KR20230174066A - 초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법 - Google Patents

초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법 Download PDF

Info

Publication number
KR20230174066A
KR20230174066A KR1020220075107A KR20220075107A KR20230174066A KR 20230174066 A KR20230174066 A KR 20230174066A KR 1020220075107 A KR1020220075107 A KR 1020220075107A KR 20220075107 A KR20220075107 A KR 20220075107A KR 20230174066 A KR20230174066 A KR 20230174066A
Authority
KR
South Korea
Prior art keywords
defect
signal data
image data
ultrasonic
candidate group
Prior art date
Application number
KR1020220075107A
Other languages
English (en)
Inventor
서준성
유준우
이정민
Original Assignee
두산에너빌리티 주식회사
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 두산에너빌리티 주식회사 filed Critical 두산에너빌리티 주식회사
Priority to KR1020220075107A priority Critical patent/KR20230174066A/ko
Priority to US18/331,253 priority patent/US20230408451A1/en
Priority to JP2023095580A priority patent/JP7553207B2/ja
Priority to CN202310721303.1A priority patent/CN117269318A/zh
Priority to EP23180087.1A priority patent/EP4296662A1/en
Publication of KR20230174066A publication Critical patent/KR20230174066A/ko

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
    • G06N3/04—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
    • 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
    • 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

본 개시의 실시 예들은 딥러닝 또는 머신러닝 기술을 이용한 초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법에 관한 것으로, 초음파 탐상 검사 시스템은 검사 대상에 초음파를 송신하고, 상기 검사 대상에서 반사되어 오는 초음파 신호를 수집하여 신호 데이터를 생성하는 초음파 탐상 장치, 상기 신호 데이터를 전처리하는 신호 데이터 전처리부, 전처리된 상기 신호 데이터에 기초하여 결함 후보군을 선별하는 결함 후보군 선별부, 상기 결함 후보군에 포함되는 신호 데이터를 기초로 이미지 데이터를 생성하는 이미지 데이터 생성부 및 상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 결함 판단부를 포함할 수 있다.

