Table of Contents

Понимание рентгенографической визуализации и ее роль в современном контроле качества

Радиографическая визуализация стала незаменимым инструментом в неразрушающем тестировании (НДТ) во многих отраслях промышленности, от аэрокосмического и автомобильного производства до инспекции строительства и трубопроводов. Этот мощный метод использует проникающее излучение - обычно рентгеновские или гамма-лучи - для создания подробных изображений внутренней структуры материалов и компонентов, не вызывая никаких повреждений. Полученные рентгенографические данные выявляют скрытые дефекты, структурные аномалии и несоответствия материалов, которые в противном случае оставались бы незамеченными только при визуальном осмотре.

Интеграция усовершенствованных алгоритмов обработки изображений с рентгенографическим контролем произвела революцию в возможностях обнаружения дефектов. Традиционная ручная интерпретация рентгенографических изображений, будучи эффективной, требует много времени, подвержена человеческим ошибкам и зависит от навыков и опыта обученных инспекторов. Современные вычислительные подходы повышают обнаружение и анализ недостатков, повышая как точность, так и эффективность процессов контроля качества. Эти алгоритмы могут идентифицировать тонкие изменения интенсивности изображения, распознавать закономерности, указывающие на конкретные типы дефектов, и обрабатывать огромные количества рентгенографических данных за долю времени, необходимого для ручного контроля.

Применение обработки изображений к радиографическим данным представляет собой сближение физики, информатики и материаловедения.Используя сложные математические методы и все более мощные вычислительные ресурсы, организации могут достичь беспрецедентных уровней обеспечения качества при одновременном снижении затрат на проверку и минимизации риска попадания дефектных продуктов конечным пользователям.

Основы формирования радиографических изображений

Прежде чем исследовать алгоритмы, используемые для обработки рентгенографических изображений, важно понять, как создаются эти изображения. Радиографическая визуализация опирается на дифференциальное поглощение излучения при прохождении через материалы различной плотности и состава. Когда источник излучения излучает рентгеновские или гамма-лучи по направлению к объекту, часть излучения поглощается материалом, а остальная часть проходит, чтобы поразить детектор на противоположной стороне.

Плотные материалы и более толстые секции поглощают больше излучения, в результате чего на детекторе меньше облучения и в конечном изображении появляются более легкие.И наоборот, менее плотные материалы, более тонкие секции или пустоты позволяют проходить больше излучения, создавая более темные области на изображении.Дефекты, такие как трещины, пористость, включения и коррозия, изменяют местную плотность или толщину материала, создавая характерные узоры в рентгенографическом изображении, которые могут идентифицировать обученные инспекторы или автоматизированные алгоритмы.

Современные радиографические системы используют цифровые детекторы, преобразующие излучение в электронные сигналы, производящие цифровые изображения, состоящие из дискретных элементов изображения или пикселей. Каждый пиксель имеет связанное значение интенсивности, представляющее количество излучения, обнаруженного в этом месте. Этот цифровой формат делает радиографические данные идеальными для вычислительного анализа, поскольку алгоритмы обработки изображений могут напрямую манипулировать значениями пикселей для улучшения функций, подавления шума и извлечения значимой информации о наличии дефекта и характеристиках.

Проблемы в обнаружении радиографических дефектов

Несмотря на силу рентгенографической визуализации, несколько проблем усложняют обнаружение и характеристику дефектов. Понимание этих проблем имеет решающее значение для оценки того, как алгоритмы обработки изображений решают их и улучшают результаты проверки.

Шум изображения и артефакты

Радиографические изображения по своей сути содержат шум, возникающий из нескольких источников. Квантовый шум является результатом статистической природы излучения и обнаружения, создавая случайные изменения интенсивности пикселей даже в однородных областях. Электронный шум от компонентов детектора и схем обработки сигналов добавляет дополнительные случайные колебания. Радиация рассеяния — излучение, которое изменило направление после взаимодействия с материалом — создает диффузный фон, который уменьшает контрастность изображения и заслоняет мелкие детали.

