В статье рассматривается создание гибридной нейросетевой модели для автоматического обнаружения дефектов по данным ультразвукового неразрушающего контроля. Основная цель работы – разработка модели, способной одновременно анализировать пространственные и временные характеристики ультразвуковых сигналов для повышения точности и надежности диагностики. В качестве материалов исследования использованы данные ультразвукового контроля сварного шва трубы из аустенитной нержавеющей стали. Методология включала построение гибридной модели на основе комбинации сверточных нейронных сетей для выделения пространственных признаков и рекуррентных слоев для анализа временных зависимостей. Обучение модели проводилось с контролем переобучения и оптимизацией гиперпараметров на размеченном наборе данных, разделенных на обучающую, валидационную и тестовую выборки. Результаты показали высокую эффективность предложенного подхода. Модель продемонстрировала точную классификацию повреждений на тестовой выборке, корректно идентифицировав все реальные дефекты. Особенностью работы модели является полное отсутствие ложноотрицательных срабатываний при минимальном количестве ложноположительных результатов. Анализ распределения предсказанных вероятностей подтвердил способность модели принимать решения с высокой степенью уверенности. Разработанная гибридная архитектура может иметь практическую значимость для систем промышленной диагностики и позволяет автоматизировать процесс дефектоскопии.
This article discusses the development of a hybrid neural network model for the automatic detection of defects based on ultrasonic non-destructive testing data. The primary objective of the study is to develop a model capable of simultaneously analyzing the spatial and temporal characteristics of ultrasonic signals to improve the accuracy and reliability of diagnostics. The study utilized ultrasonic testing data from an austenitic stainless steel pipe weld. The methodology included constructing a hybrid model based on a combination of convolutional neural networks for spatial feature extraction and recurrent layers for temporal dependency analysis. The model was trained using overfitting control and hyperparameter optimization on a labeled dataset divided into training, validation, and test sets. The results demonstrated the high efficiency of the proposed approach. The model demonstrated accurate damage classification on the test set, correctly identifying all real defects. A distinctive feature of the model is the complete absence of false negatives with a minimal number of false positives. Analysis of the predicted probability distribution confirmed the model’s ability to make decisions with a high degree of confidence. The developed hybrid architecture may have practical significance for industrial diagnostic systems and allows for automation of the flaw detection process.
1. Cantero-Chinchilla S., Wilcox P.D., Croxford A.J. Deep learning in automated ultrasonic NDE – Developments, axioms and opportunities // NDT & E International. July 2022. Vol. 131 (10). Article 102703. DOI: 10.1016/j.ndteint.2022.102703.
2. Иванов Д.А. Виды нейронных сетей для анализа данных ультразвукового неразрушающего контроля // Математическое моделирование, компьютерный и натурный эксперимент в естественных науках. 2024. № 1. URL: mathmod.esrae.ru/45-181 (дата обращения: 23.09.2025).
3. Ye J., Ito S., Toyama N. Computerized Ultrasonic Imaging Inspection: From Shallow to Deep Learning // Sensors. November 2018. Vol. 18 (11). Article 3820. DOI: 10.3390/s18113820.
4. Slonski R., Schabowicz K., Krawczyk A. Detection of Flaws in Concrete Using Ultrasonic Tomography and Convolutional Neural Networks // Materials. April 2020. Vol. 13 (7). Article 1557. DOI: 10.3390/ma13071557.
5. Wang Y., Wang L., Ye W., Zhang F., Pan Y., Li Y. Concrete Defect Localization Based on Multilevel Convolutional Neural Networks // Materials. July 2024. Vol. 17 (15). Article 3685. DOI: 10.3390/ma17153685.
6. Smagulova D., Samaitis V., Jasiuniene E. Convolutional Neural Network for Interface Defect Detection in Adhesively Bonded Dissimilar Structures // Applied Sciences. November 2024. Vol. 14 (22). Article 10351. DOI: 10.3390/app142210351.