Description

초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법{ULTRASONIC FLOW-DETECTION SYSTEM AND ULTRASONIC FLOW-DETECTION METHOD}
본 개시의 다양한 실시 예들은 딥러닝 또는 머신러닝 기술을 이용한 초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법에 관한 것이다.
최근 신재생에너지 분야의 풍력 발전 시스템은 첨단 신소재 산업이 적용되어 미래 유망 거대 산업으로 각광받고 있다. 이러한 복합 재료는 응용범위가 넓고, 선도적 기술혁신을 통한 타 산업으로 연계 파급효과가 매우 클 뿐만 아니라 기술적 우위를 확보하기도 어려운 대형 산업이다.
특히 회전하는 블레이드의 자체 중량은 고가의 발전설비의 효율을 큰 폭으로 좌우하는 핵심적인 요소이므로, 과거 유리섬유 복합체를 주로 사용하였으나 대형화 경향에 따라서 가격적으로는 비싸지만 유리섬유 대비 무게가 약 40% 정도 가벼운 경량화가 가능한 탄소섬유 복합체를 사용하여 풍력 블레이드를 제작하고 있다.
재료의 경량 특성으로 발전기 용량을 대형화할 수 있는 발판이 될 수 있으며, 이로 인하여 풍력 블레이드용 전체시장은 향후 10년 사이에 4~5배 성장할 것으로 전망하고 있다.
한편, 복합재 블레이드는 재료 및 제조 공법으로 인하여 디본딩(debonding), 층간박리(delamination), 균열(crack) 등 다양한 내부 손상이 발생할 수 있으며, 이는 육안으로 판별하기 어려워 손상 탐지 기술이 필요하다.
이런 결함들은 초기에는 구조적인 영향을 주지 않는 작은 사이즈로 있다가 반복하중과 충격하중을 받으면서 크랙이 전파/진행되어 시간이 지남에 따라 블레이드 구조 안전성에도 영향을 미칠만큼 커져 결국 큰 사고로 발전할 수 있다. 따라서, 초기 결함 단계에서 검사되어 지침에 따른 수리가 진행되면 큰 사고를 미연에 방지할 수 있고 사고에 의한 경제적 피해도 줄일 수 있다.
블레이드 구조 안전성 검사 방법으로 초음파를 사용하여 검사 대상을 스캔하고, 획득되는 스캔 데이터를 기반으로 검사자가 검사 대상의 결함 유무를 판단하는 초음파 탐상 검사 방법이 주로 이용되고 있으나, 이러한 검사 방법은 검사자의 숙련도 및 주관적인 의견에 따라 검사 결과가 달라질 수 있어, 검사 결과에 대한 연속성과 객관성 확보가 어렵다.
상술한 문제들을 해소하기 위하여 초음파 탐상 검사에서 결과의 객관성을 확보하고 휴먼 에러를 방지하여 검사 오류를 최소화할 수 있는 검사 방법이 필요하다.
본 개시에서는 숙련된 검사자들에 의해 결함으로 판정된 데이터를 이용하여 인공지능을 학습시시고, 학습된 인공지능을 이용하여 검사 대상의 결함을 객관적으로 판단할 수 있는 초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법을 제공하고자 한다.
본 개시에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 실시 예에 따르면, 초음파 탐상 검사 시스템은, 검사 대상에 초음파를 송신하고, 상기 검사 대상에서 반사되어 오는 초음파 신호를 수집하여 신호 데이터를 생성하는 초음파 탐상 장치, 상기 신호 데이터를 전처리하는 신호 데이터 전처리부, 전처리된 상기 신호 데이터에 기초하여 결함 후보군을 선별하는 결함 후보군 선별부, 상기 결함 후보군에 포함되는 신호 데이터를 기초로 이미지 데이터를 생성하는 이미지 데이터 생성부 및 상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 결함 판단부를 포함할 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 신호 데이터 전처리부는 상기 신호 데이터로부터 노이즈를 제거하고, 상기 신호 데이터에서 극점을 추출하고, 상기 극점에 기초하여 상기 신호 데이터를 일정한 크기의 복수의 클러스터로 분할할 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 결함 후보군 선별부는 상기 복수의 클러스터 각각을 입력으로 하는 딥러닝 알고리즘을 기반으로 각 클러스터에 속하는 신호 데이터에 결함이 포함되어 있는 지를 판단하고, 결함이 포함되었다고 판단되는 클러스터를 결함 후보군으로 선별할 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 딥러닝 알고리즘은 VAE(variational auto encoder) 또는 ResNet(residual neural network)일 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 이미지 데이터 생성부는 상기 신호 데이터에 기초하여, 상기 검사 대상에 대한 B-Scan 이미지 데이터 및 C-Scan 이미지 데이터를 생성할 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 이미지 데이터 생성부는 상기 결함 후보군에 포함되는 신호 데이터에 기초하여, 상기 검사 대상에서 상기 결함 후보군이 포함된 영역에 대한 B-Scan 이미지 데이터 및 C-Scan 이미지 데이터를 생성할 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 결함 판단부는 상기 이미지 데이터를 입력으로 하는 딥러닝 알고리즘을 기반으로 상기 결함 후보군 각각에 대해 결함이 있는 지를 판단할 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 딥러닝 알고리즘은 YOLO(you only look once) 알고리즘 또는 Faster R-CNN 알고리즘일 수 있다.
