KR102465045B1 - 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법 - Google Patents

인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법 Download PDF

Info

Publication number
KR102465045B1
KR102465045B1 KR1020210122368A KR20210122368A KR102465045B1 KR 102465045 B1 KR102465045 B1 KR 102465045B1 KR 1020210122368 A KR1020210122368 A KR 1020210122368A KR 20210122368 A KR20210122368 A KR 20210122368A KR 102465045 B1 KR102465045 B1 KR 102465045B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
intelligence model
inspection
nodes
destructive
Prior art date
Application number
KR1020210122368A
Other languages
English (en)
Other versions
KR102465045B9 (ko
Inventor
박상기
Original Assignee
주식회사 파워인스
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 주식회사 파워인스 filed Critical 주식회사 파워인스
Priority to KR1020210122368A priority Critical patent/KR102465045B1/ko
Application granted granted Critical
Publication of KR102465045B1 publication Critical patent/KR102465045B1/ko
Publication of KR102465045B9 publication Critical patent/KR102465045B9/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

인공지능 모델을 이용한 비파괴 검사 시스템 및 비파괴 검사 방법이 개시된다. 본 발명의 일 실시예에 따른 검사 대상물의 결함을 판단하기 위한 인공지능 모델을 이용한 비파괴 검사 시스템은, 상기 검사 대상물의 검사신호 이미지 데이터를 입력받는 이미지 입력부, 상기 검사신호 이미지 데이터에서, 상기 검사 대상물의 결함을 판단하기 위한 하나 이상의 특징부를 추출하고, 상기 특징부 각각을 노드(Node)로 변환하여 노드 관계 정보를 생성하는 제1 인공지능 모델부 및 상기 노드 관계 정보를 기초로 학습하여, 상기 검사 대상물의 결함을 판단하는 제2 인공지능 모델부를 포함한다.