Артефакты могут также появляться на рентгенографических изображениях из-за несовершенства оборудования, неправильной настройки или факторов окружающей среды. Эти артефакты могут имитировать появление дефектов, приводящих к ложноположительным детектированиям, или они могут заслонять подлинные дефекты, приводящие к пропущенным детектированиям. Алгоритмы обработки изображений должны различать истинные показания дефекта и шум или артефакты для достижения надежных результатов проверки.

Изменяемое качество и контрастность изображения

Качество и контрастность рентгенографических изображений зависят от многочисленных факторов, включая энергию излучения, время экспозиции, чувствительность детектора, состав материала и геометрию образца.Изменения этих параметров при различных проверках или даже в пределах одного изображения могут затруднить обнаружение дефектов. Некоторые дефекты могут вызывать только тонкие контрастные различия, которые трудно отличить от нормальных вариаций материала или шума изображения.

Сложные геометрии создают дополнительные трудности. Накладывающиеся структуры, различная толщина и изогнутые поверхности создают неоднородные модели интенсивности фона, которые могут маскировать дефекты или создавать ложные показания. Алгоритмы обработки изображений должны адаптироваться к этим изменениям и улучшать видимость дефектов в различных условиях визуализации.

Дефект разнообразия и сложности

Дефекты в материалах и конструкциях проявляют огромное разнообразие по своим размерам, форме, ориентации и радиографическому виду. Трещины могут проявляться как тонкие линейные указания, пористость как кластеры мелких темных пятен, включения как нерегулярные области измененной плотности и коррозия как области пониженной толщины материала. Некоторые дефекты резко определяются, в то время как другие имеют постепенные переходы. Дефекты могут возникать индивидуально или в сложных комбинациях.

Это разнообразие означает, что ни один подход к обработке изображений не работает оптимально для всех типов дефектов и сценариев проверки.Эффективные автоматизированные системы обнаружения дефектов должны использовать несколько дополнительных алгоритмов и часто включать адаптивные методы, которые корректируют параметры обработки на основе характеристик изображения и конкретных дефектов, которые ищутся.

Комплексный обзор алгоритмов обработки изображений для рентгенографического анализа

Разработан и адаптирован для рентгенографического обнаружения дефектов широкий спектр алгоритмов обработки изображений. Эти алгоритмы могут быть широко классифицированы на основе их основной функции: предварительная обработка для улучшения качества изображения, улучшение для повышения видимости дефекта, сегментация для выделения областей дефекта, извлечение признаков для характеристики дефектов и классификация для идентификации типов дефектов. На практике эффективные системы контроля обычно используют несколько алгоритмов в последовательности, причем выход одного этапа служит входом в следующий.

Методы снижения шума и фильтрации

Снижение шума часто является первым шагом в обработке радиографических изображений, поскольку чрезмерный шум ухудшает производительность последующих алгоритмов анализа.Разработаны различные методы фильтрации для подавления шума при сохранении важных особенностей изображения, таких как края дефектов и мелкие детали.

Фильтры пространственных доменов работают непосредственно на значениях пикселей в пределах локальных окрестностей. Средние фильтры заменяют каждый пиксель средним значением окружающих пикселей, эффективно сглаживая изображение и уменьшая случайный шум. Однако простое усреднение также размывает края и мелкие детали. Медианные фильтры заменяют каждый пиксель средним значением в его окрестности, обеспечивая отличное подавление шума при лучшем сохранении краев. Гауссианские фильтры применяют взвешенное усреднение с весами, определяемыми гауссовской функцией, предлагая хороший баланс между снижением шума и сохранением края с регулируемой прочностью сглаживания.

Адаптивные фильтры корректируют своё поведение на основе локальных характеристик изображения. Фильтры Wiener оптимизируют снижение шума на основе локальной статистики сигнала и шума, сохраняя детали в высококонтрастных областях при сглаживании однородных областей. Двусторонние фильтры сочетают пространственную близость и сходство интенсивности, сильно сглаживают однородные области при сохранении краев. Эти адаптивные подходы особенно ценны для рентгенографических изображений, где дефекты создают локальные вариации интенсивности, которые должны сохраняться при снижении шума.