본 개시의 다양한 실시 예에 따르면, 상기 결함 판단부는 상기 결함 후보군 각각에 대해 결함 여부 및 결함인 경우 해당 결함을 둘러싸는 바운딩 박스(bounding box)를 출력할 수 있다.
본 개시의 다양한 실시 예에 따르면, 초음파 탐상 시스템에 의한 초음파 탐성 검사 방법은 검사 대상에 초음파를 송신하고, 상기 검사 대상에서 반사되어 오는 초음파 신호를 수집하여 신호 데이터를 생성하는 동작, 상기 신호 데이터를 전처리하는 동작, 전처리된 상기 신호 데이터에 기초하여 결함 후보군을 선별하는 동작, 상기 결함 후보군에 포함되는 신호 데이터를 기초로 이미지 데이터를 생성하는 동작 및 상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 동작을 포함할 수 있다.
본 개시의 실시 예들은 학습된 인공지능을 이용하여 초음파 탐상 검사를 수행함으로써, 검사 결과의 객관성을 확보할 수 있고, 휴먼 에러를 방지할 수 있다.
본 개시의 실시 예들은 시그널 모델과 이미지 모델을 함께 적용한 앙상블 모델을 통해 자동평가 시의 결함 추출의 성능을 개선하고 결함 분석 결과에 대한 신뢰성ㅇ을 개선할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 다양한 실시 예에 따른 초음파 탐상 검사 시스템을 도시한 도면이다.
도 2는 초음파 탐상 장치(10)의 탐상 방법의 일 예를 도시한 도면이다.
도 3은 ResNet의 가장 간단한 구조를 도시한 일 예이다.
도 4는 이미지 데이터 생성부에서 생성한 이미지 데이터의 예를 도시한 도면이다.
도 5는 일 실시 예에 따른 Faster R-CNN의 구조를 도시한 도면이다.
도 6은 본 개시의 다양한 실시 예에 따른 초음파 탐상 검사 시스템을 이용한 초음파 탐상 검사 방법을 도시한 흐름도이다.
본 개시물의 이점 및 특징, 그리고 그것들을 달성하는 장치 및 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 개시물은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시 예들은 본 개시물의 개시가 완전하도록 하며, 본 개시물이 속하는 기술분야에서 통상의 지식을 가진 자에게 개시물의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시물은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
하나의 구성 요소가 다른 구성 요소와 "연결된(connected to)" 또는 "커플링된(coupled to)" 이라고 지칭되는 것은, 다른 구성 요소와 직접 연결 또는 커플링된 경우 또는 중간에 다른 구성 요소를 개재한 경우를 모두 포함한다. 반면, 하나의 구성 요소가 다른 구성 요소와 "직접 연결된(directly connected to)" 또는 "직접 커플링된(directly coupled to)"으로 지칭되는 것은 중간에 다른 구성 요소를 개재하지 않은 것을 나타낸다. "및/또는"은 언급된 아이템들의 각각 및 하나 이상의 모든 조합을 포함한다.
본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 개시물을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
비록 제 1, 제 2 등이 다양한 구성 요소들을 서술하기 위해서 사용되나, 이들 구성 요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성 요소를 다른 구성 요소와 구별하기 위하여 사용하는 것이다.
따라서, 이하에서 언급되는 제 1 구성 요소는 본 개시물의 기술적 사상 내에서 제2 구성 요소 일 수도 있음은 물론이다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시물이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 실시 예에서 사용되는 '부' 또는 '모듈'이라는 용어는 소프트웨어 또는 FPGA또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '부' 또는 '모듈'은 어떤 역할들을 수행한다. 그렇지만 '부' 또는 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성 요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 구성요소들과 '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.
본 개시물의 몇몇 실시 예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다.
도 1은 본 개시의 다양한 실시 예에 따른 초음파 탐상 검사 시스템을 도시한 도면이다.
도 1을 참조하면, 본 개시의 다양한 실시 예에 따른 초음파 탐상 검사 시스템(100)은 초음파 탐상 장치(10), 신호 데이터 전처리부(20), 결함 후보군 선별부(30), 이미지 데이터 생성부(40), 및 결함 판단부(50)를 포함할 수 있다.
초음파 탐상 장치(10)는 탐촉자를 통해 초음파 신호를 검사 대상에 송신하고, 반송되는 초음파 신호를 감지하여 신호 데이터(signal data)를 생성할 수 있다. 생성된 신호 데이터는 신호 데이터 전처리부(20) 및/또는 이미지 데이터 생성부(40)로 전달될 수 있다.
일 실시 예에 따라, 초음파 탐상 장치(10)는 종파의 초음파를 사용할 수 있고, 지속시간이 짧은 초음파 펄스를 반복적으로 발생시켜 반사되어 되돌아오는 펄스 신호를 해석하는 펄스반사법을 이용할 수 있다.
도 2는 초음파 탐상 장치(10)의 탐상 방법의 일 예를 도시한 도면이다.
