示のいくつかの実施例に関して説明される方法またはアルゴリズムの段階は、プロセッサによって実行されるハードウエアモジュール、ソフトウエアモジュール、またはその二つの結合で具現することができる。ソフトウエアモジュールは、ＲＡＭメモリ、フラッシュメモリ、ＲＯＭメモリ、ＥＰＲＯＭメモリ、ＥＥＰＲＯＭメモリ、レジスタ、ハードディスク、着脱型ディスク、ＣＤ－ＲＯＭ、または当業界に知られている任意の他の形態の記憶媒体に常駐することもできる。例示的な記憶媒体はプロセッサにカップリングされ、そのプロセッサは記憶媒体から情報を判読でき、保存媒体に情報を貯蔵することができる。他の方法としては、記憶媒体はプロセッサと一体型であることもありうる。プロセッサおよび記憶媒体は、エーシック（ＡＳＩＣ）内に常駐することもできる。ＡＳＩＣはユーザーの端末機内に常駐することもできる。
図１は、本開示の多様な実施例による超音波探傷検査システムを図示した図面である。
図１を参照すると、本開示の様々な実施例による超音波探傷検査システム１００は、超音波探傷装置１０、信号データの前処理部２０、欠陥候補群の選別部３０、イメージデータ生成部４０および欠陥判断部５０を含むことができる。
超音波探傷装置１０は、探触子を通じて超音波信号を検査対象に送信し、返送される超音波信号を感知して信号データ（signal data）を生成することができる。生成された信号データは、信号データの前処理部２０および/またはイメージデータ生成部４０に伝達することができる。
一つの実施例によれば、超音波探傷装置１０は、縦波の超音波を使用することができ、持続時間の短い超音波パルスを繰り返し発生させて反射されて戻ってくるパルス信号を解析するパルス反射法を利用することができる。
図２は、超音波探傷装置１０の探傷方法の一例を図示した図面である。
図２に図示したように、超音波探傷装置１０は、探触子２１０を利用して既に設定された検査経路２２０にしたがって検査対象２００をスキャンすることができ、探触子２１０または別途の受信部で受信した検査対象２００から反射されてきた信号を感知して信号データを生成することができる。
ここで、信号データはＡ－Ｓｃａｎデータとも称することができ、信号データは検査対象から反射された超音波信号の大きさを時間に対して変化する超音波の振幅で表すことができ、これをグラフの平面に表示する場合、Ｘ軸は進行時間を表し、Ｙ軸は反射された超音波信号の振幅サイズを表す信号波形で表示されることができる。
本開示では、欠陥の存在を判断するためにディープラーニングアルゴリズムを適用することを提案し、ディープラーニングアルゴリズムを適用するためには互いに異なるデータを一定の入力データに加工しなければならないが、このような加工は信号データの前処理部２０で遂行できる。
信号データの前処理部２０は、優先的に超音波探傷装置１０から受信した信号データに含まれているノイズを除去することができる。信号データから欠陥候補群を選別するためには信号の極点抽出が重要であり、ノイズを除去する場合、明確かつ正確に極点を抽出できる。一つの実施例によれば、信号データの前処理部２０は、パイソンライブラリ（Python Library）の一つであるWavelet Denoisingを利用して信号データからノイズを除去することができる。Wavelet Denoisingは、ウェーブレット（Wavelet）を分解して汎用の臨界値を計算した後、臨界値の係数を使用して再構成する過程を通じてデータ内に存在するノイズを除去することができる。
信号データの前処理部２０は、信号データからノイズを除去した後、振幅が臨界値より高いピーク（peak）を検出し、検出された各ピーク間の最小距離のパラメータを調節して極点を自動的に抽出する、極点の抽出機能を遂行することができる。