7. Fei Q., Cao J., Xu W., Jiang L., Zhang J., Ding H., Yan J. A Deep Learning-Based Ultrasonic Diffraction Data Analysis Method for Accurate Automatic Crack Sizing // Applied Sciences. May 2024. Vol. 14 (11). Article 4619. DOI: 10.3390/app14114619.
8. Shen Y., Wu J., Chen J., Zhang W., Yang X., Ma H. Quantitative Detection of Pipeline Cracks Based on Ultrasonic Guided Waves and Convolutional Neural Network // Sensors. April 2024. Vol. 24 (4). Article 1204. DOI: 10.3390/s24041204.
9. Han G., Lv S., Tao Z., Sun X., Du B. Evaluation of Bolt Corrosion Degree Based on Non-Destructive Testing and Neural Network // Applied Sciences. June 2024. Vol. 14 (12). Article 5069. DOI: 10.3390/app14125069.
10. Islam M.A., Olm G. Deep Learning Techniques to Detect Rail Indications from Ultrasonic Data for Automated Rail Monitoring and Maintenance // Ultrasonics. April 2024. Vol. 135. Article 107314. DOI: 10.1016/j.ultras.2024.107314.
11. Zhang F., Wang L., Ye W. Aluminum Plate Defect Detection Based on Multilevel LSTM // Chinese Journal of Theoretical and Applied Mechanics. July 2023. Vol. 55 (11). P. 2566–2576. DOI: 10.6052/0459-1879-23-193.
12. Zhang F., Wang L., Ye W., Li Y., Yang F. Ultrasonic Lamination Defects Detection of Carbon Fiber Composite Plates Based on Multilevel LSTM // Composite Structures. 2024. Vol. 328. Article 117714. DOI: 10.1016/j.compstruct.2023.117714.
13. Wu Y., Zhang J., Gao C., Xu J. Internal Defect Detection Quantification and Three-Dimensional Localization Based on Impact Echo and Classification Learning Model // Measurement: Journal of the International Measurement Confederation. August 2023. Vol. 218. Article 113153. DOI: 10.1016/j.measurement.2023.113153.
14. Qu W., Wen Y., Yao N., Zhang Y., Luo X. Ultrasonic Nondestructive Testing for Composite Bonded Structures Based on Convolutional Neural Network and Bidirectional Gated Recurrent Unit (CNN-BiGRU) Optimized by Attention Mechanism // Review of Scientific Instruments. April 2025. Vol. 96 (4). Article 044903. DOI: 10.1063/5.0246397.
15. Sun Y., Zhou X., Long Q., Jian M. CNN-LSTM-Based Damage Localization of Plate Structure // Materials. 2025. Vol. 18 (9). Article 2081. DOI: 10.3390/ma18092081.
16. Guo Y., Xiao Z., Geng L., Wu J., Zhang F., Liu Y., Wang W. Fully Convolutional Neural Network With GRU for 3D Braided Composite Material Flaw Detection // IEEE Access. October 2019. Vol. 7. P. 151180–151188. DOI: 10.1109/ACCESS.2019.2946447.
17. Rus J., Fleury R. Reduced Training Data for Laser Ultrasound Signal Interpretation by Neural Networks // Journal of Nondestructive Evaluation. 2024. Vol. 43. Article 75. DOI: 10.1007/s10921-024-01090-9.
18. Иванов Д.А. Обзор подхода к обработке данных ультразвукового неразрушающего контроля с помощью машинного обучения // Научно-технический вестник Поволжья. 2025. № 6. С. 29–33. URL: https://www.ntvprt.ru/ru/archive-vypuskov (дата обращения: 01.10.2025).
19. Virkkunen I., Koskinen T., Jessen-Juhler O., Rinta-aho J. Augmented Ultrasonic Data for Machine Learning // Journal of Nondestructive Evaluation. March 2021. Vol. 40. Article 4. DOI: 10.1007/s10921-020-00739-5.