Многозадачная гибридная модель с многоветвевым регрессионным блоком для обнаружения и оценки размеров дефектов по данным ультразвукового контроля

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.

1. Shi Y., Xu W., Zhang J., Li X. Automated Classification of Ultrasonic Signal via a Convolutional Neural Network. Applied Sciences. 2022;12(9). https://doi.org/10.3390/app12094179

2. Barshok K., Choi J.‑I., Lee J. Deep Learning‑Based Approach for Automatic Defect Detection in Complex Structures Using PAUT Data. Sensors. 2025;25(19). https://doi.org/10.3390/s25196128

3. Wang H., Fan Zh., Chen X., et al. Automated Classification of Pipeline Defects from Ultrasonic Phased Array Total Focusing Method Imaging. Energies. 2022;15(21). https://doi.org/10.3390/en15218272

4. Krolik A., Drelich R., Pakuła M., Mikołajewski D., Rojek I. Detection of Defects in Polyethylene and Polyamide Flat Panels Using Airborne Ultrasound‑Traditional and Machine Learning Approach. Applied Sciences. 2024;14(22). https://doi.org/10.3390/app142210638

5. Tunukovic V., McKnight Sh., Mohseni E., et al. A study of machine learning object detection performance for phased array ultrasonic testing of carbon fibre reinforced plastics. NDT & E International. 2024;144. https://doi.org/10.1016/j.ndteint.2024.103094

6. Соловьев А.Н., Соболь Б.В., Васильев П.В., Сеничев А.В., Новикова А.И. Идентификация дефектов в клине с покрытием на основе методов ультразвукового неразрушающего контроля и сверточных нейронных сетей. Вестник Пермского национального исследовательского политехнического университета. Механика. 2023;(1):111–124. https://doi.org/10.15593/perm.mech/2023.1.11

7. Sheehan P.S., Miorelli R., Robert S., Chapuis B., Chatillon S. Investigation of a Deep Learning Methodology for Automatic Detection and Characterization of Crack-Type Defects in Ultrasonic Non-Destructive Testing. In: 2025 ICU PADERBORN – 9th International Congress on Ultrasonics, 21–25 September 2025, Paderborn, Germany. 2025. P. 295–298. https://doi.org/10.5162/Ultrasonic2025/E4-a3

8. Shi S., Jin Sh., Zhang D., et al. Improving ultrasonic testing by using machine learning framework based on model interpretation strategy. Chinese Journal of Mechanical Engineering. 2023;36(1). https://doi.org/10.1186/s10033-023-00960-z

9. Pyle R.J., Bevan R.L.T., Hughes R.R., et al. Deep Learning for Ultrasonic Crack Characterization in NDE. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2021;68(5):1854–1865. https://doi.org/10.1109/TUFFC.2020.3045847

10. Fei Q., Cao J., Xu W., et al. A Deep Learning-Based Ultrasonic Diffraction Data Analysis Method for Accurate Automatic Crack Sizing. Applied Sciences. 2024;14(11). https://doi.org/10.3390/app14114619

11. Azad M.M., Jung J., Kim H.S., et al. An integrated multi-task transfer learning for damage detection, localization, and severity assessment of laminated composite plate. Composite Structures. 2025;371. https://doi.org/10.1016/j.compstruct.2025.119478

12. Dong X., Taylor Ch.J., Cootes T.F. Defect Classification and Detection Using a Multitask Deep One-Class CNN. IEEE Transactions on Automation Science and Engineering. 2022;19(3):1719–1730. https://doi.org/10.1109/TASE.2021.3109353

13. Kim K., Kim K.S., Park H.-J. Multi-branch deep fusion network-based automatic detection of weld defects using non-destructive ultrasonic test. IEEE Access. 2023;11:114489–114496. https://doi.org/10.1109/ACCESS.2023.3324717

14. Wang L., Qi Zh., Ding X., et al. Accurate detection and characterization of sub-millimeter cracks using nonlinear ultrasonics-informed parallel multi-branch convolutional neural network. Engineering Applications of Artificial Intelligence. 2026;166. https://doi.org/10.1016/j.engappai.2025.113638

15. Cao W., Sun X., Liu Zh., et al. The detection of PAUT pseudo defects in ultra-thick stainless-steel welds with a multimodal deep learning model. Measurement. 2025;241. https://doi.org/10.1016/j.measurement.2024.115662

16. Иванов Д.А. Обзор подхода к обработке данных ультразвукового неразрушающего контроля с помощью машинного обучения. Научно-технический вестник Поволжья. 2025;(6):29–33.

17. Иванов Д.А., Кондратов Д.В. Гибридная модель для пространственно-временной обработки данных ультразвукового неразрушающего контроля. Современные наукоемкие технологии. 2025;(12):69–77. https://doi.org/10.17513/snt.40606

18. Virkkunen I., Koskinen T., Jessen-Juhler O., Rinta-aho J. Augmented Ultrasonic Data for Machine Learning. Journal of Nondestructive Evaluation. 2021;40(1). https://doi.org/10.1007/s10921-020-00739-5