一つの実施例によれば、検査対象の表面はコーティング（coating）されており、内部の端部がボンディング（bonding）になっている場合、当該部分は不連続部となっており、反射される信号が大きいことがありうる。すなわち、不連続部には極点が形成される場合があり、特に上述した不連続部は他の極点に比べてピーク値が高い値で現れることがありうる。そうすれば、信号データからコーティングによる不連続部とボンディングによる不連続部を探し、当該部分を開始地点と終了地点としたデータを生成するためにクラスタリングを進めることができる。そうすれば、一つのクラスターは、一つの地点において厚さ方向に検査対象の情報を含むことになりうる。
最後に、信号データの前処理部２０は、それぞれのクラスターが同じ大きさになるよう調整することができる。一つの実施例によれば、それぞれのクラスターが持つデータの個数は同一になるよう調整できる。
信号データの前処理部２０は、前処理された信号データを欠陥候補群の選別部３０に伝達することができる。
欠陥候補群の選別部３０は、超音波探傷装置１０から提供される信号データに基づいて、検査対象内に存在する欠陥候補群を選別することができる。ここで、欠陥候補群は、欠陥が存在する可能性のある検査対象内の位置または信号データを示すことでありうる。一つの実施例によれば、上述した信号データの前処理部２０によって信号データが複数のクラスターに分類される場合、欠陥候補群の選別部３０は各クラスターで欠陥が存在するかどうかを判断でき、欠陥候補群は欠陥が存在しうるクラスターの集合でありうる。
一つの実施例によれば、欠陥候補群の選別部３０は、信号データの前処理部２０で前処理された信号データを入力として使用する人工知能またはディープラーニングアルゴリズムに基づいて欠陥候補群を選別することができる。
欠陥候補群の選別部３０は、人工知能アルゴリズムとして、ＶＡＥ（variational auto encoder）または畳み込み神経網アルゴリズムであるＲｅｓＮｅｔ（Residual neural network）を使用することができる。
ＶＡＥは、非指導学習の異常探知アルゴリズムでありうる。ＶＡＥは、入力される信号データが持っている次元を縮小して確率分布を作り、作られた確率分布を通じてサンプリングを進めて再びデータを作り出す動作を遂行することができる。ＶＡＥは、伝達関数が共に学習されながらデータを伝達するため、多様でかつ似たような結果値を生成することが可能である。ここにスライディングウィンドウ（sliding window）の概念を適用すれば、時系列のデータ分析が可能になる。ここで、ウィンドウの大きさは、上述した一つのクラスターのサイズと同一でありうるし、一つの実施例においては５００に指定されうる。
一つの実施例によれば、ＶＡＥは非指導学習に基づいて学習を行うことができ、非指導学習は欠陥候補群があるかどうかを示す結果値を含んでおらず、実際の信号データだけで学習させる方法でありうる。
ＲｅｓＮｅｔは、ＶＧ－１９人工知能アルゴリズムに基づいて畳み込み層（convolutional layer）などを追加して、隠れたノードの数をより多く作りながら、すなわち神経網（neural network）をより深くしながら、ノードとノードとの間にショートカット（shortcut）３１０の連結を追加したネットワークでありうる。
図３は、ＲｅｓＮｅｔの最も簡単な構造を示した一例であり、深さが深いＲｅｓＮｅｔは、図３に示された構造を直列に連結し続けて具現することができる。
ＲｅｓＮｅｔ構造は、傾きの消失や過適合などの既存の人工知能ネットワークまたはディープラーニングネットワークが持っていた問題を解消し、層の深さを大きくするほど学習効率を増加させることができる。ＲｅｓＮｅｔは、出力値（H(x)）と入力値（x）との間の差である残差（F(x)）を学習するという意味で名付けられた神経網でありうるし、学習を通じて残差（F(x)）を０にしようとするものでありうる。
