CC BY
38
ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА
2023 Управление, вычислительная техника и информатика № 64
Tomsk State University Journal of Control and Computer Science
ОБРАБОТКА ИНФОРМАЦИИ DATA PROCESSING
Научная статья УДК 004.032.26 doi: 10.17223/19988605/64/6
Нейросетевой анализ данных ультразвуковой дефектоскопии магистральных газопроводов с использованием программно-аппаратной системы ДВУ
Игорь Георгиевич Боровской1, Елена Александровна Шельмина2, Андрей Анатольевич Матолыгин3, Евгений Петрович Ильин4
12, 3' 4 Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
1 igor.g. borovskoi@tusur. ru
2 elena.a.shelmina@tusur.ru 3 andrei.a.matolygin@tusur.ru
4 eugenecalls@gmail. com
Аннотация. Рассматривается задача определения зон, подвергшихся коррозионному воздействию, полученных при неразрушающем контроле с использованием методов ультразвуковой дефектоскопии магистральных газопроводов и программно-аппаратной системы ДВУ (дефектоскоп внутритрубный ультразвуковой).
Предлагается обработку большого объема данных, полученных в результате контроля с помощью системы ДВУ, осуществлять с использованием нейросетевой модели анализа данных. В качестве основной нейронной сети выбрано семейство сверточных нейросетей. Обрабатываемые данные были разбиты на обучающую, ва-лидационную и тестовую выборки. Данные внутри выборок перемешивались, что позволило процесс обучения сделать более качественным. Как показал анализ тестирования, предложенный подход позволяет с достаточной точностью определять зоны дефектов газопроводов.
Ключевые слова: нейросетевой анализ данных; сверточные нейронные сети; ультразвуковая дефектоскопия.
Благодарности: Исследование выполнено при финансовой поддержке гранта на реализацию программы стратегического академического лидерства «Приоритет-2030» в рамках научного проекта Пр2030-МОН наука БЧ/СП2/Б/19б.
Для цитирования: Боровской И.Г., Шельмина Е.А., Матолыгин А.А., Ильин Е.П. Нейросетевой анализ данных ультразвуковой дефектоскопии магистральных газопроводов с использованием программно-аппаратной системы ДВУ // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2023. № 64. С. 50-60. doi: 10.17223/19988605/64/6
Original article
doi: 10.17223/19988605/64/6
Neural network analysis of ultrasonic flaw detection data of main gas pipelines using
a hardware and software DVU system
Igor G. Borovskoy1, Elena A. Shelmina2, Andrey A. Matolygin3, Evgenyi P. Ilin4
12, 3 4 Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russian Federation
1 igor.g. borovskoi@tusur. ru
2 elena.a.shelmina@tusur.ru
© И.Г. Боровской, Е.А. Шельмина, А.А. Матолыгин, Е.П. Ильин, 2023
3 andrei.a.matolygin@tusur.ru 4 eugenecalls@gmail. com
Abstract. The paper considers the problem of determining the zones exposed to corrosion, obtained during non-destructive testing using ultrasonic flaw detection methods of main gas pipelines and the hardware and software system of the DVU (in-tube ultrasonic flaw detector).
It is proposed that the processing of a large amount of data obtained as a result of control using the DVU system is carried out using a neural network model of data analysis. A family of convolutional neural networks was chosen as the main neural network. The processed data were divided into training, validation and test sets. The data within the samples were mixed, which allowed the learning process to be made more qualitative. As the testing analysis showed, the proposed approach makes it possible to determine the defect zones of gas pipelines with sufficient accuracy.
Keywords: neural network data analysis; convolutional neural networks; ultrasonic flaw detection.
Acknowledgments: The research was carried out with the financial support of a grant for the implementation of the strategic academic leadership program "Priority 2030" within the framework of the scientific project Пр2030-М0н Science БЧ/СП2/Б/196.
