טכניקות לאבחון חומרים מבוססות למידה עמוקה לאבחון חומרים הנדסיים

הקדמה לצילום: Inspection

פלח תמונה הוא משימה חזון מחשב יסודי המחלק תמונה דיגיטלית לתוך מגזרים מרובים - יסודות של פיקסלים - לפשט או לשנות את הייצוג למשהו יותר משמעותי וקל יותר לנתח. בהקשר של פיקוח חומרי הנדסי, פלחציה מאפשרת את ההקצאה המדויקת ואת הקוונטים של פגמים כגון סדקים, חיתול, הכללות, מוטציות, פני השטח ועיבוד מחדש, הוא תנאי מוקדם יותר פיקוח אובייקטיבי, ומאפשר פיקוח אובייקטיבי, פיקוח על איכות, ובדיקה אובייקטיבית, ובדיקה אובייקטיבית, בקרה אוטומטית.

ככל שתהליכי הייצור מתדקים ובטיחות עולים על פני השטח, הרכב, האנרגיה והתשתית האזרחית, הצורך בהערכה לא-הרסנית אמינה (NDE) שיטות מעולם לא היו גדולות יותר.גישות במגזר המסורתי – שמירה, קצה, גילוי, אזור גדל ומודלים פעילים של קווי מתאר – נכשלים לעתים קרובות כאשר נתקלו במרקמים מורכבים, תאורה או פגומות עדינות.

מתוך הספר Deep Learning: A Paradigm Shift

הגבלות של שיטות סגמנטציה

בדיקה תעשייתית מוקדמת התבססה רבות על בדיקות ראייה אנושיות, תהליך נוטה לעייפות, חוסר עקביות, ועלויות עבודה גבוהות.שיטות סמי-אוטומיות באמצעות טכניקות עיבוד תמונות קלאסיות הביאו הקלה מסוימת, אך הציג את המגבלות שלהם עצמם. לדוגמה, כשלים גלובליים כאשר אזורים פגומים תופסים רק שבריר זעירה של התמונה או כאשר רקע משתנה באופן נרחב.

עליית רשתות ערפיליות מהפכתיות

הצגת רשתות עצביות מהפכתיות (CNN) וזמינות של נתונים בקנה מידה גדול (למשל, ImageNet) עוררה מהפכה בהבנה תמונה.עבור פלמנטציה, רשתות אבולוציה מלאה (FCN) החליפו שכבות מחוברות לחלוטין עם אלה convolutional, המאפשרות תחזיות pixel-wise צפופות.

אדריכלות למידה עמוקה לחומרים

U-Net: עדיפות עם נתונים מוגבלים

תוכנן במקור עבור ניתוח תמונות ביו-רפואי, U-Net הפך להיות סוס עבודה עבור גילוי פגם חומר בשל מבנה קודקוד סימטרי שלה עם חיבורים לדלג.הקודש לוכד את ההקשר באמצעות הצלחה ירידה דגימה, בעוד הפעוט מחלים לשחזר פתרון מרחבית.הדלפקים ספציפיים מידע סמנטי עם פרטים נמוכים ברמת דיוק, המאפשרים עיוות מדויק אפילו פגמים נמוכים (לא רלוונטים) עם כמה רמות נמוכות של נתונים.

מסיכה R-CNN: Instance Segmentation for Multiple Defects

כאשר תמונה אחת מכילה פגמים מרובים חפיפה או סמוכים של סוגים שונים (למשל, סדק ההתנגשות עם בור קורוזיה), פלח סימנטל סימנטל (הסווג כל פיקסל) אינו מספיק - אנחנו צריכים להבחין מקרים בודדים פגם בודדים.מסה R-CNN מאריך את מהירות ה- R-CNN על ידי הוספת סניף המנבא מסיכה בינארית עבור כל אובייקט מזוהה, מאפשר למהנדסים אלה, למדוד באופן עצמאי, כדי לשלב סגסוגת טקסט משולבת בנפרד.