ＲｅｓＮｅｔは、指導学習に基づいて学習でき、指導学習は学習データと共に、学習データに含まれている欠陥候補群の情報も一緒に報知しながら神経網を学習させることでありうる。
再び、図１を参照すれば、欠陥候補群の選別部３０は、前処理された信号データを入力として、欠陥があると予想される信号データを示す欠陥候補群を選別してイメージデータ生成部４０に伝達することができる。他の実施例によれば、欠陥候補群の選別部３０は、欠陥があると選別された信号データ自体をイメージデータ生成部４０に伝達することができる。
イメージデータ生成部４０は、欠陥候補群の選別部３０から受信した欠陥候補群の信号データに基づいてイメージデータを生成することができる。イメージデータは、従来、超音波探傷で使用していたＢ－Ｓｃａｎおよび/またはＣ－Ｓｃａｎと称されていたイメージでありうるし、このようなイメージデータを生成する方法もまた、従来のＢ－Ｓｃａｎおよび/またはＣ－Ｓｃａｎを生成する方法を借用することができる。ただし、検査対象の全体に対してイメージデータを生成する必要はなく、欠陥候補群の選別部３０で欠陥があるものと選別された信号データと関連した部分に対してのみイメージデータを生成することで十分でありうる。
図４ａおよび図４ｂは、イメージデータ生成部４０で生成したイメージデータの例を図示した図面である。
図４ａを参照すれば、Ｂ－Ｓｃａｎ４１０のイメージは、検査対象の側面から見る一つの断面４１５のイメージでありうる。図４ａに図示されたＢ－Ｓｃａｎ４１０を参照すれば、検査対象の表面４１１と背面４１２において、媒質の変更によって反射波が大きく生成されうる。また、内部欠陥４１３がある部分で反射波が生成されることがあり、検査対象の表面４１１によって生成される最初の反射波と内部欠陥４１３から出る反射波との時間差によって欠陥の位置を感知し、感知した欠陥の位置を示してＢ－Ｓｃａｎ４１０のイメージを生成することができる。
図４ｂを参照すれば、Ｃ－Ｓｃａｎ４２０のイメージは、検査対象の上から見る一つの断面４２５のイメージでありうる。図４ｂに図示したＣ－Ｓｃａｎ４２０において、内部欠陥４１３の位置は、図２に図示した検査経路２２０による時間と、検査対象の表面４１１による反射波と、内部欠陥４１３による反射波との時間差に基づいて獲得することができる。Ｃ－Ｓｃａｎ４２０のイメージは、上面から見た場合、特定の断面に現れる欠陥の位置を図示することができる。
もう一度、図１を参照すれば、イメージデータ生成部４０で生成されたイメージは欠陥判断部５０に伝達することができる。
欠陥判断部５０は、イメージデータ生成部４０から提供されるイメージに基づいて、検査対象の欠陥候補群に欠陥があるかどうかを最終的に判断することができる。
一つの実施例によれば、欠陥判断部５０は、イメージデータ生成部４０から提供されるイメージデータを入力として使用する人工知能またはディープラーニングアルゴリズムに基づいて欠陥を最終的に判断することができる。
一つの実施例によれば、欠陥判断部５０は、人工知能アルゴリズムでイメージ内からオブジェクトを区別するのに有効なＹＯＬＯ（you only look once）アルゴリズムまたはFaster Ｒ－ＣＮＮアルゴリズムを使用することができる。
ＹＯＬＯアルゴリズムは、一つのイメージから特徴を抽出し、境界ボックスを作ることおよびクラスを分類することを同時に進めるため、迅速に欠陥を判断することができる。
Faster Ｒ－ＣＮＮは、イメージ内から特徴を抽出してオブジェクトを探知する第１段階と、探知されたオブジェクトの欠陥有無の確率およびオブジェクトに対するボックス座標を算出して最終的に欠陥の有無を判読する第２段階で構成された、二つの段階のオブジェクト探知アルゴリズムでありうる。
図５は、一つの実施例のよるFaster Ｒ－ＣＮＮの構造を図示した図面である。