For citation: Borovskoy, I.G., Shelmina, E.A., Matolygin, A.A., Ilin, E.P. (2023) Neural network analysis of ultrasonic flaw detection data of main gas pipelines using a hardware and software DVU system. Vestnik Tomskogo gosudarstvennogo universiteta. Upravlenie, vychislitelnaja tehnika i informatika - Tomsk State University Journal of Control and Computer Science. 64. pp. 50-60. doi: 10.17223/19988605/64/6
Введение
На текущий период времени остро стоит вопрос энергетической безопасности как стран в целом, так и отдельных регионов. Одним из эффективных средств решения данной проблемы является использование природного газа. Сегодня основным безопасным, независящим от погодных условий и ритмичным средством доставки является трубопроводный транспорт. Кроме того, магистральные газопроводы транспортируют газ на большие расстояния. Для обеспечения передачи заданных объемов газа используется рабочее давление, превышающее 100 атмосфер. Соответственно, предъявляются высокие требования к механической прочности трубопроводов, и это обеспечивается за счет использования стальных труб. Известно [1], что транспортируемый природный газ состоит в основном из метана, до 98%. Помимо этого, он также может содержать всевозможные примеси как в твердом состоянии, механические примеси в виде песка и возможной окалины, так и в жидком состоянии, в виде водяных паров и конденсатов тяжелых фракций углеводородов. Жидкие примеси, присутствующие в природном газе, оказывают корродирующее действие на внутреннюю поверхность газопровода, что приводит к утончению его несущей стенки и, соответственно, ее механической прочности. Данная проблема является чрезвычайно актуальной, и ей посвящен ряд современных публикаций по выявлению причин данного явления и борьбы с ним [2, 3]. Критические значения утончения стенки в конечном результате приведут к невозможности эксплуатации трубопровода и, соответственно, уменьшению времени его эксплуатации.
В связи с этим актуальной задачей становится определение текущего состояния стенок газопровода. Наиболее актуальными являются методики неразрушающего контроля, одна из которых -ультразвуковая дефектоскопия. При таких исследованиях определяют в обобщенном виде времена прихода отраженных сигналов от внутренней и внешней стенок газопровода [4]. Методы и техническая реализация на сегодняшний день чрезвычайно развиты, но применение на объектах гигантской протяженности чрезвычайно затруднительно. Решением данной проблемы является создание автоматизированных внутритрубных инспекционных приборов (ВИП) [5]. Одним из вариантов реализации таких приборов является дефектоскоп внутритрубный ультразвуковой (ДВУ), примерами реализации могут быть внутритрубные дефектоскопы 10-УСК.04-00.000 [6] и 40-ДФР.00-00.000 [7].
Цель настоящей работы - проведение нейросетевого анализа данных, направленного на автоматизацию обнаружения дефектов стенок газопроводов по результатам их ультразвукового исследования, при том что обрабатываемые данные представлены показаниями нескольких десятков тысяч
точек измерений. Исходя из этого, к задачам исследования можно отнести выбор нейросетевой модели, подготовку исходных данных для выбранной нейронной сети (НС), обучение НС и проведение вычислительных экспериментов для достоверного определения зон дефектов.
1. Программно-аппаратная система ДВУ
Программно-аппаратная система ДВУ [7] позволяет генерировать ультразвуковые сигналы и регистрировать данные их прохождения с 400 датчиков, расположенных по окружности трубы, при этом устройство с датчиками перемещается вдоль оси трубы с заданной скоростью. Соответственно, генерируется гигантский объем данных, который необходимо проанализировать. Совместно с зарегистрированными данными для исследования были получены данные о дефектах, их расположение в координатах «датчики-продольная ось трубы». Следует заметить, что доля данных, отвечающих «дефектам», в общей выборке очень мала и, как правило, не превышает единиц процентов.
В программно-аппаратной системе ДВУ для каждого датчика должно быть зарегистрировано по 31 значению времени и амплитуды отраженного сигнала. Для анализа исходных данных и выявления признаков на данных, соответствующих дефектам, проведена визуализация измерений в виде распределения амплитуд возвращенных волн во времени. Как правило, получается следующая картина (рис. 1). Можно видеть, что на графике присутствуют характерные группировки амплитуд, соответствующие интенсивностям возвращенного сигнала, и некоторые данные, которые явно можно отнести к шумам, вызванным различными физическими процессами, связанными как с волновыми процессами, так и процессами в системе измерения. Амплитуда отраженного сигнала при многократных отражениях уменьшается. На графике точками помечены центры отраженных ультразвуковых сигналов, которые могут быть теоретически использованы для пересчета толщины стенки, например за счет статистической обработки данных измерений.