Description

인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법{NON-DESTRUCTIVE INSPECTION SYSTEM AND METHOD BASED ON ARTIFICIAL INTELLIGENCE MDOEL FOR TURBINE BLADES}
본 발명은 인공지능 모델을 이용한 비파괴 검사 시스템 및 비파괴 검사 방법에 관한 것이다. 더 자세하게는, 복수의 인공지능 모델을 이용하여, 입력받은 검사 대상물의 검사신호 이미지 데이터에서 상기 검사 대상물의 결함을 판단하기 위한 특징부를 추출하고, 추출한 상기 특징부에 대한 노드 관계 정보를 생성하여 상기 검사 대상물의 결함을 판단하는 인공지능 모델을 이용한 비파괴 검사 시스템 및 비파괴 검사 방법에 관한 것이다.
비파괴검사는 초음파, 전자기, 방사선, 와전류 등 물리적 특성을 이용하여 설비와 같은 검사 대상물에 존재하는 결함을 검출하는 검사로서, 액체 침투 검사(Liquid Penetrant Examination), 자분 탐상 검사(Magnetic Particle Testing), 방사선 투과 검사(Radiographic Testing), 초음파검사(Ultrasonic Testing), 와전류 검사(Eddy Current Testing) 등이 있다.
다만, 비파괴검사는 검사자가 직접 검사신호를 취득하여, 취득한 신호를 검사자가 직접 평가하여 검사 대상물의 결함을 판단하므로 검사자의 자격, 경험, 교육 수준 등의 검사자 개인의 능력 차이에 따라 검사 결과에 차이가 빈번하게 발생한다.
특히 초음파검사와 와전류검사는 신호 평가가 까다로워 검사자에 따라서 검사결과의 차이가 발생할 수 있어 검사 신뢰도 문제가 발생할 수 있다
KR 2020-0033822 A (2020. 03. 30.)
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 인적 요소로 발생할 수 있는 검사 결과의 상이함을 줄이고, 검사 대상물의 결함 검출 품질을 향상시킬 수 있는 인공지능 모델을 이용한 비파괴검사 시스템 및 비파괴 검사 방법을 제공하고자 한다.
본 발명에서는 초음파검사와 와전류검사 등에서 취득된 영상 신호 평가를 이용한 비파괴 검사 분야에서 범용적으로 활용할 수 있는 인공지능 모델을 이용한 비파괴검사 시스템 및 비파괴검사 방법을 제공하고자 한다.
본 발명의 해결 과제들은 이상에서 언급한 내용으로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 검사 대상물의 결함을 판단하기 위한 인공지능 모델을 이용한 비파괴 검사 시스템은, 상기 검사 대상물의 검사신호 이미지 데이터를 입력받는 이미지 입력부; 상기 검사신호 이미지 데이터에서, 상기 검사 대상물의 결함을 판단하기 위한 하나 이상의 특징부를 추출하는 제1 인공지능 모델부; 및 상기 특징부 각각을 노드(Node)로 변환하여 노드 관계 정보를 생성하고, 상기 노드 관계 정보를 기초로 학습하여, 상기 검사 대상물의 결함을 판단하는 제2 인공지능 모델부;를 포함할 수 있다.
또한, 상기 특징부는, 상기 검사신호 이미지 데이터에서 검사신호의 출력 강도에 기초하여 결정될 수 있다.
또한, 상기 제1 인공지능 모델부는, 상기 특징부가 강조되도록 상기 검사신호 이미지 데이터의 밝기를 조절할 수 있다.
또한, 상기 노드는, 상기 특징부를 포함하는 사각형 영역이 추출되어 생성될 수 있다.
또한, 상기 제2 인공지능 모델부는, 상기 노드의 형태를 정사각 형태로 리스케일링(Re-scaling)할 수 있다.
또한, 상기 제1 인공지능 모델부는, 복수의 콘볼루션 레이어(Convolution Layer)가 결합된 심층 신경망(DNN; Deep Neural Network)를 이용하여 상기 특징부를 강조할 수 있다.
또한, 상기 노드 관계 정보는, 상기 노드의 개수와 상기 노드 간의 상대 위치 정보 중 하나 이상을 포함할 수 있다.
또한, 상기 제2 인공지능 모델부는, 상기 노드 관계 정보의 상기 노드의 개수를 기초로 상기 대상물의 결함을 판단할 수 있다.
또한, 상기 제2 인공지능 모델부는, 상기 노드 관계 정보의 상기 노드 간의 상대 위치 정보를 기초로 상기 대상물의 결함을 판단할 수 있다.
또한, 상기 제2 인공지능 모델부는, 상기 노드 간의 거리를 산출하고, 산출된 상기 노드 간의 거리 중 가장 큰 값이 미리 정해진 값을 초과하면 상기 검사 대상물에 결함이 존재하는 것으로 판단할 수 있다.
본 발명의 일 실시예에 따른 검사 대상물의 결함을 판단하기 위한 인공지능 모델을 이용한 비파괴 검사 방법은, 상기 검사 대상물의 검사신호 이미지 데이터를 입력받는 이미지 입력 단계; 상기 검사신호 이미지 데이터에서, 상기 검사 대상물의 결함을 판단하기 위한 하나 이상의 특징부를 추출하는 제1 인공지능 모델 분석 단계; 및 상기 특징부 각각을 노드(Node)로 변환하여 노드 관계 정보를 생성하고, 상기 노드 관계 정보를 기초로 학습하여, 상기 검사 대상물의 결함을 판단하는 제2 인공지능 모델 분석 단계;를 포함할 수 있다.
또한, 상기 특징부는, 상기 검사신호 이미지 데이터에서 검사신호의 출력 강도에 기초하여 결정될 수 있다.
또한, 상기 제1 인공지능 모델 분석 단계는, 상기 특징부가 강조되도록 상기 검사신호 이미지 데이터의 밝기를 조절할 수 있다.