一つの実施例によれば、Faster Ｒ－ＣＮＮの第１段階は、ＲｅｓＮｅｔ５１０に基づいて特徴を抽出し、オブジェクトを探知することができる。Faster Ｒ－ＣＮＮの第２段階は、ＲＰＮ（region proposal network）５２０とＲｏIプーリング（region of interest pooling）５３０とで具現されて算出されたオブジェクトの候補領域が、欠陥クラスまたはバックグラウンドノイズクラスに属する確率を決定し、臨界値に基づいて各オブジェクトクラスを決定すること、すなわち欠陥を判読することができる。
欠陥判断部５０は、探知と判読の過程を経た結果物として、バウンディングボックス（bounding box）を出力することができる。バウンディングボックスは、欠陥判断部５０に入力されたイメージに表示され、欠陥部位を画面に表示することができる。
欠陥判断部５０は、Faster Ｒ－ＣＮＮのようなディープラーニングアルゴリズムに基づいて欠陥を探知して判読し、このようなディープラーニングアルゴリズムの性能を改善するためには効果的な学習が必要になることがある。欠陥判断部５０で採用したディープラーニングアルゴリズムを学習させるために、欠陥と判定された信号データをイメージデータに変換し、変換されたイメージデータに欠陥部位に対する情報を含ませるために、データラベリング（data labeling、 annotation）を遂行することができる。すなわち、欠陥判断部５０で採用したディープラーニングアルゴリズムは、欠陥をオブジェクトとして含んでいるイメージデータに欠陥の位置に関する情報を含め、再加工したイメージデータを基にして学習する指導学習に基づいて学習を行うことができる。このような学習を通じて、欠陥判断部５０で採用したディープラーニングアルゴリズムの性能が改善されうる。
上述したように、本開示で提案する超音波探傷検査システム１００は、信号データに基づいて欠陥候補群を選別し、選別した欠陥候補群に対するイメージデータを基盤にして最終的に欠陥を判断する、この段階の動作を通じて検査対象に欠陥があるかどうかを判読できる。また、本開示で提案する超音波探傷検査システム１００は、人工知能に基づいて欠陥検出を試みることで性能の改善を獲得することができる。
図６は、本開示の多様な実施例による超音波探傷検査システムを利用した超音波探傷検査方法を図示したフローチャートである。
図６を参照すれば、本開示の様々な実施例による超音波探傷検査システムを利用した超音波探傷検査方法は、信号データを収集する動作Ｓ１０、収集した信号データを前処理する動作Ｓ２０、前処理された信号データに基づいて欠陥候補群を導出する動作Ｓ３０、導出された欠陥候補群に基づいてイメージデータを生成する動作Ｓ４０、およびイメージデータに基づいて欠陥を判定する動作Ｓ５０とを含むことができる。
本開示の多様な実施例によれば、動作Ｓ１０において、超音波探傷検査システム１００は、超音波探傷装置１０を利用して検査対象２００に超音波を照射し、検査対象２００から反射されてきた信号を感知して獲得することができる。一つの実施例によれば、超音波探傷装置１０は、持続時間の短い超音波パルスを繰り返し発生させて検査対象２００に照射し、検査対象２００から反射されて戻ってくるパルス信号を感知して信号データを獲得することができる。
動作Ｓ２０において、超音波探傷検査システム１００は、動作Ｓ１０で獲得した信号データを前処理することができる。前処理動作は、信号データに含まれているノイズを除去する動作、ノイズが除去された信号データから極点を抽出する動作、そして抽出した極点に基づいて信号データを複数のクラスターに分割する動作を含むことができる。この場合、複数のクラスターは、次の段階でディープラーニングアルゴリズムに入力されなければならない入力データとして互いに同じ大きさになるよう調整されうる。
