Duboko učenje korištenjem YOLO modela za nedestruktivna ispitivanja

diplomski rad

• Naslov (engleski): Deep Learning Using YOLO Model for Nondestructive Testing
• Autor: Luka Posilović
• Mentor: Sven Lončarić (mentor)
• Član povjerenstva: Sven Lončarić (predsjednik povjerenstva)
• Član povjerenstva: Marko Subašić (član povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-07-10, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Elektrotehnika

Sažetak

Nedestruktivno ispitivanje je metoda kojom se pronalaze pukotine i ostale nesavršenosti u materijalima bez njihova uništavanja. Vrlo je važna prilikom ispitivanja konstrukcijskih elemenata u nuklearnim elektranama, ali i mnogim drugim industrijama poput avio industrije i automobilske industrije. Jedna od metoda nedestruktivnog ispitivanja koristi se ultrazvučnim valovima kako bi pronašla pukotine i odredila njihov tip i veličinu. Za potrebe ispitivanje nekog objekta snimi se velika količina ultrazvučnih slika koje ljudski ekspert mora detaljno pregledati. Mogućnost ljudske pogreške i vrijeme potrebno za kvalitetnu analizu svih podataka otežavajući su faktori u provedbi ispitivanja. Ovom problemu pristupa se razvojem algoritma za automatsku detekciju defekata u ispitivanom materijalu. Razvijeni algoritam je konvolucijska neuronska mreža koja na ulazu prima ultrazvučne slike, a izlaz su je pozicija i veličina pronađenih defekata. Korišten je model YOLO - You Only Look Once s pretreniranim baznim slojevima. Model je treniran koristeći bazu od 490 slika podijeljenih na skup za treniranje, validaciju i testiranje. Predstavljeni model ostvario je prosječnu točnost (mAP) od 93,5% na testnom skupu podataka s mogućnošću obrade 45 slika u sekundi. Također, razvijen je algoritam za uklanjanje šuma na ultrazvučnim slikama koristeći valićnu transformaciju.

Sažetak (engleski)

Non-destructive testing is a method for detecting flaws and other impurities in materials without destroying them. It is very important during inspection of construction blocks in nuclear power plants, but also many other different industries such as aviation industry and automotive industry. One of the methods of non-destructive testing is using ultrasonic waves to find cracks and determine their shape and size. To inspect some object a vast amount of ultrasonic images is acquired that a human expert needs to inspect in detail. Possibility of human error and time needed for a thorough inspection of all data are aggravating factors in inspection and analysis. The approach to this problem is the development of an algorithm for automatic flaw detection in inspected materials. Developed algorithm is a convolutional neural network which inputs ultrasonic images and outputs the position and size of detected defects. Model is trained using the database of 490 images divided into the set for training, validation and test. Presented model achieved the average precision (mAP) of 93,5% on a test set while analyzing 45 images per second. Also, an algorithm for denoising ultrasonic images using wavelet transform is presented.

• Ključne riječi: obrada slike; analiza slike; ultrazvucno snimanje; nedestruktivno testiranje; konvolucijske neuronske mreže; automatska inspekcija
• Ključne riječi (engleski): image processing; image analysis; ultrasonic scanning; nondestructive testing; convolutional neural network; automated inspection
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:152395
• Studijski program: Naziv: Elektrotehnika i informacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2020-01-07 21:29:48