В статье рассматривается создание многозадачной гибридной нейросетевой модели с многоветвевой структурой регрессионного блока для одновременного обнаружения и количественной оценки размеров дефектов по данным ультразвукового неразрушающего контроля. Основная цель работы – повышение точности определения параметров дефектов за счет параллельной обработки признаков разными функциями активации в рамках единой многозадачной архитектуры. В качестве материалов исследования использованы данные ультразвукового контроля сварного стыка из аустенитной нержавеющей стали с искусственными трещинами. Методология включала расширение ранее разработанной CNN-GRU модели для бинарной классификации до многозадачной, где регрессионный блок реализован как многоветвевая структура с параллельными преобразованиями и последующей интеграцией признаков. Обучение проводилось с балансировкой функций потерь для совместной оптимизации задач классификации и регрессии. Результаты показали высокую эффективность предложенного подхода. Модель продемонстрировала абсолютную точность классификации и низкую ошибку регрессии – средняя абсолютная ошибка составила 0,118 мм (5,3 % от среднего размера дефекта). Сравнение с моделью аналогичной архитектуры без многоветвевой структуры подтвердило, что предложенное решение снижает ошибку более чем в два раза и устраняет систематическое смещение предсказаний. Разработанная архитектура может иметь практическую значимость для систем автоматизированной ультразвуковой диагностики, требующих не только обнаружения, но и точного измерения параметров дефектов.
This article discusses the development of a multi-task hybrid neural network model with a multi-branch regression block structure for the simultaneous detection and quantitative assessment of defect sizes based on ultrasonic non-destructive testing data. The primary objective of the study is to improve the accuracy of determining defect geometric parameters through parallel feature processing using different activation functions within a single multi-task architecture. The study utilizes ultrasonic testing data for a welded joint made of austenitic stainless steel with artificial cracks. The methodology included expanding the previously developed CNN-GRU model for binary classification to a multi-task model, where the regression block is implemented as a multi-branch structure with parallel transformations and subsequent feature integration. Training was conducted with balanced loss functions to jointly optimize classification and regression problems. The results demonstrated the high efficiency of the proposed approach. The model demonstrated absolute classification accuracy and a low regression error: the average absolute error was 0.118 mm (5.3% of the average defect size). A comparison with a model of a similar architecture without a multi-branch structure confirmed that the proposed solution reduces the error by more than twofold and eliminates systematic prediction bias. The developed architecture may have practical implications for automated ultrasound diagnostic systems that require not only detection but also precise measurement of defect parameters.
The authors declare that there are no conflicts of interest present.