Details

В данной работе проведено исследование методов предобработки пространственных температурных полей, регистрируемых методом инфракрасной термографии при механических испытаниях материалов. Рассмотрены ограничения классических линейных фильтров и предложено решение на базе свёрточных нейронных сетей архитектуры U-Net, обеспечивающее подавление аппаратного шума при сохранении дифференциальной структуры поля. В ходе вычислительных экспериментов подтверждено превосходство нейросетевого фильтра над гауссовским сглаживанием по критериям точности восстановления и сохранения градиентов. Установлено, что применение фильтрации критически необходимо для корректной работы каскадных моделей машинного обучения при переносе обучения на образцы новой геометрии. Для достижения данных результатов в работе были использованы следующее программное обеспечение: язык программирования Python, фреймворк глубокого обучения PyTorch, библиотеки NumPy и SciPy для обработки данных.

This study investigates preprocessing techniques for spatial temperature fields recorded via infrared thermography during mechanical testing of materials. The limitations of classical linear filters are examined, and a solution based on the U-Net convolutional neural network architecture is proposed to suppress instrumental noise while preserving the differential structure of the field. Computational experiments demonstrate the superiority of the neural network filter over Gaussian smoothing in terms of reconstruction accuracy and gradient preservation. It is established that applying filtering is critically necessary for the reliable performance of cascaded machine learning models, particularly when transferring learning to specimens of novel geometries. The following software tools were utilized to achieve these results: the Python programming language, the PyTorch deep learning framework, and the NumPy and SciPy libraries for data processing.