또한, 상기 노드는, 상기 특징부를 포함하는 사각형 영역이 추출되어 생성될 수 있다.
또한, 상기 제2 인공지능 모델 분석 단계는, 상기 노드의 형태를 정사각 형태로 리스케일링(Re-scaling)할 수 있다.
또한, 상기 제1 인공지능 모델 분석 단계는, 복수의 콘볼루션 레이어(Convolution Layer)가 결합된 심층 신경망(DNN; Deep Neural Network)를 이용하여 상기 특징부를 강조할 수 있다.
또한, 상기 노드 관계 정보는, 상기 노드의 개수와 상기 노드 간의 상대 위치 정보 중 하나 이상을 포함할 수 있다.
또한, 상기 제2 인공지능 모델 분석 단계는, 상기 노드 관계 정보의 상기 노드의 개수를 기초로 상기 대상물의 결함을 판단할 수 있다.
또한, 상기 제2 인공지능 모델 분석 단계는, 상기 노드 관계 정보의 상기 노드 간의 상대 위치 정보를 기초로 상기 대상물의 결함을 판단할 수 있다.
또한, 상기 제2 인공지능 모델 분석 단계는, 상기 노드 간의 거리를 산출하고, 산출된 상기 노드 간의 거리 중 가장 큰 값이 미리 정해진 값을 초과하면 상기 검사 대상물에 결함이 존재하는 것으로 판단할 수 있다.
본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템 및 비파괴 검사 방법은, 인적 요소로 발생할 수 있는 검사 결과의 상이함을 줄이고, 검사 대상물의 결함 검출 품질을 향상시킬 수 있다.
또한, 영상 신호 형태로 취득하는 모든 비파괴검사에서 범용적으로 활용할 수 있다.
본 발명의 효과들은 이상에서 언급한 내용으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1(a)은 본 발명의 일 실시예에 따른 결함이 없는 검사 대상물의 검사신호 이미지 데이터이고, 도 1(b)은 본 발명의 일 실시예에 따른 결함이 있는 검사 대상물의 검사신호 이미지 데이터를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템의 처리 과정을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템의 제1 인공지능 모델을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 대상 검사물의 결함에 대한 제2 인공지능 모델부의 판단 흐름을 나타낸 도면이다.
도 6은 종래의 동일 검사 대상물에 대한 서로 다른 검사신호 이미지 데이터를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 방법의 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예가 상세하게 설명된다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명의 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략되었다.
본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 기술되고, 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.
또한, 이하의 실시예들은 당 업계에서 평균적인 지식을 가진 자에게 보다 명확하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 바람직한 실시예에 대하여 설명한다.
도 1(a)은 본 발명의 일 실시예에 따른 결함이 없는 검사 대상물의 검사신호 이미지 데이터이고, 도 1(b)은 본 발명의 일 실시예에 따른 결함이 있는 검사 대상물의 검사신호 이미지 데이터를 나타낸 도면이다. 도 2는 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템의 블록도이며, 도 3은 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템의 처리 과정을 나타낸 도면이다.
도 1 내지 도 3을 참조하면, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템(100)은 검사 대상물(1)에 대해 비파괴 검사를 수행하는 비파괴 검사 장치(101)가 생성한 검사신호 이미지 데이터(11, 12)를 분석하여 검사 대상물(1)의 결함을 판단하기 위한 검사 시스템으로서, 이미지 입력부(110), 제1 인공지능 모델부(120) 및 제2 인공지능 모델부(130)를 포함할 수 있다.
여기서, 비파괴 검사 장치(101)는 액체 침투 검사(Liquid Penetrant Examination), 자분 탐상 검사(Magnetic Particle Testing), 방사선 투과 검사(Radiographic Testing), 초음파 탐상 검사(Ultrasonic Testing), 와전류 검사(Eddy Current Testing)를 수행하는 장치를 포함할 수 있다.
본 실시예에서, 비파괴 검사 장치(101)는 초음파 탐상 검사 장치로 기술되나, 이에 한정되는 것은 아니며 비파괴 검사를 수행하는 장치면 가능하다.
또한, 비파괴 검사 장치(101)은 비파괴 검사 시스템(100)에 포함될 수 있다.
