Resumen

La detección de defectos de soldadura mediante imágenes de rayos X es un método eficaz de ensayo no destructivo. Convencionalmente, este trabajo se basa en expertos humanos cualificados, aunque requiere su intervención personal para la extracción y clasificación de la heterogeneidad. Se han realizado muchos enfoques utilizando herramientas de aprendizaje automático (ML) y de procesamiento de imágenes para resolver esas tareas. Aunque la detección y la clasificación se han mejorado con respecto a los problemas de bajo contraste y mala calidad, su resultado sigue siendo insatisfactorio. A diferencia de las investigaciones anteriores basadas en ML, este trabajo propone un novedoso método de clasificación basado en una red de aprendizaje profundo. En este trabajo, un enfoque original basado en el uso de la red preentrenada arquitectura AlexNet tiene como objetivo la clasificación de las deficiencias de las soldaduras y el aumento del reconocimiento correcto en nuestro conjunto de datos. El aprendizaje de transferencia se utiliza como metodología con el modelo AlexNet preentrenado. Para las aplicaciones de aprendizaje profundo, se requiere una gran cantidad de imágenes de rayos X, pero hay pocos conjuntos de datos de defectos de soldadura de tuberías. Para ello, hemos mejorado nuestro conjunto de datos centrándonos en dos tipos de defectos y aumentándolos mediante el aumento de datos (transformaciones aleatorias de la imagen sobre los datos, como la traslación y la reflexión). Por último, se aplica una técnica de ajuste fino para clasificar las imágenes de soldadura y se compara con las características de activación convolucional profunda (DCFA) y varios modelos DCNN preentrenados, a saber, VGG-16, VGG-19, ResNet50, ResNet101 y GoogLeNet. El objetivo principal de este trabajo es explorar la capacidad de AlexNet y de diferentes arquitecturas preentrenadas con aprendizaje de transferencia para la clasificación de imágenes de rayos X. Se presenta de forma exhaustiva la precisión alcanzada con nuestro modelo. Los resultados experimentales obtenidos en el conjunto de datos de soldadura con nuestro modelo propuesto se validan utilizando la base de datos GDXray. Los resultados obtenidos también en el conjunto de pruebas de validación se comparan con los ofrecidos por los modelos DCNN, que muestran un mejor rendimiento en menos tiempo. Esto puede considerarse una prueba de la fortaleza de nuestro modelo de clasificación propuesto.

• Materias:Agua Ingeniería de estructuras Asfalto Acero Concreto
• Subjects:Water Structural engineering Asphalt Steel Concrete
• Palabras claves:imagen de rayos, varias dcnn preentrenadas, clasificación de la heterogeneidad, clasificación, herramientas de procesamiento de imágenes, experto humano cualificado, defectos de soldadura de tuberías, conjuntos de datos de tuberías, métodos de clasificación novedosos, red de aprendizaje profundo
• Keywords:ray image, several pretrained dcnn, classification of heterogeneity, classification, image processing tools, qualified human expert, pipeline welding defects, datasets of pipeline, novel classification methods, deep learning network