SegNet ו-EfficientNet-based Encoders

SegNet משתמשת בתוכנית חדשנית up-sampling אשר מעבירה את האינדיקציות מקס-פולינג מן הקודד לקודד, צמצום הפרמטרים הניתנים לרכבת וטביעת זיכרון תוך שמירה על דיוק גבול גבוה.עבור בדיקה בזמן אמת על קווי הייצור, עמודות קלות משקל כמו MobileNet או EfficientNet-Lite לעתים קרובות מוחלפים למסגרות פלח.

DeepLab and Atrous Convolution

סדרת DeepLab (v3+ היא המנף הבוגר ביותר) של מהפכתים (המורכבים) לשלוט בשדה הראייה של מסננים ללא הגדלת הפרמטרים.המודול ספיגיאלי (ASPP) תופס הקשר רב-ממדי על ידי יישום מקבילה ב convolutions עם רמות dilation שונות.זה חשוב במיוחד לבדיקת חומרים עם פגמים שונים בקנה מידה דרמטי - ממיקרו-Fracks (מבנים המבוססים על ידי בדיקות עומק) הם כעת על ידי מטה (מבנים מורכבים).

המונחים: Transformer- Based Segmentation

הגל החדש ביותר בפסגת השימוש במניפסט (ViTs), כגון Segment כל מודל (SAM) ממטה AI ו- SEgment TRansformer (SETR) במקום להסתמך רק על הקרנלים המקומיים של convolution kernels, ההופכים משתמשים בתשומת לב עצמית למודל לטווח ארוך תלוי לאורך כל התמונה.

יישומים על פני חומרים הנדסיים

מתכת: פלדה, אלומיניום, וסופרבולוי

בייצור מתכת, מודלים פלח לזהות סדקים משטח, פגמים מתגלגלים, ⁇ הליהוק, והכללות.לדוגמה, U-Net מאומן על סריקת מיקרוסקופ אלקטרוני (SEM) תמונות יכול לפרט סדקים בסגסוגת אלומיניום ברמה מטוסים עם דיוק ברמה של pixel מעל 95%. in Steel מתגלגל מילימטרים, Mask R-CNN להבחין בין סדקים, הפרדה מרכזית, ורמות, המאפשר זיהוי אוטומטי של תמונות סגסוגת עמוק של דחיסה של רדיו.

(ב) [ה]: [ה] [ה]] [ה]]: [ה] [ה]] [ה]]] [ה]]], [ה]]]] [ה]]]], [ה]], [ה], [ה]], [ה],], [ה]], [התחילה],], [ה], [ה], היא], היא מספקת תוצאות סודיות.

המונחים: Carbon Fiber and Glass Fiber Laminates

חומרים Composite סובלים מפגמים ייחודיים: laminations, סיבים דיסילימנט, רִיק ב resin, ונזק השפעה. X-ray coputed tomography (CT) סריקות של לוחות מורכבים הם כרכים מסיביים 3D; 2D של פרוסות בודדות בשילוב עם 3D שחזור הוא סטנדרטי.ד דיפר מודלים למידה, מאומן על ⁇ , יכול לפלסדנציה סינתטי עם אזורים עם רמות ייצור נדיר של חומרים.

Ceramics ו- Concrete

רכיבים סרמיים – כגון להבים טורבינות או אינסטלטורים חשמליים – נבדקים על פגמים משטח (עצמות, סדקים, השבבים) באמצעות מיקרוסקופ למידה אופטית.קטע למידה עמוק עוזר לאוטומט תהליך זה, צמצום זמן בדיקה על ידי 80% בהשוואה למפעילים אנושיים.בהנדסת אזרחים, סדקים קונקרטיים מתמונות מפלט מפלטי רחפנים הם יישום בוגר.