도 2에 도시된 바와 같이, 초음파 탐상 장치(10)는 탐촉자(210)를 이용하여 기 설정된 검사 경로(220))에 따라 검사 대상(200)을 스캔할 수 있으며, 탐촉자(210) 또는 별도의 수신부에서 수신한 검사 대상(200)에서 반사되어 온 신호를 감지하여 신호 데이터를 생성할 수 있다.
여기서 신호 데이터는 A-Scan 데이터로도 칭할 수 있으며, 신호 데이터는 검사 대상에서 반사된 초음파 신호의 크기를 시간에 대하여 변화하는 초음파의 진폭으로 나타내어 질 수 있으며, 이를 그래프 평면에 표시하는 경우 X 축은 진행 시간을 나타내고, Y축은 반사된 초음파 신호의 진폭 크기를 나타내는 신호 파형으로 표시될 수 있다.
본 개시에서는 결함의 존재를 판단하기 위하여 딥러닝 알고리즘을 적용하는 것을 제안하는데, 딥러닝 알고리즘을 적용하기 위해서는 서로 다른 데이터를 일정한 입력 데이터로 가공하여야 하는데, 이러한 가공이 신호 데이터 전처리부(20)에서 수행될 수 있다.
신호 데이터 전처리부(20)는 우선전으로 초음파 탐상 장치(10)로부터 수신한 신호 데이터에 포함되어 있는 노이즈를 제거할 수 있다. 신호 데이터로부터 결함 후보군을 선별하기 위해서는 신호의 극점 추출이 중요한데, 노이즈를 제거하는 경우, 뚜렷하고 정확하게 극점을 추출하는 것이 가능할 수 있다. 일 실시 예에 따라, 신호 데이터 전처리부(20)는 파이썬 라이브러리 중 하나인 Wavelet Denoising을 이용하여 신호 데이터에서 노이즈를 제거할 수 있다. Wavelet Denoising은 Wavelet을 분해하고 범용 임계 값을 계산한 후 임계 값 계수를 사용하여 재구성하는 과정을 통해 데이터 내에 존재하는 노이즈를 제거할 수 있다.
신호 데이터 전처리부(20)는 신호 데이터에서 노이즈를 제거한 후에 진폭이 임계 값보다 높은 피크(peak)를 검출하고, 검출된 각 피크 사이의 최소거리 파라미터를 조절하여 극점을 자동으로 추출하는 극점 추출 기능을 수행할 수 있다.
일 실시 예에 따라, 검사 대상의 겉면은 코팅(coating)되어 있고, 내부의 끝 부분은 본딩(bonding)으로 되어 있는 경우 해당 부분들은 불연속부가 되어 반사되는 신호가 클 수 있다. 즉, 불연속부에는 극점이 형성될 수 있으며, 특히 상술한 불연속부는 다른 극점들에 비하여 피크 값이 높은 값으로 나타날 수 있다. 그러면, 신호 데이터에서 코팅에 의한 불연속부와 본딩에 의한 불연속부를 찾고, 해당 부분을 시작과 끝 지점으로 한 데이터를 생성하기 위해 클러스터링을 진행할 수 있다. 그러면 하나의 클러스터는 일 지점에서 두께 방향으로 검사 대상의 정보를 포함하는 것이 될 수 있다.
마지막으로 신호 데이터 전처리부(20)는 각각의 클러스터가 동일한 크기가 되도록 조정할 수 있다. 일 실시 예에 따라, 각각의 클러스터가 가지는 데이터의 개수가 동일하게 되도록 조정할 수 있다.
신호 데이터 전처리부(20)는 전처리된 신호 데이터는 결함 후보군 선별부(30)로 전달할 수 있다.
결함 후보군 선별부(30)는 초음파 탐상 장치(10)로부터 제공되는 신호 데이터를 기초로 검사 대상 내에 존재하는 결함 후보군을 선별할 수 있다. 여기서, 결함 후보군은 결함이 존재할 가능성이 있는 검사 대상 내의 위치 또는 신호 데이터를 나타내는 것일 수 있다. 일 실시 예에 따라, 상술한 신호 데이터 전처리부(20)에 의하여 신호 데이터가 복수의 클러스터로 분류되는 경우, 결함 후보군 선별부(30)는 각 클러스터에서 결함이 존재하는 지를 판단할 수 있고, 결함 후보군은 결함이 존재할 수 있는 클러스터의 집합일 수 있다.
일 실시 예에 따라, 결함 후보군 선별부(30)는 신호 데이터 전처리부(20)에서 전처리된 신호 데이터를 입력으로 사용하는 인공지능 또는 딥러닝 알고리즘에 기초하여 결함 후보군을 선별할 수 있다.
결함 후보군 선별부(30)는 인공지능 알고리즘으로 VAE(variational auto encoder) 또는 다층신경망 분류 알고리즘인 ResNet(residual neural network)을 사용할 수 있다.
VAE는 비지도학습 이상탐지 알고리즘일 수 있다. VAE는 입력되는 신호 데이터가 가지고 있는 차원을 축소하여 확률 분포를 만들고, 만들어진 확률분포를 통해 샘플링을 진행하여 다시 데이터를 만들어내는 동작을 수행할 수 있다. VAE는 전달 함수가 함께 학습되면서 데이터를 전달해주기 때문에 다양하고 비슷한 결과 값을 생성해 내는 것이 가능할 수 있다. 여기에 슬라이딩 윈도우(sliding window) 개념을 적용하면 시계열 데이터 분석이 가능할 수 있다. 여기서 윈도우의 크기는 상술한 하나의 클러스터의 사이즈와 동일할 수 있으며, 일 실시 예에 따라 500으로 지정될 수 있다.
일 실시 예에 따라, VAE는 비지도 학습에 기반하여 학습을 수행할 수 있으며, 비지도 학습은 결함 후보군이 있는 지를 나타내는 결과 값을 포함하고 있지 않고 실제 신호 데이터만을 가지고 학습을 시키는 방법일 수 있다.
RestNet는 VGG-19 인공지능 알고리즘을 기반으로 합성곱 층(convolutional layer)들을 추가하여 히든 노드의 수를 더 많이 만들면서, 즉 신경망(neural network)을 더 깊게 만들면서 노드와 노드 사이에 지름길(shortcut)(310) 연결을 추가한 네트워크일 수 있다.
도 3은 ResNet의 가장 간단한 구조를 도시한 일 예이고, 깊이가 깊은 ResNet은 도 3에 도시된 구조를 직렬로 계속 연결하여 구현할 수 있다.