Рис. 1. Визуализация зарегистрированных данных с одного датчика внутритрубных инспекционных приборов Fig. 1. Visualization of recorded data from one sensor of in-line inspection devices
Если рассматривать зарегистрированные данные для нескольких датчиков сразу, то получим следующую картину распределения данных о прохождении волн (рис. 2). Выделенный жирной линией замер с номером 87 отвечает сигналам из зоны с дефектом. На рисунке видны для номеров замеров положений до 88 и после 93 характерные области с данными, отвечающие отраженным сигналам, расположенным согласно правилам распространения волн. На этом же рисунке присутствуют зарегистрированные данные со смещением центров наборов данных по оси времени для областей с одной из сторон дефекта.
Однако в некоторых случаях картина регистрации данных будет совсем удручающей для методов математической статистики (рис. 3). На рисунках представлены данные для одного сечения тру-
бы: на рис. 3, а - данные для начальных детекторов в сечении, а на рис. 3, Ь - конечные детекторы. Соответственно, точки замера находятся рядом. Зоне дефекта соответствует рис. 3, а, жирные линии, а зоне без дефектов - рис. 3, Ь. Анализ визуализированных данных позволяет сделать вывод о том, что картина не отвечает «общепринятой» картине регистрируемых данных, что может быть обусловлено различными причинами - как физического характера, так и проблемами с регистрацией данных электронными приборами.
Рис. 2. Визуализация данных для группы датчиков ДВУ Fig. 2. Visualization of data for a group of sensors of in-line inspection devices
а b
Рис. 3. Визуализация данных для группы датчиков ДВУ: а - область с 0-го датчика по 6-й (с 0-го по 4-й - зона с дефектом);
b -примыкающая область трубы с 396 датчика до 0 Fig. 3. Visualization of data for a group of sensors of in-line inspection devices: a) the area from 0 of the sensor to 6 (from 0 to 4 the zone with a defect); b) the adjacent area of the pipe from 396 of the sensor to 0
Большое количество данных, неоднородность их получения и стремление к автоматизации прогнозного определения зон дефектов приводят к идее воспользоваться методами обработки данных, основанными на машинном обучении. Условно «классические» методы решения такого класса задач авторам неизвестны.
Популярной практикой при ультразвуковой дефектоскопии больших поверхностей является визуализация, т.е. создание проекций отраженных сигналов. Формируется двумерная картина, где цве-
том отражаются особенности прохождения сигнала, схема которого представлена на рис. 4. Если весь набор данных рассматривать как итог формирования некоторой картины, то для задачи определения мест дефекта можно воспользоваться сверточными нейросетями [8-13], хорошо себя зарекомендовавшими при работе с изображениями.
Рис. 4. Схема развертывания регистрируемых данных в плоскую картинку Fig. 4. Scheme of deploying the recorded data into a flat picture
2. Сверточные нейронные сети
Сверточные нейронные сети, как и большинство нейронных сетей, состоят из нескольких слоев [14]: сверточные слои (convolutional layer), которые могут чередоваться со слоями подвыборки, или избирательными слоями, или слоями пулинга (pooling layers), а также завершающие полносвязные слои. Чем больше слоев, тем мощнее архитектура и лучше обучение нейронной сети. Количество слоев может достигать нескольких десятков [15]. На этапе свертки нейронная сеть агрегирует данные, что в дальнейшем поможет анализу изображения. В общем случае свертку можно создавать для каждого признака. Нейронная сеть будет подбирать их во время распознавания и классификации на каждом сверточном слое [14]. Операция пулинга (pooling) представляет собой алгоритм уменьшения входного тензора по пространственным осям и выделения наиболее важных признаков. Существует множество видов пулинга [16], среди них можно выделить: max pooling - операция выбирает наибольший элемент из части изображения, покрытой ядром пулинга; mean pooling - операция выбирает средний элемент; min pooling - соответственно, минимальный. Алгоритм предполагает выбор размера фильтра пулинга, шага его движения и типа пулинга, после чего ядро пулинга последовательно накладывается на части входного изображения с выбранным шагом, а к части выходного изображения, покрытой ядром пуллинга, применяется его операция. Завершением НС служат один или несколько полносвязных слоев, предназначенных, как правило, для классификации [14].