動作Ｓ３０において、超音波探傷検査システム１００は、前処理された信号データに基づいて欠陥候補群を導出することができる。一つの実施例によれば、超音波探傷検査システム１００は、動作Ｓ２０で生成した複数のクラスターのそれぞれに対して欠陥が存在するかどうかを判断し、欠陥が存在すると判断されたクラスターは欠陥候補群に含めることができる。したがって、欠陥候補群は、欠陥が存在する可能性のあるクラスターの集合でありうる。
一つの実施例によれば、超音波探傷検査システム１００は、動作Ｓ２０で前処理された信号データを入力として使用する人工知能またはディープラーニングアルゴリズムに基づいて欠陥候補群を選別することができる。超音波探傷検査システム１００は、ＶＡＥ（variational auto encoder）または畳み込み神経網アルゴリズムであるＲｅｓＮｅｔ（Residual neural network）をディープラーニングアルゴリズムとして使用することができる。超音波探傷検査システム１００が使用できるディープラーニングアルゴリズムはこれに限定されるものではなく、他の既存のディープラーニングアルゴリズムを使用することも可能である。
超音波探傷検査システム１００における欠陥候補群の導出に使われるディープラーニングアルゴリズムは、実際に使用される前に学習を進行してディープラーニングアルゴリズムを最適化させることができ、この場合における学習は専門家によって欠陥があると指摘された信号データを利用して遂行できる。
超音波探傷検査システム１００は、動作Ｓ３０の結果、欠陥が含まれていると判断される欠陥候補群を導き出すことができる。ここで、欠陥候補群は欠陥が含まれていると予想されるクラスターの集合でありうる。
動作Ｓ４０において、超音波探傷検査システム１００は、動作Ｓ３０で獲得した欠陥候補群に基づいてイメージデータを生成することができる。イメージデータは、従来の超音波探傷で使用していたＢ－Ｓｃａｎおよび/またはＣ－Ｓｃａｎと称したイメージでありうるし、このようなイメージデータを生成する方法もまた、従来のＢ－Ｓｃａｎおよび/またはＣ－Ｓｃａｎを生成する方法を借用することができる。ただし、一つの実施例によれば、検査対象の全体に対してイメージデータを生成する必要はなく、動作Ｓ３０で欠陥があるものと選別された信号データと関連した部分に対してのみイメージデータを生成することで十分でありうる。
動作Ｓ５０において、超音波探傷検査システム１００は、生成されたイメージデータに基づいて欠陥を判定することができる。一つの実施例によれば、超音波探傷検査システム１００は、動作Ｓ４０で生成したイメージデータを入力として使用する人工知能またはディープラーニングアルゴリズムに基づいて欠陥を最終的に判断することができる。
一つの実施例によれば、超音波探傷検査システム１００は、ディープラーニングアルゴリズムでイメージ内からオブジェクトを区別するのに有効な、ＹＯＬＯ（you only look once）アルゴリズムまたはFaster Ｒ－ＣＮＮアルゴリズムを使用することができる。
超音波探傷検査システム１００は、動作Ｓ５０の結果として導出されたオブジェクトとオブジェクトクラスが欠陥であるかどうか、それともバックグラウンドノイズであるかどうかを示す情報、およびバウンディングボックス（bounding box）を提供することができる。オブジェクトクラスが欠陥であると判断した場合、バウンディングボックスはそのオブジェクトを囲む長方形のボックスを意味することができる。
本開示は、図面で図示された実施例を参考に説明されたが、これは例示的なものに過ぎず、本技術分野の通常の知識を有する者であれば、これから多様な変形および均等な他の実施例が可能であるという点を理解するだろう。したがって、本開示の真の技術的保護範囲は、特許請求の範囲の技術的思想によって定められなければならない。
１００：超音波探傷検査システム
１０：超音波探傷装置
２０：信号データの前処理部
３０：欠陥候補群の選別部
４０：イメージデータ生成部
５０：欠陥判断部