검사자가 비파괴 검사 장치(101)를 통해 검사 대상물(1)에 대해 비파괴 검사를 수행하면, 비파괴 검사 장치(101)는, 도 1에 도시된 것과 같이, 검사신호 이미지 데이터(11, 12)를 생성할 수 있다.
예컨대, 발전소에서 사용되는 터빈(Turbine)의 블레이드(Blade)의 루트부는 디스크와 연결되므로 응력이 집중되어 피로강도가 증가하게 되고 이로 인해 응력부식이 발생하여 미세한 균열이 발생될 수 있다. 검사자는 비파괴 검사 장치(101)를 이용하여 터빈 블레이드 루트부(검사 대상물)에 대해 비파괴 검사를 수행할 수 있다. 이때, 비파괴 검사 장치(101)는, 터빈 블레이드 루트부에 균열이 없으면 도 1(a)와 같은 검사신호 이미지 데이터(11)가 생성할 수 있고 블레이드 루트부에 균일이 있으면 도 1(b)와 같은 검사신호 이미지 데이터(12)를 생성할 수 있다.
종래에는 검사자가 비파괴 검사 장치(101)가 생성한 검사신호 이미지 데이터인 도 1(a) 또는 도 1(b)을 직접 눈으로 확인하여 터빈 블레이드의 결함여부를 판단하곤 했다. 그러나 검사자의 자격, 경험, 교육 수준 등의 검사자 개인의 능력에 따라 검사 결과가 상이하여 검사 결과 품질이 균일하지 않은 문제가 있었다.
본 발명의 인공지능 모델을 이용한 비파괴 검사 시스템(100)은 이를 방지하기 위한 것으로서, 비파괴 검사 장치(101)가 생성한 검사신호 이미지 데이터(11, 12)를 입력하고, 입력된 검사신호 이미지 데이터(11, 12)를 인공지능 모델을 이용해 분석함으로써 터빈 블레이드와 같은 검사 대상물(1)의 결함을 판단할 수 있다.
여기서, 검사 대상물(1)은 비파괴 검사를 수행할 수 있는 검사물이면 모두 가능하다.
본 발명의 일 실시예에 따른 이미지 입력부(110)는 검사 대상물(1)의 검사신호 이미지 데이터(11, 12)를 입력받기 위해 마련된 것으로서, 입력된 검사신호 이미지 데이터(11, 12)는 제1 인공지능 모델부(120)로 전달될 수 있다.
또한, 이미지 입력부(110)는 검사자의 확인이 용이하도록 이미지 사이즈를 조절하도록, 입력받은 이미지 데이터(11, 12) 형태를 정사각 형태로 리스케일링 (Re-scaling)할 수 있다.
제1 인공지능 모델부(120)는 검사신호 이미지 데이터(11, 12)에서 특징부(31, 32, 33)를 추출하기 위해 마련된 것이다.
여기서, 특징부(31, 32, 33)는 비파괴 검사 장치(101)가 생성하는 검사신호 이미지 데이터(11, 12)에서 결함 검출 판단에 필수적인 영역으로서, 타 영역에 비해 상대적으로 검사신호의 출력 강도가 높은 부분일 수 있다. 도 3에 도시된 것과 같이, 검사신호 이미지 데이터(11, 12)는 검사신호의 출력 강도에 따라 서로 다른 색상으로 나타날 수 있으며, 특징부(31, 32, 33)는 검사신호의 출력이 약한 영역(30)과 대비되는 색상으로 나타날 수 있다.
제2 인공지능 모델부(130)는 특징부(31, 32, 33) 각각을 노드(41, 42, 43)로 변환하여 노드 관계 정보(40)를 생성하고, 생성한 노드 관계 정보(40)를 기초로 하여 검사 대상물(1)의 결함 여부를 판단하기 위해 마련된 것으로서, 노드 관계 정보(40)로 학습되어 검사 대상물(1)의 결함 여부를 판단할 수 있다.
제2 인공지능 모델부(130)는 추출한 특징부(31, 32, 33) 각각을 포함하는 노드(41, 42, 43)를 생성하고, 생성된 노드(41, 42, 43)의 상대 위치 정보를 이용하여 노드 관계 정보(40)를 생성할 수 있다. 여기서, 노드 관계 정보(40)는 각 노드(41, 42, 43)의 상대 위치와, 각 노드 간의 거리를 포함하는 관계 정보일 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템의 제1 인공지능 모델을 나타낸 도면이고, 도 5는 본 발명의 일 실시예에 따른 검사 대상물의 결함에 대한 제2 인공지능 모델부의 판단 흐름을 나타낸 도면이다.
도 2 내지 도 5를 참조하면, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 시스템(100)의 제1 인공지능 모델부(120)는 복수의 콘볼루션 레이어(Convolution Layer)가 결합된 심층 신경망(DNN; Deep Neural Network)으로 학습된 모델일 수 있다.
제1 인공지능 모델부(120)는 결함을 판단하기 위한 검사신호 이미지 데이터(12)가 입력되면, 상기 심층 신경망을 이용하여, 특징부(31, 32, 33)가 타 영역(30) 대비 더 강하게 대비되도록 검사신호 이미지 데이터(12)의 밝기를 조절할 수 있다. 특징부(31, 32, 33)가 타 영역(30)에 비해 더 강하게 대비되므로 특징부(31, 32, 33)의 추출 정확도가 더 향상될 수 있다.
본 실시예에서 검사신호 이미지 데이터(12)의 밝기를 제1 인공지능 모델부(120)가 수행하는 것으로 예를 들어 설명하였지만, 이와 달리 이미지 입력부(110)에서 입력된 이미지 데이터(12)의 밝기를 조절하고, 제1 인공지능 모델부(120)는 특징부(31, 32, 33)를 추출하는 기능을 수행할 수도 있다.
제1 인공지능 모델부(120)는 상기 심층 신경망을 이용하여 전체의 검사신호 이미지 데이터(12) 중 검사 대상물의 결함 검출에 필요한 특징부(31, 32, 33)를 추출할 수 있다. 비파괴 검사 시스템(100)은 제1 인공지능 모델부(120)가 결함 검출에 유의미한 영역을 추출함으로써 처리 효율이 향상될 수 있다.