При работе с зарегистрированными ДВУ данными предполагается подавать на вход некоторой НС тензор с размерностью, определяемой как произведение количества строк на количество столбцов и количество каналов, а на выходе ожидать информацию о наличии или отсутствии дефектов. В качестве значений для каналов предполагается использовать значения времен и амплитуд для каждого измерения, представленных одномерным массивом. Таким образом, сформированный тензор можно считать изображением с большим количеством каналов.
3. Результаты тестирования
Для визуализации принципа работы сверточной НС удобнее всего использовать развернутую карту дефектов, поскольку ее значительно проще визуализировать, чем данные, считанные ДВУ в полном объеме, так как последние представляют собой трехмерный тензор. В рамках данного подхода оба набора измерений воспринимаются как изображения, содержащие разное количество кана-
лов. В качестве входных данных НС предполагается использовать изображение, меньшее по высоте и ширине, чем исходное. А так как размер изображения задается по осям высоты и ширины, а данные, считанные ДВУ, и развернутой карты дефектов равны, то изображение, представляющее собой обрезанную зону развернутой карты дефектов, будет соответствовать такой же зоне в данных ДВУ с той лишь разницей, что они будут иметь разное количество каналов.
Тогда, имея карту признаков, можно обрезать ее часть некоторого размера и использовать ее как выходные данные НС, а как входные данные использовать соответствующий тензор. Количество датчиков и измерений представляется как ширина и высота изображения, а числа в каждой ячейке -как каналы с той разницей, что в RGB-изображениях 3 канала, а для анализируемых данных - вплоть до 64. Развернув данные в двумерную картину, получим следующее изображение (рис. 5), где по горизонтальной оси - номера датчиков, а по вертикальной - номера измерений вдоль оси трубы. На рисунке фиолетовый пиксель соответствует состоянию «отсутствие дефекта», желтый - «дефект».
III ■ • ■ nil
■ .. 11 I
1 ■ ■ . I
О 50 100 150 ¡00 250 300 350
Рис. 5. Развернутая картина бинарной карты дефектов Fig. 5. An expanded picture of a binary defect map
При подготовке данных получено одно «изображение» размера не менее ста строк, 400 столбцов и 64 канала (время и амплитуда отраженного сигнала). К этим данным формируется маска с ранее заданным количеством строк и столбцов и одним каналом, определяющим наличие и отсутствие дефекта. Для обучения сети такой вид данных не подойдет по причине малого количества наблюдений и большого размера самого наблюдения. Вывод о том, что наблюдение слишком большое, сделан на основе реализации решения задачи при работе с изображениями на нейронной сети VGG16 [17]. При обработке в нейронной сети VGG16 на вход подается, как правило, порядка сотен тысяч значений и сеть имеет глубину более 15 слоев, по этой причине использование данной сети не подходит для нашего обрабатываемого набора значений, поскольку потребует обработки более двух миллионов значений.
В качестве решения данной проблемы предлагается разбить имеющееся изображение на кропы. Кроп - часть изображения меньшего размера, но с таким же количеством каналов. Первой задачей для последующего обучения явилась задача выбора размеров кропа. В исследованиях использовались следующие значения стороны квадратного кропа: 8, 16, 24, 48. Ни одно из значений явных преимуществ перед другими не дало.
Поскольку в выборке мало дефектов, то для обучения предлагается провести аугментацию данных [18], т.е. искусственное увеличение выборки. Аугментация проводилась только для кропов с дефектами. Кроме того, стоит отметить, что проводилась только геометрическая аугментация со следующими операциями: поворот изображения кропа на 90° (три варианта), отражение изображения по горизонтали, отражение по вертикали. Для увеличения количества кропов с дефектами предложена аугментация со сдвигом изображения как по горизонтали, так и по вертикали на половину величины кропа с последующей склейкой недостающей части.