Claims (18)

  1. 検査対象に超音波を送信し、前記検査対象から反射されてくる超音波信号を収集して信号データを生成する超音波探傷装置；
    前記信号データを前処理する信号データの前処理部；
    前処理された前記信号データに基づいて欠陥候補群を選別する欠陥候補群の選別部；
    前記欠陥候補群に含まれる信号データに基づいてイメージデータを生成するイメージデータ生成部；および
    前記イメージデータに基づいて前記欠陥候補群の欠陥の有無を最終的に判定する欠陥判断部を含む、
    超音波探傷検査システム。
  2. 前記信号データの前処理部は、
    前記信号データからノイズを除去し、
    前記信号データから極点を抽出し、
    前記極点に基づいて前記信号データを一定の大きさの複数のクラスターに分割する、
    請求項１に記載の超音波探傷検査システム。
  3. 前記欠陥候補群の選別部は、
    前記複数のクラスターのそれぞれを入力とするディープラーニングアルゴリズムに基づいて、各クラスターに属する信号データに欠陥が含まれているかどうかを判断し、
    欠陥が含まれていると判断されるクラスターを欠陥候補群として選別する、
    請求項２に記載の超音波探傷検査システム。
  4. 前記ディープラーニングアルゴリズムは、
    ＶＡＥ（variational auto encoder）またはＲｅｓＮｅｔ（Residual neural network）である、
    請求項３に記載の超音波探傷検査システム。
  5. 前記イメージデータ生成部は、
    前記信号データに基づいて、前記検査対象に対するＢ－ＳｃａｎのイメージデータおよびＣ－Ｓｃａｎのイメージデータを生成する、
    請求項１に記載の超音波探傷検査システム。
  6. 前記イメージデータ生成部は、
    前記欠陥候補群に含まれる信号データに基づいて、前記検査対象から前記欠陥候補群が含まれた領域に対するＢ－ＳｃａｎのイメージデータおよびＣ－Ｓｃａｎのイメージデータを生成する、
    請求項５に記載の超音波探傷検査システム。
  7. 前記欠陥判断部は、
    前記イメージデータを入力とするディープラーニングアルゴリズムに基づき、前記欠陥候補群のそれぞれに対して欠陥があるかどうかを判断する、
    請求項１に記載の超音波探傷検査システム。
  8. 前記ディープラーニングアルゴリズムは、
    ＹＯＬＯ（you only look once）アルゴリズムまたはFaster Ｒ－ＣＮＮアルゴリズムである、
    請求項７に記載の超音波探傷検査システム。
  9. 前記欠陥判断部は、
    前記欠陥候補群のそれぞれに対して欠陥があるかどうか、および欠陥がある場合には当該欠陥を囲むバウンディングボックス（bounding box）を出力する、
    請求項７に記載の超音波探傷検査システム。
  10. 超音波探傷システムによる超音波探傷検査方法において、
    検査対象に超音波を送信し、前記検査対象から反射されてくる超音波信号を収集して信号データを生成する動作；
    前記信号データを前処理する動作；
    前処理された前記信号データに基づいて欠陥候補群を選別する動作；および
    前記欠陥候補群に含まれる信号データに基づいてイメージデータを生成する動作；および
    前記イメージデータに基づいて前記欠陥候補群の欠陥の有無を最終的に判定する動作を含む、
    超音波探傷検査方法。
  11. 前記信号データを前処理する動作は、
    前記信号データからノイズを除去する動作；
    前記信号データから極点を抽出する動作；および
    前記極点に基づいて前記信号データを一定の大きさの複数のクラスターに分割する動作を含む、
    請求項１０に記載の超音波探傷検査方法。
  12. 前記前処理された前記信号データに基づいて欠陥候補群を選別する動作は、
    前記複数のクラスターのそれぞれを入力とするディープラーニングアルゴリズムに基づいて、各クラスターに属する信号データに欠陥が含まれているかどうかを判断する動作を含む、
    請求項１１に記載の超音波探傷検査方法。
  13. 前記ディープラーニングアルゴリズムは、
    ＶＡＥ（variational auto encoder）またはＲｅｓＮｅｔ（Residual neural network）である、
    請求項１２に記載の超音波探傷検査方法。
  14. 前記イメージデータを生成する動作は、
    前記信号データに基づいて、前記検査対象に対するＢ－ＳｃａｎのイメージデータおよびＣ－Ｓｃａｎのイメージデータを生成する動作を含む、
    請求項１０に記載の超音波探傷検査方法。
  15. 前記イメージデータを生成する動作は、
    前記欠陥候補群に含まれる信号データに基づいて、前記検査対象から前記欠陥候補群が含まれた領域に対するＢ－ＳｃａｎのイメージデータおよびＣ－Ｓｃａｎのイメージデータを生成する動作を含む、
    請求項１４に記載の超音波探傷検査方法。
  16. 前記イメージデータに基づいて、前記欠陥候補群の欠陥の有無を最終的に判定する動作は、
    前記イメージデータを入力とするディープラーニングアルゴリズムに基づいて、前記欠陥候補群のそれぞれに対して欠陥があるかどうかを判断する動作を含む、
    請求項１０に記載の超音波探傷検査方法。
  17. 前記ディープラーニングアルゴリズムは、
    ＹＯＬＯ（you only look once）アルゴリズムまたはFaster Ｒ－ＣＮＮアルゴリズムである、
    請求項１６に記載の超音波探傷検査方法。
  18. 前記イメージデータに基づいて、前記欠陥候補群の欠陥の有無を最終的に判定する動作は、
    前記欠陥候補群のそれぞれに対して欠陥があるかどうか、および欠陥がある場合には当該欠陥を囲むバウンディングボックス（bounding box）を出力する動作を含む、
    請求項１６に記載の超音波探傷検査方法。
JP2023095580A 2022-06-20 2023-06-09 超音波探傷検査システムおよび超音波探傷検査方法 Pending JP2024000516A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220075107A KR20230174066A (ko) 2022-06-20 2022-06-20 초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법
KR10-2022-0075107 2022-06-20

