Defect Detection in Ultrasonic Images Using Deep Neural Networks

Ultrazvučno testiranje jedna je od najzastupljenijih nedestruktivnih metoda ispitivanja materijala u industriji. Ultrazvučnom inspekcijom prikuplja se velika količina ultrazvučnih slika koju trenutno analiziraju ljudski inspektori svojim subjektivnim prosuđivanjem što rezultate čini osjetljivima na ljudsku pogrešku. Sve se češće koriste pristupi bazirani na strojnom učenju kako bi se automatizirao proces analiziranja takvih podataka. Korištenjem konvolucijskih neuronskih mreža moguće je otkriti oštećenja na materijalu, ali i odrediti njihove vrste i veličine. U okviru završnog rada implementirana su tri modela konvolucijskih neuronskih mreža te tumačenjem rezultata donesen je zaključak kako se takvi modeli mogu koristiti u izvedbenim rješenjima.For decades ultrasonic testing has been the most widely represented non-destructive method of materials testing in industry. Ultrasonic testing involves the acquisition of large volume of ultrasonic images that are currently analyzed by human inspectors in a subjective manner, making the results susceptible to human error. Recently, machine learning approaches have been increasingly used to automate the process of analyzing such data. Using convolutional neural networks, it is possible to detect damage to the material, but also to determine the type and size of the defect. Within the undergraduate thesis three models of convolutional neural networks were implemented and the interpretation of the results led to the conclusion how such models can be used in performance solutions