Повышение эффективности автоматизированного распознавания дефектов (ADR) в цифровой рентгенографии: синтез обучающих данных посредством моделирования распределения интенсивности рентгеновского излучения для алгоритмов глубокого обучения

Промышленная радиография является важным методом неразрушающего контроля (NDT), обеспечивающим качество и безопасность в широком спектре промышленных отраслей. Однако традиционные методы, основанные на визуальном контроле человеком, сталкиваются с проблемами точности и эффективности обнаружения дефектов, главным образом из-за высокой нагрузки на инспекцию в производственных отраслях с большими объемами выпуска продукции. Для решения этой проблемы были разработаны многочисленные компьютерные альтернативы, включая автоматизированное распознавание дефектов (ADR) с использованием алгоритмов глубокого обучения. Для обучения этим алгоритмам необходимы большие объемы данных, репрезентативных для реальных случаев. Однако доступность данных цифровой рентгенографии для открытых исследований ограничена условиями договоров о неразглашении, действующих в промышленности. В данном исследовании представлен конвейер, способный моделировать синтетические изображения на основе статистической информации, полученной из распределения интенсивности рентгеновского излучения на реальных изображениях цифровой рентгенографии. Посредством тщательного анализа распределения интенсивности цифровых рентгеновских изображений извлекаются уникальные статистические закономерности, связанные с условиями экспозиции при получении изображений, типом компонента, вариациями толщины, расходимостью пучка, эффектом пятна анода и другими факторами. Синтезированные изображения использовались для обучения моделей глубокого обучения, что обеспечило высокие показатели качества моделей: среднее пересечение над объединением (IoU) составило 0,93, а средний коэффициент Дайса — 0,96 на реальных ранее не использовавшихся изображениях цифровой рентгенографии. Предложенная методология является масштабируемой и адаптируемой, что делает ее пригодной для различных промышленных применений.