Достижения и проблемы глубокого обучения для автоматизированного обнаружения дефектов сварных соединений: технический обзор

Advances and Challenges in Deep Learning for Automated Welding Defect Detection: A Technical Survey
Muhammad Hussain, Abdulrahim Mohammed
2025-01-01

глубокое обучениесегментация дефектовадаптация доменаобъяснимый искусственный интеллектобнаружение дефектов сварки
Автоматизированное обнаружение дефектов сварных соединений стало важнейшим компонентом обеспечения качества в отраслях с повышенными требованиями к безопасности, таких как аэрокосмическая промышленность, нефтегазовая отрасль и строительство. В статье представлен всесторонний обзор современных моделей глубокого обучения (DL), предназначенных для обнаружения, сегментации и классификации дефектов сварных соединений, с акцентом на технические достижения и сохраняющиеся проблемы. Проведен критический анализ одноэтапных и двухэтапных архитектур с целью оценки их способности решать такие задачи, как обнаружение дефектов малого размера, работа с изображениями низкой контрастности и обработка разнообразной геометрии дефектов. Особое внимание также уделено интеграции передовых методов предварительной обработки, таких как шумоподавление и повышение контрастности, в рабочие процессы глубокого обучения для улучшения выделения признаков и точности обнаружения. Подробно рассмотрены сохраняющиеся проблемы, включая недостаток крупных размеченных наборов данных, отсутствие возможности работы в реальном времени и ограниченную интерпретируемость моделей. Для устранения этих пробелов в обзоре предложены перспективные направления, включая использование самообучения, адаптации домена, генеративных состязательных сетей (GAN) и методов объяснимого искусственного интеллекта, направленных на повышение робастности, масштабируемости и прозрачности систем обнаружения дефектов сварных соединений. Обобщая результаты более чем десятилетнего периода исследований, статья предлагает подробную дорожную карту развития технологий автоматизированного контроля сварных соединений, обеспечивающую их надежное внедрение в реальных промышленных условиях.
1
Ключевыми препятствиями для промышленного внедрения остаются нехватка крупных размеченных наборов данных, недостаточная применимость в реальном времени и ограниченная интерпретируемость моделей.
2
Интеграция шумоподавления и повышения контрастности в рабочие процессы глубокого обучения может улучшать выделение признаков и точность обнаружения.
3
Самообучение, адаптация домена, генеративные состязательные сети и объяснимый искусственный интеллект рассматриваются как перспективные направления повышения робастности, масштабируемости и прозрачности систем.
4
Одностадийные и двухстадийные архитектуры критически сравниваются по способности обрабатывать малые дефекты, низкий контраст изображений и разнообразную геометрию дефектов.
5
Обзор обобщает более десяти лет исследований глубокого обучения для обнаружения, сегментации и классификации дефектов сварки.

системы автоматизированного обнаружения дефектов сварных соединений

эффективность, устойчивость, масштабируемость, применимость в реальном времени и интерпретируемость обнаружения, сегментации и классификации на основе глубокого обучения в условиях малых размеров дефектов, низкой контрастности изображений, разнообразной геометрии дефектов и ограниченного объёма размеченных данных

Publication Details
Publication Date
2025-01-01
Journal
Publisher
ISSN
Cited by
42
Access Type
Author Information
Authors
Muhammad Hussain
Abdulrahim Mohammed
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%