JultikaUniversity of Oulu repository

Tiivistelmä

Tämän tutkielman tarkoituksena oli tutkia tekoälyn ja koneoppimisen tekniikoita teollisuuden NDT-menetelmien parissa. Tutkielman motiivina toimi NDT-tarkastajan tehtävässä hankkimani työkokemus ja sitä kautta syntynyt mielenkiinto alan uusimpia tekniikoita ja virtauksia kohtaan. NDT-menetelmistä keskityttiin erityisesti radiografiseen tarkastukseen ja radiografisten kuvien luokitteluun käytettävien koneoppivien algoritmien käyttöön. Tavoitteena oli tiedon lisääminen oppivien algoritmien mahdollisuuksista radiografisten kuvien tulkinnassa erityisesti pienillä opetusaineistoilla. Tutkielma toteutettiin kirjallisten lähteiden avulla, vertaamalla keskenään aiheesta toteutettuja tutkimuksia ja niistä saatuja tuloksia.

Tutkielman tuloksena saatiin tietoa kolmen erilaisen algoritmin suorituskyvystä radiografisten kuvien luokittelussa ja vikojen segmentoinnissa. Tuloksista selvisi, että kahdella keskenään verratulla algoritmillä, tukivektorikoneella ja monikerrosperseptronilla, päästään keskenään liki samanlaisiin luokittelutuloksiin, tukivektorikoneen ollessa tuloksissa näistä kahdesta keskimäärin parempi algoritmi. Kolmantena mukana olleen syväoppivan konvolutiivisen neuroverkon tutkimustuloksissa keskityttiin pienimmän mahdollisen vikakoon löytämiseen kyseisen algoritmin avulla ja tutkimuksen mukaan menetelmä täyttää vaativimmatkin NDT-menetelmän herkkyydelle teollisuudessa asetetut vaatimukset. Tutkimusaineiston mukaan, koneoppivilla algoritmeillä on täydet valmiudet toimia tarkastajan apuna mm. vika-alueiden paikantamisessa, segmentoimisessa ja vikojen tilastoinnissa jo tällä hetkellä. Alan tutkimus on viime aikoina vahvasti painottunut konvolutiivisten neuroverkkojen suuntaan ja niiden merkitys teollisuuden NDT-menetelmien automatisoinnissa tulee epäilemättä olemaan näistä kolmesta koneoppivasta tekniikasta suurin.