제2 인공지능 모델부(130)는 제1 인공지능 모델부(120)가 조절하고 추출한 특징부(31, 32, 33) 이미지 데이터를 이용하여, 특징부(31, 32, 33)가 포함되도록 일부 영역에 대해 사각형 영역으로 추출하고 추출한 영역을 노드(41, 42, 43)로 변환할 수 있다. 이후, 제2 인공지능 모델부(130)는 노드(41, 42, 43)의 형태가 정사각형이 아닌 경우, 노드(41, 42, 43)를 정사각 형태로 리스케일링(Re-scaling)을 수행하고, 노드 관계 정보(40)를 생성할 수 있다. 제2 인공지능 모델부(130)는 노드(41, 42, 43)를 정사각 형태로 리스케일링함으로써 노드 관계 형태가 규격화 또는 표준화할 수 있고, 이는 결함 검출 정확도를 향상시킬 수 있다.
이때, 제2 인공지능 모델부(130)는 각 노드(41, 42, 43)에 대한 상대 위치 정보를 검출할 수 있다. 예컨대, 어느 하나의 노드(42)의 모서리 중 서로 대척되는 모서리(42-1, 42-2)의 위치 정보를 검출하여, 노드(41, 42, 43) 각각의 위치를 파악하고, 각 노드(41, 42, 43) 간의 상대 위치 관계를 산출할 수 있다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 제2 인공지능 모델부(130)는 서로 다른 복수의 노드 관계 정보를 기초로 학습되어 판단할 새로운 노드 관계 정보를 입력하여 검사 대상물의 결함 여부를 판단할 수 있다. 제2 인공지능 모델부(130)는 결함 판단을 위해 제1 알고리즘과 제2 알고리즘을 이용할 수 있다.
여기서, 상기 제1 알고리즘은 노드 관계 정보(50, 60)에서 직관적인 정보를 이용하여 대상 검사물의 결함을 판단하는 알고리즘이다. 상기 직관적 정보는 노드 관계 정보(50, 60)에서의 노드 개수 또는 엣지 개수일 수 있다.
상기 제2 알고리즘은 상기 직관적인 정보로 대상 검사물의 결함을 판단할 수 없는 경우, 비직관적 정보를 결함 판단에 이용하는 알고리즘이다. 상기 비직관적 정보는 노드 관계 정보(50, 60)에서 노드(51, 52, 61, 62. 63) 간의 상대 위치 정보로서, 각 노드(51, 52, 61, 62. 63) 간의 거리, 각 노드(51, 52, 61, 62. 63)의 위치, 각 노드(51, 52, 61, 62. 63)의 분포 형태, 노드(51, 52, 61, 62. 63) 간의 형성된 엣지(53, 64, 65, 66)의 개수 중 하나 이상을 포함할 수 있다. 상기 제2 알고리즘은 노드 관계 정보(50, 60)에 대하여 상기 비직관적 정보를 이용하여 하기 수학식 1을 만족하면 검사 대상물이 결함이 있는 것으로 판단하는 알고리즘일 수 있다.
[수학식 1]
Figure 112021106300399-pat00001
상기 수학식 1은 노드 간의 거리 중 가장 큰 값이 미리 정해진 임계값(τ)을 초과하는 것을 확인하는 수학식이다.
즉, 상기 제2 알고리즘은 수학식 1을 이용하여 노드 관계 정보(50, 60)의 각 노드(51, 52, 61, 62. 63) 간의 거리 중 가장 큰 값이 미리 정해진 임계값(τ)보다 초과하면 결함이 존재하는 것으로 판단하는 알고리즘일 수 있다.
제2 인공지능 모델부(130)는 노드 관계 정보(50, 60)가 입력되면 우선적으로 상기 제1 알고리즘에 기초해 결함을 판단하고, 상기 제2 알고리즘을 이용하여 더 세부적인 분석을 수행하여 상기 제1 알고리즘이 검출하지 못한 결함을 검출할 수 있다.
예컨대, 제2 인공지능 모델부(130)가 검사신호 이미지 데이터(11)에서 노드 관계 정보(50, 60)를 생성하면, 제2 인공지능 모델부(130)는 먼저 상기 제1 알고리즘을 이용하여 검사 대상물의 결함 여부를 판단할 수 있다. 제2 인공지능 모델부(130)는 생성한 제1 노드 관계 정보(50)의 노드(51, 52)의 개수 또는 제2 노드 관계 정보(60)의 노드(61, 62, 63)의 개수를 기초로 제1 노드 관계 정보(50)는 정상 상태인 검사 대상물로 제2 노드 관계 정보(60)는 결함이 존재하는 검사 대상물로 판단할 수 있다.
제2 인공지능 모델부(130)는 상기 제1 알고리즘에서 정상으로 판단된 제1 노드 관계 정보(50)에 대하여 상기 제2 알고리즘을 적용하여 더 구체적으로 결함 존재 여부를 재판단을 할 수 있다. 이때, 상기 수학식 1을 이용하여 각 노드(51, 52) 간의 거리를 산출하여, 산출된 거리 중 가장 큰 값이 미리 정해진 임계값(τ)을 초과하면 제1 노드 관계 정보(50)는 결함이 있는 것으로 판단하고, 미리 정해진 임계값(τ)을 초과하지 않으면 그대로 정상이라고 판단할 수 있다.
제2 인공지능 모델부(130)는 상기 제1 알고리즘을 통해 간단한 결함 판단을 수행하고, 보다 복잡한 결함 판단에 상기 제2 알고리즘을 적용함으로써 결함 판단에 사용되는 컴퓨팅 자원을 절약할 수 있다.
제2 인공지능 모델부(130)의 미리 정해진 임계값(τ)은 설정에 따라 달라질 수 있다. 미리 정해진 임계값(τ)의 수치는 검사 정밀도와 정확도에 영향을 끼치는 변수로서, 미리 정해진 임계값(τ)의 수치가 작으면 정밀도는 높아지지만 검사 정확도는 떨어질 수 있다. 반대로, 미리 정해진 임계값(τ)의 수치가 높으면 정밀도는 낮아지지만 검사 정확도는 높아질 수 있다.