פולימרים וכובעים

בייצור סרט פולימרי (למשל, סימפורים סוללה, אריזות מזון), פגמים כגון כתמים ג'ל, דגים וריאציות עובי הם מפורחים בזמן אמת באמצעות ארכיטקטורות רשת קל משקל כמו ENet או BiSeNet. באופן דומה, צבוע או מצופים משטח מתכת מכוסים נבדקים עבור blistering, כתום, או שריטות באמצעות מודלים פלחציה כי פגם כמו אחוז של משטח מתכתיבית הכולל עבור איכות רכב.

יתרונות מרכזיים של דיפאון למידה בהתבוננות תעשייתית

סודיות ויציבות בלתי צפויה

מודלים למידה עמוקה להשיג דיוק ברמת פיקסל כי לעתים קרובות עולה על אננוטטורים אנושיים, במיוחד עבור פגמים עדינים או מעורפלים.מודל מאומן על אלפי תמונות לא מאוישות מייצר את אותו גבול החלטה בכל פעם, חיסול של יכולת בין-מחדשת.זה עקביות קריטית לשמירה על בקרת תהליך של שש Sigma.

אוטומציה מקצה לקצה

צינורות בדיקה מסורתיים הדרושים צעדים נפרדים עבור עיבוד תמונה, מיצוי תכונה, פלח ו סיווג - כל אחד מהם מותאם אישית על ידי מומחה. Deep למידה ממוטט את השלבים האלה למודל חדיר יחיד.עם כלים צינורות אוטומטיים (למשל, Keras, PyTorch, TensorFlow Extended), אפילו לא מיוחדים יכולים לפרוס מודלים לייצור בתוך שבועות.

הסתגלות לחומרים חדשים ו Defects

למידה העברה מאפשרת מודל מראש על בסיס נתונים גנרי גדול (כמו ImageNet או COCO) להיות מכוונן על מודל קטן ספציפי חומרים עם רק כמה מאות תמונות.זה מפחית באופן דרמטי את המאמץ האננוטציה הנדרש כדי להפעיל בדיקה עבור קו מוצר חדש.

מהירות ל Inline Inspection

אדריכלות יעילה מודרנית (MobileNetV3+DeepLabv3, ENet, SwiftNet) יכולה לעבד 512x512 תמונות בלמעלה מ -100 מסגרות לשנייה ב- GPU לטווח בינוני.כאשר הם פרוסים על מכשירים קצה כמו NVIDIA Jetson או Intel Myriad, הם מאפשרים פילוח בזמן אמת על קו הייצור, לעצור חלקים פגומים לפני שהם מגיעים לתחנות הזרם.

אתגרים ב Deploying Deep Segmentation for Materials

מחסור בנתונים מתוייגים

מסכות פגם ברמת פיקסל היא עבודה-מעורכת ודורשת מטבוליגורגיסטים מומחים או מדעני חומרים.מיקרוגרף חד-פעמי עשוי לקחת שעות כדי לתייג.חוסר איזון מעמד - מגנים לעתים קרובות מכסה <1% של אזור התמונה - עושה הכשרה ללא פונקציות אובדן מיוחדות (אובדן ריכוז, אובדן Dice) לא יעיל. אסטרטגיות למידה אקטיבית ופיקוח חלש (באמצעות תיבות או נקודה) הם לאמצעים פעילים.

שינויים טקסט ו- Domain Shift

מודל שהוכשר על ציון פלדה אחד (למשל, 304 נירוסטה פלדה) לעתים קרובות נכשל על השני (למשל, 6061 אלומיניום) בשל הבדלים במרקם פני השטח, רפלקטיביות, ושינויים פגומים דומיין מתרחשת גם כאשר תנאי תאורה, זוויות מצלמה או שינוי החיישן.

