对超声波非破坏性评估中机器学习的合成和增强训练数据的审查

科学领域:

• 材料科学 材料科学 材料科学
• 工程 工程师 工程师 工程师
• 计算机科学 计算机科学

背景情况:

• 机器学习 (ML) 在超声波测试 (UT) 中越来越多地用于非破坏性评估 (NDE) 中的自动缺陷检测和分类.
• 一个主要的挑战是代表性训练数据的稀缺性,特别是对于有缺陷的标本,导致ML模型过拟合.
• 现有的数据增强 (DA) 策略往往无法有效地增加数据集变异.

研究的目的:

• 提供第一个综合和增强UT训练在NDE中的数据生成方法的主题综述.
• 总结过去几十年在创建现实的UT数据集方面取得的进展.
• 为了帮助决策,将特定的数据生成和增强技术应用于UT测试案例.

主要方法:

• 对合成UT数据生成的数值方法的审查:有限元,有限差异和弹性动力学有限集成.
• 半分析方法的概述:一般点源合成,高斯束叠加和笔方法.
• 讨论各种DA技术,包括虚拟缺陷方法,生成对抗网络 (GAN) 和UT数据的功能空间增强.

主要成果:

• 综合UT数据生成的多种数值和半分析方法的综合总结.
• 针对单维和多维UT数据量身定制的现有DA方法的详细介绍.
• 分析每个合成数据生成和DA方法的优点和局限性.

结论:

• 合成数据生成和先进的DA方法,如GAN,对于克服基于ML的UT的数据限制至关重要.
• 对方法能力的彻底理解对于在NDE中成功实施至关重要.
• 本综述是研究人员和从业人员在为UT应用选择适当的数据策略时的指南.