Автоматическое обнаружение дефектов при цифровой радиографии аэрокосмических сварных соединений с использованием глубокого обучения
Automated defect detection in digital radiography of aerospace welds using deep learning
2022-02-24
SCID: 54.1/4mmfmv6m
Discuss with AI
аэрокосмические сварные соединенияглубокое обучениецифровая радиографиясемантическая сегментацияаугментация виртуальными дефектами
Figures from the paper
Abstract (AI)
В процессе производства аэрокосмические сварные соединения подвергаются неразрушающему контролю (НК) для выявления дефектных деталей, которые могут представлять угрозу для прочности конструкции; часто для этого используется цифровая радиография. Анализ цифровых радиографических изображений является трудоемким и дорогостоящим. До настоящего времени попытки автоматизировать этот анализ с помощью традиционных методов компьютерного зрения или неглубокого машинного обучения не обеспечивали эффективности, сопоставимой с работой инспекторов, из-за высоких требований к надежности и низкого отношения контраста дефектов к шуму. Современные подходы, основанные на глубоком обучении, существенно продвинулись в направлении надежного автоматизированного анализа. Однако ограниченный объем наборов данных делает существующие решения машинного обучения недостаточными для промышленного применения. Кроме того, для принятия технологии в промышленности необходимо продемонстрировать ее эффективность с использованием стандартных метрик неразрушающего контроля, таких как вероятность обнаружения (POD), которые в предыдущих исследованиях применялись редко. В настоящем исследовании для преодоления нехватки данных использовалось дополнение данных виртуальными дефектами, которое сравнивалось с традиционным дополнением данных. Для выявления дефектов на данных компьютерной радиографии аэрокосмических сварных соединений была обучена сеть семантической сегментации. Для сравнения применялись стандартные метрики оценки, используемые в неразрушающем контроле. Впоследствии сеть была развернута в качестве вспомогательного инструмента инспектора в реалистичной рабочей среде для прогнозирования дефектов на производственных радиограммах. Сеть продемонстрировала высокую надежность обнаружения и точность определения размеров дефектов, а также приемлемую частоту ложных срабатываний. Было установлено, что дополнение данных виртуальными дефектами существенно повышает эффективность, особенно при небольших объемах наборов данных и для недостаточно представленных типов дефектов, даже при больших объемах данных. Развернутый прототип оказался простым в использовании, что свидетельствует о его готовности к внедрению в промышленность.
Key Findings
1
Прототип, развернутый для анализа производственных радиограмм, оказался простым в использовании, что указывает на готовность к применению как инструмент поддержки инспектора.
2
Для обнаружения и определения размеров дефектов на компьютерных радиограммах аэрокосмических сварных соединений была обучена сеть семантической сегментации.
3
Система глубокого обучения достигла высокой надежности обнаружения, точного определения размеров дефектов и приемлемой частоты ложных срабатываний.
4
Эффективность оценивалась с использованием стандартных метрик неразрушающего контроля, включая вероятность обнаружения, что повышает промышленную применимость метода.
5
Аугментация данных виртуальными дефектами значительно повысила эффективность обнаружения, особенно при ограниченных наборах данных и для недопредставленных типов дефектов.
Research Object
цифровые радиографические изображения аэрокосмических сварных соединений, содержащих производственные дефекты
Research Subject
автоматическое обнаружение дефектов на основе глубокого обучения, сегментация, точность определения размеров, надёжность обнаружения и частота ложных срабатываний, включая влияние аугментации с виртуальными дефектами
Publication Details
Publication Date
2022-02-24
Journal
Publisher
ISSN
Cited by
84
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
ImageNet: крупномасштабная иерархическая база изображений2009
Обучение глубоких признаков для дискриминативной локализации2016
Обнаружение объектов с помощью глубокого обучения: обзор2019
Аугментированные ультразвуковые данные для машинного обучения2021
Работы, цитирующие эту статью4
Глубокое обучение для автоматического распознавания промышленных поверхностных дефектов на основе машинного зрения: обзор2023
Достижения и проблемы глубокого обучения для автоматизированного обнаружения дефектов сварных соединений: технический обзор2025
Применение машинного обучения для радиографического контроля сварных соединений в аэрокосмической отрасли2024
Повышение эффективности автоматизированного распознавания дефектов (ADR) в цифровой рентгенографии: синтез обучающих данных посредством моделирования распределения интенсивности рентгеновского излучения для алгоритмов глубокого обучения2023