도 6은 종래의 동일 검사 대상물에 대한 서로 다른 검사신호 이미지 데이터를 나타낸 도면이다.
도 6을 참조하면, 종래에는 동일 검사 대상물에 대한 비파괴 검사가 수행되더라도, 검사자에 따라 서로 다른 검사신호 이미지 데이터가 나타날 수 있었다. 도 6(a)와 도 6(b)는 동일 검사 대상물에 대한 검사신호 이미지 데이터이지만, 같은 X축 좌표상에서도 위상차가 존재하고, 서로 출력 강도가 다른 특징부(21, 22, 23, 24)가 나타났다. 이와 같은 비파괴 검사신호 측정 시 측정하는 사림에 따른 인적 오차 발생으로 단순히 검사신호 이미지 데이터를 비교하는 것은 검사 상에서 오류를 범할 수 있는 가능성이 크다. 본 발명은 검사자가 직접 결함을. 판단하는 것이 아니라 제1 인공지능 모델부(120) 및 제2 인공지능 모델부(130)가 검사신호 이미지 데이터를 노드 관계 정보로 변환하고, 상기 노드 관계 정보를 기초로 판단함으로써 인적 요인으로 발생하는 노이즈 정보 효과를 줄여 검사 신뢰도를 높일 수 있다.
이하, 인공지능 모델을 이용한 비파괴 검사 방법에 대하여 설명한다. 설명 중 인공지능 모델을 이용한 비파괴 검사 시스템에서 설명된 내용은 생략한다.
도 7은 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 방법의 흐름도이다.
도 3 및 도 7을 참조하면, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 비파괴 검사 방법은 이미지 입력 단계(S110), 제1 인공지능 모델 분석 단계(S120) 및 제2 인공지능 모델 분석 단계(S130)을 포함할 수 있다.
본 실시예에서, 이미지 입력 단계(S110)은 검사 대상물의 검사신호 이미지 데이터(11, 12)를 입력받는 단계일 수 있다.
제1 인공지능 모델 분석 단계(S120)는 검사신호 이미지 데이터(11, 12)에서 상기 검사 대상물의 결함을 판단하기 위한 하나 이상의 특징부(31, 32, 33)를 추출할 수 있다.
또한, 제1 인공지능 모델 분석 단계(S120)는, 특징부(31, 32, 33)가 강조되도록 검사신호 이미지 데이터(11, 12)의 밝기를 조절하는 단계일 수 있다.
또한, 제1 인공지능 모델 분석 단계(S120)는, 복수의 콘볼루션 레이어(Convolution Layer)가 결합된 심층 신경망(DNN; Deep Neural Network)를 이용하여 특징부(31, 32, 33)를 생성할 수 있다.
특징부(31, 32, 33)는 검사신호 이미지 데이터(11, 12)에서 검사신호의 출력 강도에 기초하여 결정될 수 있다.
제2 인공지능 모델 분석 단계(S130)는, 특징부(31, 32, 33) 각각을 노드(41, 42, 43)로 변환하여 노드 관계 정보(40)를 생성하고, 노드 관계 정보(40)를 기초로 학습하여, 상기 검사 대상물의 결함을 판단하는 단계일 수 있다.
노드(41, 42, 43)는 특징부(31, 32, 33)를 포함하는 사각형 영역이 추출되어 생성될 수 있다.
노드 관계 정보(40)는, 노드(41, 42, 43)의 개수와 노드(41, 42, 43) 간의 상대 위치 정보 중 하나 이상을 포함할 수 있다.
또한, 제2 인공지능 모델 분석 단계(S130)는, 노드(41, 42, 43)의 형태를 정사각 형태로 리스케일링(Re-scaling)하는 단계일 수 있다.
제2 인공지능 모델 분석 단계(S130)는, 노드 관계 정보(40)의 노드(41, 42, 43)의 개수를 기초로 상기 대상물의 결함을 판단할 수 있다.
또한, 제2 인공지능 모델 분석 단계(S130)는, 노드 관계 정보(40)의 노드(41, 42, 43)의 상대 위치 정보를 기초로 상기 대상물의 결함을 판단할 수 있다. 구체적으로, 제2 인공지능 모델 분석 단계(S130)는, 노드(41, 42, 43) 간의 거리를 산출하고, 산출된 노드(41, 42, 43) 간의 거리 중 가장 큰 값이 미리 정해진 값을 초과하면 상기 검사 대상물에 결함이 존재하는 것으로 판단할 수 있다.
본 발명의 인공지능 모델을 이용한 비파괴 검사 시스템 및 비파괴 검사 방법은 수집된 검사신호 이미지 데이터를 인공지능 모델을 이용하여 결함 판단 분석에 필수적인 특정 신호만을 검출함으로써 계산 처리 부하를 줄일 수 있다.
또한, 검출된 신호를 노드 관계 정보화함으로써 검사자가의 인적 에러를 배제하여 보다 객관적이고 정확한 결함 검출이 가능하다.
또한, 일련의 비파괴 검사 과정이 자동화될 수 있으므로 비파괴 검사 시간을 줄임으로써 비파괴 검사의 효율을 높일 수 있다.
본 명세서에 기재된 다양한 실시예들은 하드웨어, 미들웨어, 마이크로코드, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.
이러한 하드웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 컴포넌트들 내에 통합될 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
1: 검사 대상물 100: 비파괴 검사 시스템
101: 비파괴 검사 장치 110: 이미지 입력부
120: 제1 인공지능 모델부 130: 제2 인공지능 모델부