דרישות משאבים

בעוד שההקצאה יכולה להיות מהירה, אימון מודלים של פלח עמוק דורש GPUים חזקים (12-24 GB VRAM) ולעתים קרובות מספר ימים עבור נתונים גדולים. עבור יצרני חלקיקים קטנים-ל-מימדיום, העלות העליונה של חומרה וענן compute יכול להיות מחסום. ידע דילול - אימון מודל קטן יותר "מעודכן" כדי לחקות "מורח" גדול יותר - יכול להפחית את המודל על ידי 10x מינימלית עם דיוק, ביצוע התקנים קצה על ידי איפור מינימלי.

חוסר יכולת ואמון

מפקחים תעשייתיים הם שוחקים של מערכות "קופסא שחורה" .טכניקות הסברה כמו Grad-CAM (התאמת הפעלה בכיתה מיפוי) מדגישות את הפיקסלים המשפיעים ביותר על החלטת הסעיף.זה עוזר למהנדסים לאמת שהמודל מתמקד בפגמים ולא בחפצים לא רלוונטיים (למשל, סימני scribe, specksreatory ⁇ ) במסגרות קריטיות בטיחות (אוויר, מרחב) עשויים בסופו של דבר לדרוש הסברים גרעיניים כאלה.

ראשי תיבות של Future Directions: Next-Generation Inspection Systems

פחות חם ו- Zero-Shot Learning

מודלים עתידיים ידרוש רק אחת או כמה דוגמאות של פגם חדש להתחיל לפרט אותו באופן אמין. רשתות פרוטוטיפיות וארכיטקטורה סיאמית שאומנו על משימות מטא-learning להראות הבטחה. פיזור צילום אפס, שבו המודל יכול לפרט שיעור פגם בלתי נראה מבוסס על תיאור טקסטואלי, הוא על האופק עם מודלים ראייתיים כמו CLIP.

יצירת מידע

דור נתונים סינתטי באמצעות סגנוןגן, מודלים Diffusion, או משככי המבוססים על פיזיקה יכולים לייצר תמונות הכשרה אינסופית, מושלם מוקרן של פגמים נדירים.שלב נתונים אמיתיים וסינטטיים בדרך כלל משפר את הכללה המודל. האתגר המרכזי הוא להבטיח את ההפצה הסינתטית להתאים את חלוקת הפגם האמיתי - בעיה נתקלה עם היערכות הדדית.

זמן אמת 3D Segmentation

כמו חיישנים תלת-ממדיים (LiDAR, אור מובנה) להיות זול יותר, פלח ענן של 3D נקודה של משטחים חומריים (למשל, עבור לוחות גוף הרכב) יהיה סטנדרטי.אדריכלות למידה עמוקה כמו PointNet + או VoxelNet המותאם לגילוי פגם יכול לפרט חריגות גיאומטריות כגון משחות או רינג ישירות בחלל 3D.

אדג'י ו-Ferated Learning

איסוף מודלים ישירות על מצלמות חכמות או מכשירים קצה מסיר את הצורך בזרימת תמונות ברזולוציה גבוהה לשרת מרכזי. למידה פדרנד מאפשרת למפעלים מרובים לאמן מודל גלובלי ללא שיתוף תמונות פגומות קנייניות, שמירה על קניין רוחני תוך שיפור עמידות המודל על פני אתרים.

(ב) עיין: "החלב:" (ב)"ב)" (ב"ב)" (ב"ב)"ב[[1924]], [[1924]]

מסקנה: קרן אמינה להבטחת איכות אוטומטית

פלח תמונה מבוסס למידה עמוק עבר מעבדות מחקר לקומות המפעל, מספק שיפורים ניכרים דיוק זיהוי פגם, מהירות ועקביות. בעוד אתגרים נשארים - נפח נתונים, שינוי התחום, ופירושיות - הקצב המהיר של חדשנות בארכיטקטורה, אסטרטגיות אימון, ועיוות מבטיח כי חסמים אלה ימשיכו לכווץ.

(ב) [ה]: [ה] [ה]] [ה]]: [המכון] ל-[[המאה ה-[[1924]]] הוא [[המאה ה-[[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]]