ResNet 구조는 기울기 사라짐이나 과적합 등 기존의 인공지능 네트워크 또는 딥러닝 네트워크들이 가졌던 문제를 해소하고, 층의 깊이를 키울수록 학습 효율이 증가할 수 있다. ResNet은 출력 값(H(x))과 입력 값(x) 간의 차이인 잔차(F(x))를 학습한다는 의미에서 이름 지어진 신경망일 수 있으며, 학습을 통해 잔차(F(x))를 0으로 만들고자 하는 것일 수 있다.
ResNet은 지도학습에 기초하여 학습될 수 있는데, 지도학습은 학습 데이터와 함께 학습 데이터에 포함되어 있는 결함 후보군 정보도 함께 알려주면서 신경망을 학습시키는 것일 수 있다.
다시 도 1을 참조하면 결함 후보군 선별부(30)는 전처리된 신호 데이터를 입력으로 하여 결함이 있을 것으로 예상되는 신호 데이터를 나타내는 결함 후보군을 선별하여 이미지 데이터 생성부(40)로 전달할 수 있다. 다른 일 실시 예에 따라, 결함 후보군 선별부(30)는 결함이 있는 것으로 선별된 신호 데이터 자체를 이미지 데이터 생성부(40)로 전달할 수 있다.
이미지 데이터 생성부(40)는 결함 후보군 선별부(30)로부터 수신한 결함 후보군의 신호 데이터를 기초로 이미지 데이터를 생성할 수 있다. 이미지 데이터는 종래에 초음파 탐상에서 사용하던 B-Scan 및/또는 C-Scan으로 칭하여지던 이미지일 수 있으며, 이러한 이미지 데이터를 생성하는 방법 또한, 종래의 B-Scan 및/또는 C-Scan을 생성하는 방법을 차용할 수 있다. 다만, 검사 대상 전체에 대하여 이미지 데이터를 생성할 필요는 없고 결함 후보군 선별부(30)에서 결함이 있는 것으로 선별된 신호 데이터와 연관된 부분에 대하여만 이미지 데이터를 생성하는 것으로 충분할 수 있다.
도 4a 및 도 4b는 이미지 데이터 생성부(40)에서 생성한 이미지 데이터의 예를 도시한 도면이다.
도 4a를 참조하면, B-Scan(410) 이미지는 검사 대상의 측면에서 보는 일 단면(415)의 이미지일 수 있다. 도 4a에 도시된 B-Scan(410)을 참조하면, 검사 대상 표면(411)과 배면(415)에서 매질의 변경에 의하여 반사파가 크게 생성될 수 있다. 또한, 내부 결함(413)이 있는 부분에서 반사파가 생성될 수 있는데, 검사 대상 표면(411)에 의해 생성되는 첫 반사파와 내부 결함(413)에서 나오는 반사파 사이의 시간 차에 의해 결함의 위치를 감지하고, 감지한 결함의 위치를 나타내어 B-Scan(410) 이미지를 생성할 수 있다.
도 4b를 참조하면, C-Scan(420) 이미지는 검사 대상의 위에서 보는 일 단면(425)의 이미지일 수 있다. 도 4b에 도시된 C-Scan(420)에서, 내부 결함(423)의 위치는 도 2에 도시된 검사 경로(220)에 따른 시간과 검사 대상 표면(411)에 의한 반사파와 내부 결함(413)에 의한 반사파의 시간 차이에 기초하여 획득할 수 있다. C-Scan(420) 이미지는 상면에서 보았을 때 특정 단면에 나타내는 결함의 위치를 도시할 수 있다.
다시 도 1을 참조하면, 이미지 데이터 생성부(40)에서 생성된 이미지들은 결함 판단부(50)로 전달될 수 있다.
결함 판단부(50)는 이미지 데이터 생성부(40)로부터 제공되는 이미지들에 기초하여 검사 대상의 결함 후보군에 결함이 있는 지를 최종 판단할 수 있다.
일 실시 예에 따라, 결함 판단부(50)는 이미지 데이터 생성부(40)로부터 제공되는 이미지 데이터들을 입력으로 사용하는 인공지능 또는 딥러닝 알고리즘에 기초하여 결함을 최종 판단할 수 있다.
일 실시 예에 따라, 결함 후보군 선별부(30)는 인공지능 알고리즘으로 이미지 내에서 객체를 구별하여 내는 데 유효한 YOLO(you only look once) 알고리즘 또는 Faster R-CNN 알고리즘을 사용할 수 있다.
YOLO 알고리즘은 하나의 이미지로부터 특징을 추출하고, 경계박스를 만들로 클래스를 분류하는 것을 동시에 진행하기에 빠르게 결함을 판단할 수 있다.
Faster R-CNN은 이미지 내에서 특징을 추출하여 객체를 탐지하는 제1 단계와 탐지된 객체의 결함여부 확률 및 객체에 대한 박스 좌표를 산출하여 최종적으로 결함 여부를 판독하는 제2 단계로 구성된 이단계 객체탐지 알고리즘일 수 있다.
도 5는 일 실시 예에 따른 Faster R-CNN의 구조를 도시한 도면이다.
일 실시 예에 따라, Faster R-CNN의 제1 단계는 ResNet(510)을 기반으로 하여 특징을 추출하고 객체를 탐지할 수 있다. Faster R-CNN의 제2 단계는 RPN(region proposal network)(520)과 RoI풀링(region of interest pooling)(530)으로 구현되어 산출된 객체 후보 영역이 결함 클래스 또는 백그라운드 노이즈 클래스에 속할 확률을 결정하고 임계 값을 기반으로 각 객체의 클래스를 결정, 즉 결함을 판독할 수 있다.
결함 판단부(50)는 탐지와 판독의 과정을 거친 결과물로 바운딩 박스(bounding box)를 출력할 수 있다. 바운딩 박스는 결함 판단부(50)에 입력된 이미지에 표시되어 결함 부위를 하면에 표시할 수 있다.
결함 판단부(50)는 Faster R-CNN과 같은 딥러닝 알고리즘에 기반하여 결함을 탐지하고 판독하며, 이와 같은 딥러닝 알고리즘의 성능을 개선하기 위해서는 효과적인 학습이 필요할 수 있다. 결함 판단부(50)에서 채용한 딥러닝 알고리즘을 학습시키기 위하여 결함으로 판정된 신호 데이터를 이미지 데이터로 변환하고, 변환된 이미지 데이터에 결함 부위에 대한 정보를 포함시키기 위하여 데이터 라벨링(data labeling, annotation)을 수행할 수 있다. 즉, 결함 판단부(50)에서 채용한 딥러닝 알고리즘은 결함을 객체로 포함하고 있는 이미지 데이터에 결함의 위치에 대한 정보를 포함시켜 재가공한 이미지 데이터를 기초로 학습하는 지도학습에 기반하여 학습을 수행할 수 있다. 이와 같은 학습을 통해 결함 판단부(50)에서 채용한 립러닝 알고리즘의 성능이 개선될 수 있다.
