Автоматизированное обнаружение дефектов при флуоресцентном капиллярном контроле с использованием машинного обучения

Флуоресцентный капиллярный контроль (FPI) представляет собой хорошо зарекомендовавший себя метод неразрушающего контроля (NDT), широко применяемый в аэрокосмической промышленности. Специфика FPI, особенно при производстве новых изделий, может приводить к вариабельным результатам, обусловленным влиянием человеческого фактора. Это обусловило необходимость создания автоматизированной системы контроля, способной повысить надежность, однако доступный объем обучающих данных ограничен. В сочетании с накоплением пенетранта на поверхности из-за шероховатости, геометрии, недостаточной отмывки и других факторов это затрудняет обучение автоматизированной системы контроля, способной отличать пенетрант, возникший вследствие дефектов, от других индикаций, не связанных с дефектами. Была изготовлена, обработана и визуализирована выборка образцов с трещинами, вызванными термической усталостью; в результате получен набор данных из 99 образцов, содержащих 173 трещины. Этот набор данных использовали для обучения двух алгоритмов машинного обучения (ML). Первым алгоритмом был случайный лес (RF). Несколько признаков были отобраны вручную и использованы для обучения ряда деревьев решений на подмножествах полного набора данных. Метод RF позволил обнаружить 76% дефектов при частоте ложных срабатываний 0,42 на изображение. В последующей работе для улучшения RF применялись методы, основанные на оценке производительности. Было показано, что слабые деревья можно удалять из RF без изменения результатов, что позволяет получить более эффективное с вычислительной точки зрения решение. Вторым использованным методом ML было глубокое обучение. Архитектура ResNet50 превзошла метод RF по производительности. ResNet50 позволила обнаружить 95% дефектов при частоте ложных срабатываний 0,15. Кроме того, было установлено, что результаты можно улучшить за счет предоставления дополнительных обучающих данных по индикациям, не связанным с дефектами; такие данные получать быстрее и дешевле. Представленная в данной диссертации работа демонстрирует целесообразность применения методов ML для автоматизированного обнаружения дефектов при FPI.