Итоговая нейросетевая модель состояла из двух блоков выделения признаков для значений времен и амплитуд, имеющих одинаковую архитектуру, но разные функции активации с учетом того, в каких пределах располагаются значения каждой выборки. Общая схема такого блока представлена на рис. 6.
Рис. 6. Общая схема блока выделения признаков из входных данных значений времен Fig. 6. The general scheme of the block for extracting features from the input data of time values
На вход подается исходный кроп как часть из общего набора данных, размером 64 х 64 «пикселя». Используя слои расширенной свертки с билинейной повышающей дискретизацией и слои пул-линга с использованием операции max pooling получаем 512 «рисунков» 1 х 1. Данная процедура проделывается как для блока значений амплитуд интенсивностей отраженных волн, так и времен.
Далее выходы двух таких блоков объединялись. Общая схема архитектуры нейронной сети представлена на рис. 7.
Рис. 7. Общая схема архитектуры нейронной сети Fig. 7. General diagram of the neural network architecture
За счет операции конкатенации и использования набора полносвязанных слоев НС на выходе получим бинарный ответ: содержит ли данный кроп в своем составе точки дефектов.
Исходные данные вручную разбиты на три выборки: обучающую, валидационную и тестовую. Это позволяет говорить о том, что вероятность переобучения нейронной сети и проблемы с внешним ковариационным сдвигом предусмотрены и данные подготовлены правильно. Также данные внутри всех трех выборок были перемешаны, что позволило процесс обучения сделать более стабильным и качественным.
Стоит заметить, что выходными данными для такой НС является одномерный массив логических значений. Для обучения нейронной сети такой массив создан на основании уже имеющихся выходных данных. Исходные данные имели точки дефектов, приближенные к краям исследуемой области (см. рис. 5). Для исключения краевых эффектов при обучении и последующего тестирования массив был преобразован сдвигом на заданную величину, что позволило получить область дефектов во внутренних областях данных (рис. 8). Операция, на взгляд авторов, допустима, поскольку данные снимаются с поверхности трубы и определение начала и конца окружности чрезвычайно условно.
Рис. 8. Развернутая карта дефектов Fig. 8. Expanded defect map
На подготовленных данных производилось обучение построенной нейронной сети с использованием функции потерь в виде среднего квадрата ошибки (mean squared error). График функции ошибки в процессе обучения на тренировочной и валидационной выборках представлен на рис. 9.
Рис. 9. График функции ошибки в процессе обучения на тренировочной и валидационной выборках Fig. 9. Graph of the error function in the learning process on the training and validation sets
Из анализа данных можно сделать вывод об отсутствии переобучения ввиду отсутствия расхождения графиков ошибки на валидационной и тренировочной выборках. Наименьшее значение
функции ошибки на тренировочной выборке составило 0,0024, на валидационной - 0,0032. НС протестирована, в результате значение функции ошибки составило 0,0408.
Номер датчика
Рис. 10. Итоговая предсказанная развернутая карта дефектов Fig. 10. Final predicted rolled defect map
На тестовом наборе данных проведено исследование расположения области дефектов. Результаты работы модели нейронной сети представлены на рис. 10. Наиболее светлые точки рисунка отвечают зонам с наибольшей вероятностью дефектов. В целом предсказанная область накрывает область дефектов тестовой выборки (рис. 8).
Заключение
В работе представлен нейросетевой анализ данных с использованием сверточных нейронных сетей. Имеющиеся входные данные были разбиты на обучающую, валидационную и тестовую выборки. Кроме того, данные внутри выборок были перемешаны, что позволило процесс обучения сделать более качественным.
Для обучения модели была использована нейросеть, построенная с использованием сверточных слоев. Функция потерь в виде среднего квадрата ошибки была применена для оценки точности модели. Из проведенного анализа данных можно сделать вывод, что у модели отсутствует переобучение, так как графики ошибки на валидационной и тренировочной выборках не расходятся. После обучения НС была протестирована на тестовом наборе данных, и значение функции ошибки составило
0.0408. Это позволяет оценить точность модели и ее способность предсказывать зоны дефектов.