Claims (20)

  1. 검사 대상물의 결함을 판단하기 위한 인공지능 모델을 이용한 비파괴 검사 시스템으로서,
    상기 검사 대상물의 검사신호 이미지 데이터를 입력받는 이미지 입력부;
    상기 검사신호 이미지 데이터에서, 상기 검사 대상물의 결함을 판단하기 위한 하나 이상의 특징부를 추출하는 제1 인공지능 모델부; 및
    상기 특징부 각각을 노드(Node)로 변환하여 노드 관계 정보를 생성하고, 상기 노드 관계 정보를 기초로 학습하여, 상기 검사 대상물의 결함을 판단하는 제2 인공지능 모델부;를 포함하고,
    상기 제2 인공지능 모델부는, 상기 노드 관계 정보의 상기 노드의 개수, 및 상기 노드 간의 상대 위치 정보를 기초로 상기 대상물의 결함을 판단하는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  2. 제1항에 있어서,
    상기 특징부는, 상기 검사신호 이미지 데이터에서 검사신호의 출력 강도에 기초하여 결정되는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  3. 제1항에 있어서,
    상기 제1 인공지능 모델부는, 상기 특징부가 강조되도록 상기 검사신호 이미지 데이터의 밝기를 조절하는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  4. 제1항에 있어서,
    상기 노드는, 상기 특징부를 포함하는 사각형 영역이 추출되어 생성되는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  5. 제4항에 있어서,
    상기 제2 인공지능 모델부는, 상기 노드의 형태를 정사각 형태로 리스케일링(Re-scaling)하는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  6. 제1항에 있어서,
    상기 제1 인공지능 모델부는, 복수의 콘볼루션 레이어(Convolution Layer)가 결합된 심층 신경망(DNN; Deep Neural Network)를 이용하여 상기 특징부를 강조하는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  7. 제1항에 있어서,
    상기 노드 관계 정보는, 상기 노드의 개수와 상기 노드 간의 상대 위치 정보 중 하나 이상을 포함하는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  8. 삭제
  9. 삭제
  10. 제1항에 있어서,
    상기 제2 인공지능 모델부는, 상기 노드 간의 거리를 산출하고, 산출된 상기 노드 간의 거리 중 가장 큰 값이 미리 정해진 값을 초과하면 상기 검사 대상물에 결함이 존재하는 것으로 판단하는 것인 인공지능 모델을 이용한 비파괴 검사 시스템.
  11. 검사 대상물의 결함을 판단하기 위한 인공지능 모델을 이용한 비파괴 검사 방법으로서,
    상기 검사 대상물의 검사신호 이미지 데이터를 입력받는 이미지 입력 단계;
    상기 검사신호 이미지 데이터에서, 상기 검사 대상물의 결함을 판단하기 위한 하나 이상의 특징부를 추출하는 제1 인공지능 모델 분석 단계; 및
    상기 특징부 각각을 노드(Node)로 변환하여 노드 관계 정보를 생성하고, 상기 노드 관계 정보를 기초로 학습하여, 상기 검사 대상물의 결함을 판단하는 제2 인공지능 모델 분석 단계;를 포함하고,
    상기 제2 인공지능 모델 분석 단계는, 상기 노드 관계 정보의 상기 노드의 개수, 및 상기 노드 관계 정보의 상기 노드 간의 상대 위치 정보를 기초로 상기 대상물의 결함을 판단하는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  12. 제11항에 있어서,
    상기 특징부는, 상기 검사신호 이미지 데이터에서 검사신호의 출력 강도에 기초하여 결정되는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  13. 제11항에 있어서,
    상기 제1 인공지능 모델 분석 단계는, 상기 특징부가 강조되도록 상기 검사신호 이미지 데이터의 밝기를 조절하는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  14. 제11항에 있어서,
    상기 노드는, 상기 특징부를 포함하는 사각형 영역이 추출되어 생성되는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  15. 제14항에 있어서,
    상기 제2 인공지능 모델 분석 단계는, 상기 노드의 형태를 정사각 형태로 리스케일링(Re-scaling)하는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  16. 제11항에 있어서,
    상기 제1 인공지능 모델 분석 단계는, 복수의 콘볼루션 레이어(Convolution Layer)가 결합된 심층 신경망(DNN; Deep Neural Network)를 이용하여 상기 특징부를 강조하는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  17. 제11항에 있어서,
    상기 노드 관계 정보는, 상기 노드의 개수와 상기 노드 간의 상대 위치 정보 중 하나 이상을 포함하는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
  18. 삭제
  19. 삭제
  20. 제11항에 있어서,
    상기 제2 인공지능 모델 분석 단계는, 상기 노드 간의 거리를 산출하고, 산출된 상기 노드 간의 거리 중 가장 큰 값이 미리 정해진 값을 초과하면 상기 검사 대상물에 결함이 존재하는 것으로 판단하는 것인 인공지능 모델을 이용한 비파괴 검사 방법.
KR1020210122368A 2021-09-14 2021-09-14 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법 KR102465045B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210122368A KR102465045B1 (ko) 2021-09-14 2021-09-14 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210122368A KR102465045B1 (ko) 2021-09-14 2021-09-14 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법

