The application of deep learning (DL) algorithms to non-destructive evaluation (NDE) is now becoming one of the most attractive topics in this field. As a contribution to such research, this study aims to investigate the application of DL algorithms for detecting and estimating the looseness in bolted joints using a laser ultrasonic technique. This research was conducted based on a hypothesis regarding the relationship between the true contact area of the bolt head-plate and the guided wave energy lost while the ultrasonic waves pass through it. First, a Q-switched Nd:YAG pulsed laser and an acoustic emission sensor were used as exciting and sensing ultrasonic signals, respectively. Then, a 3D full-field ultrasonic data set was created using an ultrasonic wave propagation imaging (UWPI) process, after which several signal processing techniques were applied to generate the processed data. By using a deep convolutional neural network (DCNN) with a VGG-like architecture based regression model, the estimated error was calculated to compare the performance of a DCNN on different processed data set. The proposed approach was also compared with a K-nearest neighbor, support vector regression, and deep artificial neural network for regression to demonstrate its robustness. Consequently, it was found that the proposed approach shows potential for the incorporation of laser-generated ultrasound and DL algorithms. In addition, the signal processing technique has been shown to have an important impact on the DL performance for automatic looseness estimation.

中文翻译：

---

使用深度学习算法的基于人工智能的螺栓松动诊断，用于激光超声波传播数据。

深度学习（DL）算法在无损评估（NDE）中的应用现已成为该领域中最有吸引力的主题之一。作为对此类研究的贡献，本研究旨在研究DL算法在使用激光超声技术检测和估算螺栓连接中的松动方面的应用。本研究基于关于螺栓头板的实际接触面积与超声波通过时损失的导波能量之间的关系的假设进行的。首先，将Q开关Nd：YAG脉冲激光器和声发射传感器分别用作激励和感测超声信号。然后，使用超声波传播成像（UWPI）过程创建3D全场超声数据集，之后，应用了几种信号处理技术来生成处理后的数据。通过将深度卷积神经网络（DCNN）与基于VGG的体系结构的回归模型一起使用，可以计算估计的误差，以比较DCNN在不同处理数据集上的性能。还将该提议的方法与K最近邻，支持向量回归以及深度人工神经网络进行了回归，以证明其鲁棒性。因此，发现所提出的方法显示出结合激光产生的超声和DL算法的潜力。此外，信号处理技术已显示出对自动松动估计的DL性能具有重要影响。通过将深度卷积神经网络（DCNN）与基于VGG的体系结构的回归模型一起使用，可以计算估计的误差，以比较DCNN在不同处理数据集上的性能。还将该提议的方法与K最近邻，支持向量回归和深度人工神经网络进行了回归，以证明其鲁棒性。因此，发现所提出的方法显示出结合激光产生的超声和DL算法的潜力。此外，信号处理技术已显示出对自动松动估计的DL性能具有重要影响。通过将深度卷积神经网络（DCNN）与基于VGG的体系结构的回归模型一起使用，可以计算估计的误差，以比较DCNN在不同处理数据集上的性能。还将该提议的方法与K最近邻，支持向量回归以及深度人工神经网络进行了回归，以证明其鲁棒性。因此，发现所提出的方法显示出结合激光产生的超声和DL算法的潜力。此外，信号处理技术已显示出对自动松动估计的DL性能具有重要影响。该提议的方法还与K最近邻，支持向量回归和深度人工神经网络进行了回归进行比较，以证明其鲁棒性。因此，发现所提出的方法显示出结合激光产生的超声和DL算法的潜力。此外，信号处理技术已显示出对自动松动估计的DL性能具有重要影响。该提议的方法还与K最近邻，支持向量回归和深度人工神经网络进行了回归进行比较，以证明其鲁棒性。因此，发现所提出的方法显示出结合激光产生的超声和DL算法的潜力。此外，信号处理技术已显示出对自动松动估计的DL性能具有重要影响。