В целом нейросетевая модель показала свою практическую применимость для предсказания зон дефектов магистральных газопроводов.
Список источников
1. Кальченко О.П., Сауткина Т.Н. Причины коррозии газопроводов // Техническое регулирование в транспортном строи-
тельстве. 2020. № 4 (43). С. 299-302.
2. Ma H., Zhang W., Wang Y., Ai Y., Zheng W. Advances in corrosion growth modeling for oil and gas pipelines: A review //
Process Safety and Environmental Protection. 2023, V. 171. P. 71-86.
3. Mazumder R.K., Salman A.M., Li Y. Failure risk analysis of pipelines using data-driven machine learning algorithms // Structural
Safety. 2021. V. 89. Art. 102047.
4. Алешин Н.П., Крысько Н.В., Щипаков Н.А., Кусый А.Г. Ультразвуковой контроль и комплексное применение методов
дефектоскопии в процессе диагностирования магистральных трубопроводов // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. 2023. Т. 13, № 1. С. 8-17.
5. Жуков А.Д., Григорьев М.В., Данилов В.Н. Исследование вопроса идентификации трещиноподобного коррозионно-
механического дефекта акустическими внутритрубными инспекционными приборами // Контроль. Диагностика. 2020. № 2. С. 56-63.
6. Дефектоскоп внутритрубный ультразвуковой 10-УСК.04-00.000. Номер в госреестре 84767-22 // Федеральный информа-
ционный фонд по обеспечению единства измерений. 2022. URL: https://fgis.gost.ru/fundmetrology/registry/4/items/1397752 (дата обращения: 10.05.2023).
7. Дефектоскоп внутритрубный ультразвуковой 40-ДФР.00-00.000. Номер в госреестре 84766-22 // Федеральный информа-
ционный фонд по обеспечению единства измерений. 2022. URL: https://fgis.gost.ru/fundmetrology/registry/4/items/1397751 (дата обращения: 10.05.2023).
8. Lei L., Sun S., Zhang Y., Liu H., Xu W. PSIC-Net: Pixel-Wise Segmentation and Image-Wise Classification Network for Surface
Defects // Machines. 2021. V. 9. Art. 9100221.
9. Hu W., Li X., Li C., Li R., Jiang T., Sun H., Huang X., Grzegorzek M., Li X. A state-of-the-art survey of artificial neural networks
for Whole-slide Image analysis: From popular Convolutional Neural Networks to potential visual transformers // Computers in Biology and Medicine. 2023. V. 161. Art. 107034.
10. Wang J., Zhang J., Cohn A.G., Wang Z., Liu H., Kang W., Jiang P., Zhang F., Chen K., Guo W., Yu Y. Arbitrarily-oriented tunnel lining defects detection from Ground Penetrating Radar images using deep Convolutional Neural networks // Automation in Construction. 2022. V. 133. Art. 104044.
11. Zhou S., Canchila C., Song W. Deep learning-based crack segmentation for civil infrastructure: data types, architectures, and benchmarked performance // Automation in Construction. 2023. V. 146. Art. 104678.
12. Kaur G., Sinha R., Tiwari P.K., Yadav S.K., Pandey P., Raj R., Vashisth A., Rakhra M. Face mask recognition system using CNN model // Neuroscience Informatics. 2022. V. 2, is. 3. Art. 100035.
13. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. 2014. URL: https://arxiv.org/abs/1409.1556 (accessed: 10.05.2023).
14. Багаев И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8, № 1. С. 15-22.
15. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770-778.
16. Фаворская М.Н. Структурные особенности сверточных нейронных сетей для задач распознавания изображений // Цифровая обработка сигналов и ее применение DSPA-2019 : докл. 21-й Междунар. конф. 2019. Т. XXI, кн. 2 (2). С. 542-546.
17. Sharma S., Guleria K., Tiwari S., Kumar S. A deep learning based convolutional neural network model with VGG16 feature extractor for the detection of Alzheimer Disease using MRI scans // Measurement: Sensors. 2022. V. 24. Art. 100506.
