在使用机器学习的部门扫描中自动检测缺陷

科学领域:

• 非破坏性测试是指非破坏性测试.
• 人工智能的人工智能
• 机器学习 机器学习
• 超声波测试 超声波测试 超声波测试

背景情况:

• 阶段式阵列超声测试 (PAUT) 图像分析严重依赖于检查员的专业知识,这可能导致变化和错误.
• 由于数据保密性,PAUT中的当前机器学习应用程序受到大型标记检查数据集的稀缺性限制.
• 现有的方法需要大量的培训和经验来准确识别缺陷.

研究的目的:

• 开发和评估用于PAUT部门扫描中自动检测缺陷的机器学习模型.
• 通过生成一个全面的数据集来解决PAUT中有限的标记数据的挑战.
• 为了提高PAUT缺陷分析的准确性和可靠性.

主要方法:

• 通过使用模拟,从FMC数据中生成了数十万个部门扫描的大数据库.
• 在这个全面的数据集上训练了一种机器学习模型,结合了来自各种探测器和频率的数据.
• 利用FMC数据的后处理来计算从焦点定律的部门扫描.

主要成果:

• 经过训练的机器学习模型在PAUT部门扫描中实现了强大的缺陷检测.
• 该模型展示了概括能力,成功识别了培训数据中不存在的缺陷类型.
• 即使在低对比度 (CNR) 的高噪音条件下,也观察到一致的检测性能.

结论:

• 使用人工智能和大量生成的数据集的新方法显著提高了PAUT缺陷检测.
• 开发的模型提供了一个可靠和准确的替代手动解释,减少人为错误.
• 这一进步有可能在PAUT检查中更广泛地采用计算机视觉.