Publications (2)

Publication Number Publication Date
KR102465045B1 true KR102465045B1 (ko) 2022-11-09
KR102465045B9 KR102465045B9 (ko) 2022-12-27

Family

ID=84040267

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210122368A KR102465045B1 (ko) 2021-09-14 2021-09-14 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법

Country Status (1)

Country Link
KR (1) KR102465045B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180057420A (ko) * 2016-11-22 2018-05-30 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
KR20200033822A (ko) 2018-03-15 2020-03-30 (주)니어스랩 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법
KR20200135044A (ko) * 2019-05-24 2020-12-02 한국생산기술연구원 영상 변환을 이용한 머신러닝 기반 결함 분류 장치 및 방법
KR20210044080A (ko) * 2019-10-14 2021-04-22 한국생산기술연구원 머신러닝 기반 결함 분류 장치 및 방법
KR20210098106A (ko) * 2020-01-31 2021-08-10 한국생산기술연구원 딥러닝 기반 자동 결함 검사 장치 및 방법
KR102298708B1 (ko) * 2020-06-15 2021-09-07 한국생산기술연구원 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180057420A (ko) * 2016-11-22 2018-05-30 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
KR20200033822A (ko) 2018-03-15 2020-03-30 (주)니어스랩 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법
KR20200135044A (ko) * 2019-05-24 2020-12-02 한국생산기술연구원 영상 변환을 이용한 머신러닝 기반 결함 분류 장치 및 방법
KR20210044080A (ko) * 2019-10-14 2021-04-22 한국생산기술연구원 머신러닝 기반 결함 분류 장치 및 방법
KR20210098106A (ko) * 2020-01-31 2021-08-10 한국생산기술연구원 딥러닝 기반 자동 결함 검사 장치 및 방법
KR102298708B1 (ko) * 2020-06-15 2021-09-07 한국생산기술연구원 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들

Also Published As

Publication number Publication date
KR102465045B9 (ko) 2022-12-27

Similar Documents

Publication Publication Date Title
CN103528617B (zh) 一种座舱仪表自动识别和检测方法及装置
CN110146521B (zh) 基于微波无损检测的管道表面腐蚀缺陷检测方法及装置
Usamentiaga et al. More than fifty shades of grey: Quantitative characterization of defects and interpretation using SNR and CNR
Amza et al. Industrial image processing using fuzzy-logic
Heideklang et al. Multi-sensor image fusion at signal level for improved near-surface crack detection
Leo et al. Identification of defective areas in composite materials by bivariate EMD analysis of ultrasound
CN112816556B (zh) 一种缺陷检测方法、装置、设备和存储介质
Mao et al. Signal processing and defect analysis of pipeline inspection applying magnetic flux leakage methods
CN115836218A (zh) 检查装置、检查方法、以及检查程序
CN107300562B (zh) 一种测量继电器成品触点间距的x射线无损检测方法
CN111145168A (zh) 碳纤维复合材料缺陷的检测方法及系统、存储介质
KR102465045B1 (ko) 인공지능 모델을 이용한 비파괴검사시스템 및 비파괴검사 방법
Ren et al. Shaking noise elimination for detecting local flaw in steel wire ropes based on magnetic flux leakage detection
Tang et al. Segmentation-oriented compressed sensing for efficient impact damage detection on CFRP materials
Espinosa et al. Automatic segmentation of acoustic tomography images for the measurement of wood decay
CN112816557B (zh) 一种缺陷检测方法、装置、设备和存储介质
US20230084562A1 (en) Non-destructive inspection method and system based on artificial intelligence
CN112149296B (zh) 一种判定水文时间序列平稳性类型的方法
CN115266774B (zh) 基于人工智能的焊缝射线检测评片方法
Chan et al. Nonlinear eddy current technique for characterizing case hardening profiles
Xiang et al. A reliability study on automated defect assessment in optical pulsed thermography
Wang et al. Region segmentation based radiographic detection of defects for gas turbine blades
Pellicanó et al. Fuzzy similarity measures for detection and classification of defects in CFRP
Tao et al. Research on a recognition algorithm for offshore-pipeline defects during magnetic-flux inspection
Zheng et al. Design of advanced automatic inspection system for turbine blade FPI analysis

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]