상술한 바와 같이 본 개시에서 제안하는 초음파 탐상 검사 시스템(100)은 신호 데이터를 기반으로 결함 후보군을 선별하고, 선별한 결함 후보군에 대한 이미지 데이터를 기반으로 최종 결함을 판단하는 이 단계 동작을 통하여 검사 대상에 결함이 있는 지를 판독할 수 있다. 또한 본 개시에서 제안하는 초음파 탐상 검사 시스템(100)은 인공지능을 기반으로 결함 검출을 시도함으로써 성능의 개선을 획득할 수 있다.
도 6은 본 개시의 다양한 실시 예에 따른 초음파 탐상 검사 시스템을 이용한 초음파 탐상 검사 방법을 도시한 흐름도이다.
도 6을 참조하면, 본 개시의 다양한 실시 예에 따른 초음파 탐상 검사 시스템을 이용한 초음파 탐상 검사 방법은, 신호 데이터를 수집하는 동작(S10), 수집한 신호 데이터를 전처리하는 동작(S20), 전처리된 신호 데이터를 기초로 결함 후보군을 도출하는 동작(S30), 도출된 결함 후보군을 기초로 이미지 데이터를 생성하는 동작(S40) 및 이미지 데이터를 기초로 결함을 판정하는 동작(S50)을 포함할 수 있다.
본 개시의 다양한 실시 예에 따르면, 동작 S10에서, 초음파 탐상 검사 시스템(100)은 초음파 탐상 장치(10)를 이용하여 검사 대상(200)에 초음파를 조사하고, 검사 대상(200)에서 반사되어 온 신호를 감지하여 획득할 수 있다. 일 실시 예에 따라, 초음파 탐상 장치(10)는 지속시간이 짧은 초음파 펄스를 반복적으로 발생시켜 검사 대상(200)에 조사하고, 검사 대상(200)에서 반사되어 되돌아오는 펄스 신호를 감지하여 신호 데이터를 획득할 수 있다.
동작 S20에서, 초음파 탐상 검사 시스템(100)은 동작 S10에서 획득한 신호 데이터를 전처리할 수 있다. 전처리 동작은, 신호 데이터에 포함되어 있는 노이즈를 제거하는 동작, 노이즈가 제거된 신호 데이터에서 극점을 추출하는 동작, 그리고, 추출한 극점을 기초로 신호 데이터를 복수의 클러스터로 분할하는 동작을 포함할 수 있다. 이때, 복수의 클러스터는 다음 단계에서 딥 러닝 알고리즘에 입력되어야 하는 입력 데이터로써 서로 동일한 크기가 되도록 조정될 수 있다.
동작 S30에서, 초음파 탐상 검사 시스템(100)은 전처리된 신호 데이터를 기초로 결함 후보군을 도출할 수 있다. 일 실시 예에 따라, 초음파 탐상 검사 시스템(100)은 동작 S20에서 생성한 복수의 클러스터 각각에 대해 결함이 존재하는 지를 판단하고, 결함이 존재한다고 판단된 클러스터는 결함 후보군에 포함시킬 수 있다. 따라서, 결함 후보군은 결함이 존재할 수 있는 클러스터의 집합일 수 있다.
일 실시 예에 따라, 초음파 탐상 검사 시스템(100)은 동작 S20에서 전처리된 신호 데이터를 입력으로 사용하는 인공지능 또는 딥러닝 알고리즘에 기초하여 결함 후보군을 선별할 수 있다. 초음파 탐상 검사 시스템(100)은 VAE(variational auto encoder) 또는 다층신경망 분류 알고리즘인 ResNet(residual neural network)을 딥러닝 알고리즘으로 사용할 수 있다. 초음파 탐상 검사 시스템(100)이 사용할 수 있는 딥러닝 알고리즘은 이에 한정되는 것은 아니며 다른 기존의 딥러닝 알고리즘을 사용하는 것도 가능하다.
초음파 탐상 검사 시스템(100)의 결함 후보군 도출에 사용되는 딥러닝 알고리즘은 실제 사용되기 전에 학습을 진행하여 딥러닝 알고리즘을 최적화시킬 수 있으며, 이때 학습은 전문가에 의하여 결함이 있는 것으로 지적된 신호 데이터를 이용하여 수행될 수 있다.
초음파 탐상 검사 시스템(100)은 동작 S30의 결과, 결함이 포함되는 것으로 판단되는 결함 후보군을 도출할 수 있다. 여기서 결함 후보군은 결함이 포함되는 것으로 예상되는 클러스터 집합일 수 있다.
동작 S40에서, 초음파 탐상 검사 시스템(100)은 동작 S30에서 획득한 결함 후보군을 기초로 이미지 데이터를 생성할 수 있다. 이미지 데이터는 종래에 초음파 탐상에서 사용하던 B-Scan 및/또는 C-Scan으로 칭하여지던 이미지일 수 있으며, 이러한 이미지 데이터를 생성하는 방법 또한, 종래의 B-Scan 및/또는 C-Scan을 생성하는 방법을 차용할 수 있다. 다만, 일 실시 예에 따라, 검사 대상 전체에 대하여 이미지 데이터를 생성할 필요는 없고 동작 S30에서 결함이 있는 것으로 선별된 신호 데이터와 연관된 부분에 대하여만 이미지 데이터를 생성하는 것으로 충분할 수 있다.
동작 S50에서, 초음파 탐상 검사 시스템(100)은 생성된 이미지 데이터를 기초로 결함을 판정할 수 있다. 일 실시 예에 따라, 초음파 탐상 검사 시스템(100)은 동작 S40d에서 생성한 이미지 데이터들을 입력으로 사용하는 인공지능 또는 딥러닝 알고리즘에 기초하여 결함을 최종 판단할 수 있다.
일 실시 예에 따라, 초음파 탐상 검사 시스템(100)은 딥러닝 알고리즘으로 이미지 내에서 객체를 구별하여 내는 데 유효한 YOLO(you only look once) 알고리즘 또는 Faster R-CNN 알고리즘을 사용할 수 있다.
초음파 탐상 검사 시스템(100)은 동작 S50의 결과로 도출된 객체와 객체의 클래스가 결함인지 아니면 백그라운드 노이즈인지를 나타내는 정보 및 바운딩 박스(bounding box)를 제공할 수 있다. 객체의 클래스가 결함이라고 판단한 경우, 바운딩 박스는 해당 객체를 둘러싸는 직사각형 형태의 박스를 의미할 수 있다.
본 개시는 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 초음파 탐상 시스템 10: 초음파 탐상 장치
20: 신호 데이터 전처리부 30: 결함 후보군 선별부
40: 이미지 데이터 생성부 50: 결함 판단부