Фильтрация частотных доменов преобразует изображения в частотную область с помощью таких методов, как преобразование Фурье, применяет операции фильтрации, а затем преобразует обратно в пространственную область. Фильтры нижних частот подавляют высокочастотные компоненты, связанные с шумом, сохраняя при этом низкочастотные компоненты, представляющие крупномасштабные структуры изображений. Фильтры полосовых пропусков могут изолировать конкретные диапазоны частот, соответствующие дефектам конкретных размеров. Подходы частотных доменов особенно эффективны для удаления периодических шумовых паттернов и могут быть вычислительно эффективными для больших изображений.

Морфологические фильтры используют элементы структурирования для зондирования структуры изображения. Операции открытия (эрозия с последующим расширением) удаляют небольшие яркие особенности и гладкие границы объекта, в то время как операции закрытия (расширение с последующим эрозией) заполняют небольшие темные промежутки и гладкие границы изнутри. Эти операции могут подавлять определенные типы шума и артефактов, сохраняя или усиливая дефектные особенности конкретных размеров и форм.

Методы повышения контрастности

Алгоритмы усиления контрастности улучшают видимость дефектов за счет увеличения разницы интенсивности между областями дефектов и их окружением.Эти методы имеют решающее значение, когда дефекты производят только тонкие изменения интенсивности в исходном рентгенографическом изображении.

Методы на основе гистограммы модифицируют распределение интенсивностей пикселей по изображению. Выравнивание гистограммы перераспределяет значения интенсивности для достижения более равномерной гистограммы, расширяя динамический диапазон и увеличивая общую контрастность. Выравнивание адаптивной гистограммы применяет этот процесс к локальным областям изображения, по-разному усиливая контраст в разных областях на основе локальных распределений интенсивности. Эта локальная адаптация особенно ценна для рентгенографических изображений с неоднородной интенсивностью фона из-за различной толщины материала или сложной геометрии.

Контрастное растяжение линейно отображает исходный диапазон интенсивности в более широкий диапазон, как правило, полный диапазон, доступный в формате изображения. Этот простой метод увеличивает разделение между различными уровнями интенсивности, делая тонкие особенности более заметными. Пьецевидное линейное растяжение применяет различные функции отображения к различным диапазонам интенсивности, позволяя избирательное усиление конкретных областей интенсивности, где ожидаются дефекты.

Неострая маскировка усиливает края и мелкие детали, вычитая размытую версию изображения из оригинала и добавляя разницу обратно к оригиналу с усилением. Этот метод увеличивает локальный контраст по краям и границам, делая дефекты с резкими переходами более заметными. Степень усиления можно контролировать, регулируя радиус размытия и коэффициент усиления.

Топ-хэт и трансформаторы нижнего шляпа являются морфологическими операциями, которые извлекают яркие признаки на темном фоне (верхняя шляпа) или темные особенности на ярком фоне (нижняя шляпа).Эти преобразования особенно эффективны для усиления дефектов, которые появляются как локальные отклонения интенсивности от медленно меняющегося фона, такие как небольшие трещины или пористость в рентгенографических изображениях с неоднородным освещением.

Алгоритмы обнаружения края

Обнаружение края идентифицирует места на изображении, где интенсивность резко меняется, соответствуя границам между различными материалами, структурами или дефектами.Для рентгенографического обнаружения дефектов края часто очерчивают степень трещин, пустот, включений и других аномалий.

Методы на основе градиента вычисляют скорость изменения интенсивности в каждом месте расположения пикселей. Оператор Собела использует свертку с направленными производными ядрами для оценки горизонтальных и вертикальных градиентов интенсивности, которые затем объединяются для получения величины и направления края. Оператор Превитта использует аналогичные принципы с различными весами ядра. Эти операторы являются вычислительно эффективными и обеспечивают разумное обнаружение края для многих приложений, хотя они могут быть чувствительны к шуму.

