Комплексный обзор обнаружения дефектов материалов на основе машинного обучения

Дефекты материалов (MD) представляют собой одну из основных проблем, влияющих на эксплуатационные характеристики продукции и создающих угрозы безопасности связанных с ней изделий. Быстрая и точная идентификация и локализация MD являются важными направлениями исследований, направленными на решение современных задач, связанных с MD. В последние годы, благодаря стремительному развитию технологий машинного обучения (ML), особенно глубокого обучения, ML быстро стало ключевой технологией и одним из ведущих направлений исследований в области обнаружения дефектов материалов (MDD). На основе комплексного анализа новейшей литературы мы систематически классифицируем методы ML, применяемые для MDD, по пяти категориям: обучение без учителя, обучение с учителем, полуобучение, обучение с подкреплением и генеративное обучение. Представлен подробный анализ основных принципов и используемых методов, а также их преимуществ и потенциальных ограничений. Кроме того, в обзоре рассматриваются методы обнаружения дефектов в композиционных материалах, являющихся важным классом материалов, применение которых постоянно расширяется в различных отраслях, включая аэрокосмическую, автомобильную, строительную промышленность и возобновляемую энергетику. Наконец, в обзоре исследуются перспективные направления дальнейшего развития MDD с использованием технологий ML. Данный обзор систематизирует литературу по MDD на основе ML и создает основу для будущих исследований и практического применения.