18. Емельянов С.О., Иванова А.А., Швец Е.А., Николаев Д.П. Методы аугментации обучающих выборок в задачах классификации изображений // Сенсорные системы. 2018. Т. 32, № 3. С. 236-245.
References
1. Kalchenko, O.P. & Sautkina, T.N. (2020) Prichiny korrozii gazoprovodov [Causes of corrosion of gas pipelines]. Tekhnicheskoe
regulirovanie v transportnom stroitel'stve - Technical regulation in transport construction. 55(4). pp. 299-302.
2. Ma, H., Zhang, W., Wang, Y., Ai, Y. & Zheng, W. (2023) Advances in corrosion growth modeling for oil and gas pipelines:
A review. Process Safety and Environmental Protection. 171. pp. 71-86. DOI: 10.1016/j.psep.2022.12.054
3. Mazumder, R.K., Salman, A.M. & Li, Y. (2021) Failure risk analysis of pipelines using data-driven machine learning algorithms.
Structural Safety. 89. Art. 102047. DOI: 10.1016/j.strusafe.2020.102047
4. Aleshin, N.P., Krysko, N.V., Shchipakov, N.A. & Kusyy, A.G. (2023) Ultrasonic testing and integrated application of non-
destructive techniques in main pipelines diagnostics. Nauka i tekhnologii truboprovodnogo transporta nefti i nefteproduktov -Science & Technologies: Oil and Oil Products Pipeline Transportation. 13(1). pp. 8-17. DOI: 10.28999/2541-9595-2023-13-18-17
5. Zhukov, A.D., Grigoriev, M.V. & Danilov, V.N. (2020) The research for an identification of mechanical crack-like corrosion
defect by acoustic in-line inspection tools. Kontrol'. Diagnostika - Testing. Diagnostics. 2. pp. 56-63. DOI: 10.14489/td.2020. 02.pp.056-063
6. The Federal Information Fund for Ensuring the Uniformity of Measurements. (2022a) Defektoskop vnutritrubnyy ul'trazvukovoy
10-USK.04-00.000. Nomer v gosreestre 84767-22 [Ultrasonic in-line flaw detector 10-USK.04-00.000. Number in the state register 84767-22]. [Online] Available from: https://fgis.gost.ru/fundmetrology/registry/ 4/items/ 1397752 (Accessed: 10th May 2023).
7. The Federal Information Fund for Ensuring the Uniformity of Measurements. (2022b) Defektoskop vnutritrubnyy ul'trazvukovoy
40-DFR.00-00.000. Nomer v gosreestre 84766-22 [Ultrasonic in-tube flaw detector 40-DFR.00-00.000. (2022) Number in the state register 84766-22]. [Online] Available from: https://fgis.gost.ru/fundmetrology/registry/ 4/items/1397751 (Accessed: 10th May 2023).
8. Lei, L., Sun, S., Zhang, Y., Liu, H. & Xu, W. (2021) PSIC-Net: Pixel-Wise Segmentation and Image-Wise Classification Network
for Surface Defects. Machines. 9. Art. 9100221. DOI: 10.3390/machines9100221
9. Hu, W., Li, X., Li, C., Li, R., Jiang, T., Sun, H., Huang, X., Grzegorzek, M. & Li, X. (2023) A state-of-the-art survey of artificial
neural networks for Whole-slide Image analysis: From popular Convolutional Neural Networks to potential visual transformers. Computers in Biology and Medicine. 161. Art. 107034.