Детектор кромки Canny представляет собой многоступенчатый алгоритм, широко рассматриваемый как один из наиболее эффективных методов обнаружения кромки. Он начинается с гауссовского сглаживания для уменьшения шума, вычисляет градиенты интенсивности, применяет немаксимальное подавление тонких кромок до однопиксельной ширины и использует двойное пороговое с отслеживанием кромок с помощью гистерезиса для идентификации сильных кромок и соединения их с более слабыми смежными краями. Этот сложный подход создает чистые, хорошо локализованные края с хорошим шумоотклонением.

Детектор Лаплациана Гаусса (LoG) сочетает гауссово сглаживание с лаплацианским оператором, который вычисляет вторую производную интенсивности. Нулевое скрещивание в лаплацианском ответе указывает на места кромки. Этот подход является изотропным (равно чувствительным к кромкам во всех направлениях) и может обнаруживать кромки в нескольких масштабах, изменяя гауссово сглаживание параметра.

Различие гауссовых (DoG) приблизительно соответствует LoG, вычитая две гауссовых гладких версии изображения с различными параметрами сглаживания. Этот вычислительно эффективный подход эффективен для обнаружения объектов и краев, подобных пятну, в конкретных масштабах, что делает его полезным для выявления пористости и дефектов включения в радиографических изображениях.

Техники сегментации изображений

Сегментация разделяет изображение на отдельные области, соответствующие различным объектам, материалам или дефектам.Для рентгенографического обнаружения дефектов сегментация изолирует потенциальные области дефектов от фона, позволяя проводить последующий анализ и измерение.

Thresholding is the simplest segmentation approach, classifying pixels as foreground (defect) or background based on intensity values. Global thresholding uses a single threshold value for the entire image, typically determined by analyzing the intensity histogram to find a value that separates defect and background intensity distributions. Otsu's method automatically determines the optimal threshold by maximizing the between-class variance of the two resulting pixel groups.

Адаптивное пороговое значение использует различные пороговые значения для разных областей изображения, вычисляемые на основе местной статистики интенсивности. Этот подход более эффективно обрабатывает неоднородную интенсивность фона, чем глобальное пороговое значение, что делает его ценным для рентгенографических изображений с различной толщиной материала или неравномерным освещением. Порог для каждого пикселя обычно определяется из средней или средней интенсивности в окружающем районе, возможно, со смещением для учета ожидаемого контраста дефекта.

Растущая область начинается с точек семени и итеративно добавляет соседние пиксели, удовлетворяющие критериям подобия, например, имеющие значения интенсивности в заданном диапазоне средней интенсивности области. Этот подход может сегментировать связанные области дефектов даже при их различной интенсивности, если вариация является постепенной. Точки семени могут выбираться вручную, автоматически на основе экстрема интенсивности или с помощью других методов обнаружения признаков.

Водоразделительная сегментация рассматривает изображение как топографическую поверхность, где интенсивность представляет возвышение. Алгоритм идентифицирует водосборные бассейны, разделенные водоразделными линиями, эффективно сегментируя изображение на области. Маркер-контролируемая водоразделительная сегментация использует предопределенные маркеры для руководства процессом, уменьшая чрезмерную сегментацию. Этот метод особенно эффективен для разделения сенсорных или перекрывающихся дефектов в радиографических изображениях.

Активные контуры (змеи) представляют собой деформируемые кривые, которые развиваются, чтобы минимизировать энергетическую функцию, сочетающую функции изображения (такие как края) и контурные свойства (такие как гладкость). Контур инициализируется вблизи дефекта и итеративно корректируется в соответствии с границами дефекта. Методы набора уровней обеспечивают математическую основу для реализации активных контуров, которые могут обрабатывать топологические изменения, позволяя одному контуру расщепляться или сливаться по мере необходимости для сегментирования нескольких дефектов.

Морфологические операции

Математическая морфология обеспечивает основу для анализа структуры изображения с использованием теории множеств и геометрии.Морфологические операции используют элементы структурирования - небольшие формы, которые исследуют изображение - для извлечения, изменения или упрощения функций изображения.

