Использование модели Segment Anything Model (SAM) для обнаружения дефектов сварных соединений на промышленных ультразвуковых B-сканах
Leveraging Segment Anything Model (SAM) for Weld Defect Detection in Industrial Ultrasonic B-Scan Images
2025-01-06
SCID: 54.1/wzsbrx5m
Discuss with AI
тонкая настройка LoRASegment Anything Model (SAM)непровар (LOF)ультразвуковые B-скан-изображенияобнаружение дефектов сварных швов
Figures from the paper
Abstract (AI)
Автоматизированный ультразвуковой контроль (AUT) является важным инструментом оценки состояния инфраструктуры в таких отраслях, как нефтегазовая промышленность. Хотя квалифицированные операторы вручную анализируют сложные данные AUT, методы на основе искусственного интеллекта (ИИ) демонстрируют перспективность для автоматизации интерпретации. Однако повышение надежности и эффективности этих методов остается серьезной проблемой. В настоящем исследовании используется Segment Anything Model (SAM), фундаментальная модель компьютерного зрения, для разработки инструмента с поддержкой ИИ для обнаружения дефектов сварных соединений на реальных ультразвуковых B-сканах. Для этого применяется закрытый набор данных B-сканов, сформированных на основе данных AUT, собранных в ходе автоматизированного контроля кольцевых сварных соединений нефтегазопроводов; выявляется конкретный тип дефекта — непровар (lack of fusion, LOF). Реализация включает перенос информации о контексте B-сканов в модели SAM 1 и SAM 2, изначально ориентированные на изображения естественных сцен, с помощью полностью автоматизированного процесса, поддерживающего использование подсказок. В рамках разработки практического инструмента с поддержкой ИИ в экспериментах применялись методы стандартной тонкой настройки и тонкой настройки с низкоранговой адаптацией (LoRA) к кодировщику изображений и декодировщику масок различных вариантов обеих моделей, тогда как кодировщик подсказок оставался неизменным. Результаты показывают, что использованный метод обеспечивает более высокую производительность по сравнению с предыдущим исследованием на том же наборе данных.
Key Findings
1
В экспериментах оценивалась полная и LoRA-тонкая настройка энкодеров изображений и декодеров масок различных вариантов SAM при неизменном энкодере подсказок.
2
Модели SAM 1 и SAM 2 адаптированы для автоматического обнаружения непровара в реальных ультразвуковых B-сканах, полученных при автоматизированном контроле кольцевых сварных швов трубопроводов.
3
Метод переносит контекст B-сканов в модели SAM, обученные на естественных изображениях, с помощью полностью автоматизированного процесса с поддержкой подсказок.
4
Разработанный метод продемонстрировал более высокую эффективность по сравнению с предыдущим исследованием на том же закрытом наборе ультразвуковых B-сканов.
5
Работа направлена на создание практического инструмента автоматизированной интерпретации данных AUT для обнаружения конкретного типа дефекта сварки в нефтегазовых трубопроводах.
Research Object
дефекты сварных швов, в частности непровар (lack of fusion), на ультразвуковых B-сканах, полученных при автоматизированном контроле кольцевых сварных швов нефтегазовых трубопроводов
Research Subject
эффективность обнаружения и сегментации дефектов типа непровара с использованием ИИ, включая перенос и дообучение моделей SAM для интерпретации B-сканов с учетом их контекста
Publication Details
Publication Date
2025-01-06
Journal
Publisher
ISSN
Cited by
16
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Аугментированные ультразвуковые данные для машинного обучения2021
RIAWELC: новый набор радиографических изображений для автоматической классификации дефектов сварных соединений2023