Claims (18)

  1. 검사 대상에 초음파를 송신하고, 상기 검사 대상에서 반사되어 오는 초음파 신호를 수집하여 신호 데이터를 생성하는 초음파 탐상 장치;
    상기 신호 데이터를 전처리하는 신호 데이터 전처리부;
    전처리된 상기 신호 데이터에 기초하여 결함 후보군을 선별하는 결함 후보군 선별부;
    상기 결함 후보군에 포함되는 신호 데이터를 기초로 이미지 데이터를 생성하는 이미지 데이터 생성부; 및
    상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 결함 판단부를 포함하는,
    초음파 탐상 검사 시스템.
  2. 제1항에 있어서,
    상기 신호 데이터 전처리부는,
    상기 신호 데이터로부터 노이즈를 제거하고,
    상기 신호 데이터에서 극점을 추출하고,
    상기 극점에 기초하여 상기 신호 데이터를 일정한 크기의 복수의 클러스터로 분할하는,
    초음파 탐상 검사 시스템.
  3. 제2항에 있어서,
    상기 결함 후보군 선별부는,
    상기 복수의 클러스터 각각을 입력으로 하는 딥러닝 알고리즘을 기반으로 각 클러스터에 속하는 신호 데이터에 결함이 포함되어 있는 지를 판단하고,
    결함이 포함되었다고 판단되는 클러스터를 결함 후보군으로 선별하는,
    초음파 탐상 검사 시스템.
  4. 제3항에 있어서,
    상기 딥러닝 알고리즘은 VAE(variational auto encoder) 또는 ResNet(residual neural network)인,
    초음파 탐상 검사 시스템.
  5. 제1항에 있어서,
    상기 이미지 데이터 생성부는,
    상기 신호 데이터에 기초하여, 상기 검사 대상에 대한 B-Scan 이미지 데이터 및 C-Scan 이미지 데이터를 생성하는,
    초음파 탐상 검사 시스템.
  6. 제5항에 있어서,
    상기 이미지 데이터 생성부는,
    상기 결함 후보군에 포함되는 신호 데이터에 기초하여, 상기 검사 대상에서 상기 결함 후보군이 포함된 영역에 대한 B-Scan 이미지 데이터 및 C-Scan 이미지 데이터를 생성하는,
    초음파 탐상 검사 시스템.
  7. 제1항에 있어서,
    상기 결함 판단부는,
    상기 이미지 데이터를 입력으로 하는 딥러닝 알고리즘을 기반으로 상기 결함 후보군 각각에 대해 결함이 있는 지를 판단하는,
    초음파 탐상 검사 시스템.
  8. 제7항에 있어서,
    상기 딥러닝 알고리즘은 YOLO(you only look once) 알고리즘 또는 Faster R-CNN 알고리즘인,
    초음파 탐상 검사 시스템.
  9. 제7항에 있어서,
    상기 결함 판단부는,
    상기 결함 후보군 각각에 대해 결함 여부 및 결함인 경우 해당 결함을 둘러싸는 바운딩 박스(bounding box)를 출력하는,
    초음파 탐상 검사 시스템.
  10. 초음파 탐상 시스템에 의한 초음파 탐성 검사 방법에 있어서,
    검사 대상에 초음파를 송신하고, 상기 검사 대상에서 반사되어 오는 초음파 신호를 수집하여 신호 데이터를 생성하는 동작;
    상기 신호 데이터를 전처리하는 동작;
    전처리된 상기 신호 데이터에 기초하여 결함 후보군을 선별하는 동작;
    상기 결함 후보군에 포함되는 신호 데이터를 기초로 이미지 데이터를 생성하는 동작; 및
    상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 동작을 포함하는,
    초음파 탐상 검사 방법.
  11. 제10항에 있어서,
    상기 신호 데이터를 전처리하는 동작은,
    상기 신호 데이터로부터 노이즈를 제거하는 동작;
    상기 신호 데이터에서 극점을 추출하는 동작; 및
    상기 극점에 기초하여 상기 신호 데이터를 일정한 크기의 복수의 클러스터로 분할하는 동작을 포함하는,
    초음파 탐상 검사 방법.
  12. 제11항에 있어서,
    상기 전처리된 상기 신호 데이터에 기초하여 결함 후보군을 선별하는 동작은,
    상기 복수의 클러스터 각각을 입력으로 하는 딥러닝 알고리즘을 기반으로 각 클러스터에 속하는 신호 데이터에 결함이 포함되어 있는 지를 판단하는 동작을 포함하는,
    초음파 탐상 검사 방법.
  13. 제12항에 있어서,
    상기 딥러닝 알고리즘은 VAE(variational auto encoder) 또는 ResNet(residual neural network)인,
    초음파 탐상 검사 방법.
  14. 제10항에 있어서,
    상기 이미지 데이터를 생성하는 동작은,
    상기 신호 데이터에 기초하여, 상기 검사 대상에 대한 B-Scan 이미지 데이터 및 C-Scan 이미지 데이터를 생성하는 동작을 포함하는,
    초음파 탐상 검사 방법.
  15. 제14항에 있어서,
    상기 이미지 데이터를 생성하는 동작은,
    상기 결함 후보군에 포함되는 신호 데이터에 기초하여, 상기 검사 대상에서 상기 결함 후보군이 포함된 영역에 대한 B-Scan 이미지 데이터 및 C-Scan 이미지 데이터를 생성하는 동작을 포함하는,
    초음파 탐상 검사 방법.
  16. 제10항에 있어서,
    상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 동작은,
    상기 이미지 데이터를 입력으로 하는 딥러닝 알고리즘을 기반으로 상기 결함 후보군 각각에 대해 결함이 있는 지를 판단하는 동작을 포함하는,
    초음파 탐상 검사 방법.
  17. 제16항에 있어서,
    상기 딥러닝 알고리즘은 YOLO(you only look once) 알고리즘 또는 Faster R-CNN 알고리즘인,
    초음파 탐상 검사 방법.
  18. 제16항에 있어서,
    상기 이미지 데이터에 기초하여 상기 결함 후보군의 결함 여부를 최종 판정하는 동작은,
    상기 결함 후보군 각각에 대해 결함 여부 및 결함인 경우 해당 결함을 둘러싸는 바운딩 박스(bounding box)를 출력하는 동작을 포함하는,
    초음파 탐상 검사 방법.
KR1020220075107A 2022-06-20 2022-06-20 초음파 탐상 검사 시스템 및 초음파 탐상 검사 방법 KR20230174066A (ko)

