杆段任何模型 (SAM) 用于在工业超声波B扫描图像中检测接缺陷

科学领域:

• 工程 工程师 工程师 工程师
• 人工智能的人工智能
• 材料科学 材料科学 材料科学

背景情况:

• 自动超声波测试 (AUT) 对石油和天然气基础设施完整性至关重要.
• 手动分析AUT数据是耗时的,需要专门的专业知识.
• 人工智能 (AI) 提供了自动化AUT数据解释的潜力,但可靠性是一个挑战.

研究的目的:

• 开发一种人工智能辅助的工具,用于在超声波B扫描图像中检测接缺陷,使用分段任何模型 (SAM).
• 评估将B扫描图像上下文集成到SAM中的有效性,以改善缺陷识别.
• 评估微调技术,以提高AI模型在管道接检查中的性能.

主要方法:

• 使用自动围检查B扫描图像的专有数据集.
• 应用了Segment Anything Model (SAM) 与一个可提示的过程来分析超声波图像.
• 在SAM的图像和面具解码器上实现了香草和低级调整 (LoRA) 微调.
• 在微调过程中保持了SAM提示符编码器不变.

主要成果:

• 这种人工智能辅助工具成功检测了管道接中的缺乏融合 (LOF) 缺陷.
• 将B扫描上下文集成到SAM中,提高了缺陷检测能力.
• 微调技术,特别是LoRA,在香草方法上表现出更好的性能.
• 与同一个数据集的先前研究相比,开发的方法显示了更好的结果.

结论:

• 利用SAM的AI辅助工具显示出在AUT数据中自动化接缺陷检测方面显著的前景.
• 微调SAM与相关的工业数据和上下文是提高性能的有效方法.
• 这种方法为基础设施检查提供了比手动分析更可靠,更有效的替代方案.