使用X射线放射学,通过模拟合成X射线数据增强和机器学习,对压材料进行自动化的孔隙性特征化

科学领域:

• 材料科学与工程 材料科学与工程
• 非破坏性测试 (NDT) 是一种非破坏性测试.
• 人工智能在制造业中的应用

背景情况:

• 检测压件和纤维金属层 (FML) 等材料的隐藏缺陷仍然是一个重大挑战.
• 现有的方法在数据变异,准确的特征标签以及为监督机器学习建立基本真相方面扎.
• 包括放射和计算机断层扫描 (CT) 在内的X射线成像技术对于NDT至关重要,但需要先进的分析.

研究的目的:

• 讨论使用X射线成像进行自动损坏和缺陷检测的数据驱动建模的方法和挑战.
• 调查合成数据对训练强大的机器学习 (ML) 功能检测器的有用性.
• 探索从高质量的CT转向低质量的单投射X射线,用于缺陷分析.

主要方法:

• 利用语义像素卷积神经网络进行数据驱动的特征检测.
• 生成合成X射线数据,以创建地面真相数据集和标签,监督ML.
• 使用各种X射线设备获得的实验数据:低质量的X射线,工业X射线/CT和高质量的微型CT (μ-CT).

主要成果:

• 合成数据可以为ML模型培训提供地面真相和标签,但不足以直接预测制造缺陷.
• 噪音显著影响特征检测的准确性,需要在数据驱动模型中仔细考虑.
• 训练有素的强大和通用的ML功能探测器仅使用合成数据,证明了更广泛应用的潜力.

结论:

• 数据驱动的方法,特别是合成数据增强,显示出对材料自动缺陷检测的承诺.
• 射线成像设备的质量会影响特征检测;通过强大的模型,从CT过渡到单投射放射是可行的.
• 开发的方法不仅适用于压造,还适用于各种材料和缺陷表征任务.