Optimalizace systému pro automatizovanou detekci vad ve spojení s metodami nedestruktivního testování

Abstract

Práce se zabývá optimalizací detekce vad v metodách NDT (nedestruktivního testování). Problém je řešen navržením nového detekčního algoritmu, založeného na modelu U-NET, který řeší nedostatky dřívějšího modelu. Zároveň je rozebíráno, jak algoritmicky rozšířit bázi dat pro trénování. Výsledkem práce jsou optimalizace procesu, které podstatně zvýšily přesnost celého systému detekce. Tyto optimalizace jsou univerzálně aplikovatelné na problém detekce malých vad a mohou tak zlepšit výkonost systému i mimo doménu NDT.

The thesis deals with the optimization of defect detection in NDT (non-destructive testing) methods. The problem is solved by designing a new detection algorithm, based on the U-NET model, which solves the shortcomings of the earlier model. Also, it is discussed, how to algorithmically expand data for training. The result of this work is an optimization of the process, which significantly increased the accuracy of the entire detection system. These optimizations are universally applicable to the problem of detecting small defects and can thus improve system performance even outside the NDT domain.