Priority Applications (5)

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
US18/331,253 US20230408451A1 (en) 2022-06-20 2023-06-08 Ultrasonic flaw-detection system and ultrasonic flaw-detection method
JP2023095580A JP7553207B2 (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
CN202310721303.1A CN117269318A (zh) 2022-06-20 2023-06-16 超声缺陷检测系统和超声缺陷检测方法
EP23180087.1A EP4296662A1 (en) 2022-06-20 2023-06-19 Ultrasonic flaw-detection system and ultrasonic flaw-detection method

Applications Claiming Priority (1)

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

Publications (1)

Publication Number Publication Date
KR20230174066A true KR20230174066A (ko) 2023-12-27

Family

ID=86899430

Family Applications (1)

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

Country Status (5)

Country Link
US (1) US20230408451A1 (ko)
EP (1) EP4296662A1 (ko)
JP (1) JP7553207B2 (ko)
KR (1) KR20230174066A (ko)
CN (1) CN117269318A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116343966B (zh) * 2023-03-27 2023-11-17 山东大学 基于延迟因子的概率乘累加结构损伤成像定位方法及系统

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
WO2018179559A1 (ja) 2017-03-27 2018-10-04 三菱重工業株式会社 航空機用部品の欠陥検出システム及び航空機用部品の欠陥検出方法
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
EP4296662A1 (en) 2023-12-27
JP2024000516A (ja) 2024-01-05
JP7553207B2 (ja) 2024-09-18
CN117269318A (zh) 2023-12-22
US20230408451A1 (en) 2023-12-21

Similar Documents

Publication Publication Date Title
Medak et al. Automated defect detection from ultrasonic images using deep learning
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
CN109782274B (zh) 一种基于探地雷达信号时频统计特征的水损害识别方法
Posilović et al. Flaw detection from ultrasonic images using YOLO and SSD
CN102928435A (zh) 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN117173461B (zh) 一种多视觉任务的灌装容器缺陷检测方法、系统及介质
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
JP7553207B2 (ja) 超音波探傷検査システムおよび超音波探傷検査方法
CN115656335A (zh) 一种轴承套圈内部缺陷快速检测与识别方法
Yuan et al. Automatic recognition and positioning of wheel defects in ultrasonic B-Scan image using artificial neural network and image processing
CN115239666A (zh) 一种滚动接触疲劳缺陷的缺陷目标区域图像定位分割方法
US10896509B2 (en) Processing digital image to remove unwanted portion
CN111145168A (zh) 碳纤维复合材料缺陷的检测方法及系统、存储介质
Lawson et al. Automatic detection of defects in industrial ultrasound images using a neural network
Xu et al. Wood broken defect detection with laser profilometer based on Bi-LSTM network
CN116735723A (zh) 一种钢轨伤损超声定位识别系统
CN116773654A (zh) 一种基于周向导波的管道缺陷智能检测装置及检测方法
Sutcliffe et al. Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks
Xiang et al. A reliability study on automated defect assessment in optical pulsed thermography
CN111257422B (zh) 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法
Amini et al. A machine learning based model for monitoring of composites’ drilling-induced defects during assembly production using terahertz imaging data
CN110988140B (zh) 一种正交异性钢桥面板疲劳裂纹智能识别方法
Li et al. AE-YOLO: An Improved YOLOv7 based on Attention Enhancement for Rail Flaw Detection
Medak et al. Detection of defective bolts from rotational ultrasonic scans using convolutional neural networks
Patruno et al. A Wavelet-Based Method for Defect Detection in Aircraft Components by Using Ultrasonic Technology