10. Wang, J., Zhang, J., Cohn, A.G., Wang, Z., Liu, H., Kang, W., Jiang, P., Zhang, F., Chen, K., Guo, W. & Yu, Y. (2022) Arbitrarily-oriented tunnel lining defects detection from Ground Penetrating Radar images using deep Convolutional Neural networks. Automation in Construction. 133. Art. 104044. DOI: 10.1016/j.autcon.2021.104044
11. Zhou, S., Canchila, C. & Song, W. (2023) Deep learning-based crack segmentation for civil infrastructure: data types, architectures, and benchmarked performance. Automation in Construction. 146. Art. 104678. DOI: 10.1016/j.autcon.2022.104678
12. Kaur, G., Sinha, R., Tiwari, P.K., Yadav, S.K., Pandey, P., Raj, R., Vashisth, A. & Rakhra, M. (2022) Face mask recognition system using CNN model. Neuroscience Informatics. 2(3). Art. 100035. DOI: 10.1016/j.neuri.2021.100035
13. Simonyan, K. & Zisserman, A. (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition. [Online] Available from: https://arxiv.org/abs/1409.1556 (Accessed: 10th May 2023).
14. Bagaev, I.I. (2020) Analiz ponyatiy neyronnaya set' i svertochnaya neyronnaya set', obuchenie svertochnoy neyroseti pri pomoshchi modulya TensorFlow [Analysis of the concepts of a neural network and a convolutional neural network, training a convolutional neural network using the TensorFlow module]. Matematicheskoe iprogrammnoe obespechenie sistem vpromyshlennoy i sotsial'noy sferakh - Software of Systems in the Industrial and Social Field. 8(1). pp. 15-22. DOI: 10.18503/2306-2053-2020-8-1-15-22
15. He, K., Zhang, X., Ren, S. & Sun, J. (2016) Deep Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 770-778.
16. Favorskaya, M.N. (2019) Strukturnye osobennosti svertochnykh neyronnykh setey dlya zadach raspoznavaniya izobrazheniy [Structural features of convolutional neural networks for image recognition problems]. Tsifrovaya obrabotka signalov i eeprime-nenie DSPA-2019 [Digital signal processing and its application - DSPA-2019]. Reports of the 21st International Conference. Iss. XXI. Vol. 2(2). pp. 542-546.
17. Sharma, S., Guleria, K., Tiwari, S. & Kumar, S. (2022) A deep learning based convolutional neural network model with VGG16 feature extractor for the detection of Alzheimer Disease using MRI scans. Measurement: Sensors. 24. Art. 100506. DOI: 10.1016/j.measen. 2022.100506
18. Emelyanov, S.O., Ivanova, A.A., Shvets, E.A. & Nikolaev, D.P. (2018) Methods of training data augmentation in the task of image classification. Sensornye systemy - Sensory Systems Journal. 32(3). pp. 236-245. DOI: 10.1134/S0235009218030058
Информация об авторах:
Боровской Игорь Георгиевич - профессор, доктор физико-математических наук, заведующий кафедрой экономической математики, информатики и статистики Томского государственного университета систем управления и радиоэлектроники (Томск, Россия). E-mail: igor.g.borovskoi@tusur.ru
Шельмина Елена Александровна - кандидат физико-математических наук, доцент кафедры экономической математики, информатики и статистики Томского государственного университета систем управления и радиоэлектроники (Томск, Россия). E-mail: elena.a.shelmina@tusur.ru
Матолыгин Андрей Анатольевич - старший преподаватель кафедры экономической математики, информатики и статистики Томского государственного университета систем управления и радиоэлектроники (Томск, Россия). E-mail: andrei.a.matolygin@tusur.ru
Ильин Евгений Петрович - студент кафедры экономической математики, информатики и статистики Томского государственного университета систем управления и радиоэлектроники (Томск, Россия). E-mail: eugenecalls@gmail.com
Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.
Information about the authors:
Borovskoy Igor G. (Doctor of Physical and Mathematical Sciences, Professor, Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russian Federation). E-mail: igor.g.borovskoi@tusur.ru
Shelmina Elena A. (Candidate of Physical and Mathematical Sciences, Associate Professor, Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russian Federation). E-mail: elena.a.shelmina@tusur.ru
Matolygin Andrey A. (Senior Lecturer, Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russian Federation). E-mail: andrei.a.matolygin@tusur.ru
Ilin Evgenyi P. (Student, Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russian Federation). E-mail: eugenecalls@gmail.com
Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests.
Поступила в редакцию 10.05.2023; принята к публикации 04.09.2023 Received 10.05.2023; accepted for publication 04.09.2023