Publications (1)

Publication Number Publication Date
JP2024000516A true JP2024000516A (ja) 2024-01-05

Family

ID=86899430

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023095580A Pending JP2024000516A (ja) 2022-06-20 2023-06-09 超音波探傷検査システムおよび超音波探傷検査方法

Country Status (5)

Country Link
US (1) US20230408451A1 (ja)
EP (1) EP4296662A1 (ja)
JP (1) JP2024000516A (ja)
KR (1) KR20230174066A (ja)
CN (1) CN117269318A (ja)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4690934B2 (ja) * 2006-04-28 2011-06-01 三菱重工業株式会社 超音波探傷データ処理装置、方法及びプログラム
CN110537203A (zh) * 2017-03-27 2019-12-03 三菱重工业株式会社 飞机用部件的缺陷检测系统及飞机用部件的缺陷检测方法
EP3396370B1 (en) * 2017-04-28 2021-11-17 Fujitsu Limited Detecting portions of interest in images
US20220018811A1 (en) * 2020-07-14 2022-01-20 Saudi Arabian Oil Company Machine learning method for the denoising of ultrasound scans of composite slabs and pipes

Also Published As

Publication number Publication date
KR20230174066A (ko) 2023-12-27
US20230408451A1 (en) 2023-12-21
EP4296662A1 (en) 2023-12-27
CN117269318A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN112232400B (zh) 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
Medak et al. Automated defect detection from ultrasonic images using deep learning
Merazi Meksen et al. Automatic crack detection and characterization during ultrasonic inspection
Aldrin et al. Demonstration of using signal feature extraction and deep learning neural networks with ultrasonic data for detecting challenging discontinuities in composite panels
Provencal et al. Identification of weld geometry from ultrasound scan data using deep learning
Chen et al. Automatic recognition of weld defects in TOFD D-scan images based on faster R-CNN
Lawson et al. Automatic detection of defects in industrial ultrasound images using a neural network
US10896509B2 (en) Processing digital image to remove unwanted portion
Patil et al. An autonomous technique for multi class weld imperfections detection and classification by support vector machine
JP2024000516A (ja) 超音波探傷検査システムおよび超音波探傷検査方法
Rahman et al. Viola-Jones Algorithm for Automatic Detection of Hyperbolic Regions in GPR Profiles of Bridge Decks
Xu et al. Wood broken defect detection with laser profilometer based on Bi-LSTM network
Sutcliffe et al. Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks
CN110988140B (zh) 一种正交异性钢桥面板疲劳裂纹智能识别方法
Medak et al. Detection of defective bolts from rotational ultrasonic scans using convolutional neural networks
Chiraz et al. Automatic detection of weld defects based on hough transform
Amini et al. A machine learning based model for monitoring of composites’ drilling-induced defects during assembly production using terahertz imaging data
Jiang et al. Semi-Supervised Framework for Rail Track Surface Damage Detection: Rail track surface damage detected by RTDS-Net
de Moura et al. Welding defect pattern recognition in TOFD signals Part 2. Non-linear classifiers
WO2022209169A1 (ja) 情報処理装置、判定方法、および判定プログラム
Medak et al. Rapid defect detection by merging ultrasound B-scans from different scanning angles
迟大钊 et al. Defect detection method based on 2D entropy image segmentation
Rathod et al. A comparative evaluation of different segmentation techniques to detect flaws in weldments radiographically
CN116519808A (zh) 钢轨伤损超声定位识别方法及计算机可读取存储介质
CN116735723A (zh) 一种钢轨伤损超声定位识别系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230609

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240416

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240610