Эрозия сжимает яркие области, удаляя пиксели на границах объектов, эффективно отфильтровывая мелкие яркие особенности и тонкие выступы.Расширение расширяет яркие области, добавляя пиксели на границах, заполняя небольшие промежутки и соединяя близлежащие особенности.Эти фундаментальные операции можно объединить для создания более сложных преобразований.

Открытие (эрозия с последующим расширением) удаляет небольшие яркие признаки, сохраняя при этом приблизительный размер и форму более крупных признаков. Закрытие (расширение с последующим эрозией) заполняет небольшие темные промежутки и отверстия при сохранении общего размера признаков. Эти операции ценны для очистки результатов сегментации, удаления ложных обнаружений, вызванных шумом, и соединения фрагментированных дефектных областей.

Морфологический градиент вычисляет разницу между расширением и эрозией, выделяя границы объекта.Эта операция обеспечивает альтернативу производному детектированию края и может быть менее чувствительной к шуму.Топ-хэт и донный-хэт трансформирует, упомянутые ранее в контексте усиления контраста, также являются морфологическими операциями, которые извлекают признаки на основе их размера относительно элемента структурирования.

Выбор формы и размера элемента структурирования существенно влияет на результаты морфологической операции. Элементы дискового или кругового структурирования изотропны и подходят для дефектов без предпочтительной ориентации. Элементы линейного структурирования могут избирательно усиливать или подавлять особенности с конкретными ориентациями, полезные для обнаружения трещин, выровненных в определенных направлениях.

Извлечение и описание признаков

После сегментирования потенциальных областей дефектов алгоритмы извлечения признаков вычисляют количественные дескрипторы, которые характеризуют свойства дефекта. Эти особенности позволяют измерять дефекты, классифицировать и сравнивать их с критериями приемлемости.

Геометрические особенности описывают размер дефекта, форму и пространственные свойства. Площадь измеряет количество пикселей в области дефекта, обеспечивая базовый показатель размера. Периметр измеряет длину границы, в то время как компактность (отношение площади к квадрату периметра) указывает на регулярность формы — компактные дефекты, такие как круговые пустоты, имеют высокую компактность, в то время как удлиненные трещины имеют низкую компактность. Соотношение сторон (отношение длины главной и малой оси) количественно определяет удлинение. Ориентация описывает угол главной оси, важный для характеристики направления трещины.

Особенности интенсивности характеризуют распределение значений пикселей в дефектных областях. Средняя и медианная интенсивность указывают общую яркость дефекта или темноту относительно фона. Стандартное отклонение измеряет изменение интенсивности в дефекте. Значения минимальной и максимальной интенсивности идентифицируют наиболее экстремальные пиксели. Особенности гистограммы интенсивности, такие как перекос и куртоз, описывают форму распределения интенсивности.

Функции выделения количественно определяют пространственные закономерности в интенсивности пикселей. Матрики сопоставления серого уровня (GLCM) захватывают частоту различных пар значений интенсивности при заданных пространственных соотношениях, из которых можно вычислить такие особенности, как контраст, корреляция, энергия и однородность. Эти особенности различают гладкие дефекты и дефекты со сложной внутренней структурой. Локальные двоичные паттерны (LBP) кодируют отношения между каждым пикселем и его соседями как двоичное число, создавая гистограмму, которая характеризует локальную текстуру. Особенно ценны особенности текстуры для классификации различных типов дефектов, которые могут иметь одинаковый размер и форму, но различный внутренний вид.

Функции на основе преобразования представляют дефекты в альтернативных доменах. Фурье-дескрипторы характеризуют форму границы дефекта в частотной области, обеспечивая представление о вращении, переводе и масштабно-инвариантной форме. Вейвлет превращает области дефекта разложения в множественные масштабы и ориентации, захватывая многомасштабную структурную информацию. Эти представления могут быть более устойчивыми к шуму и вариациям, чем пространственные особенности домена.

Подходы машинного обучения и глубокого обучения

Алгоритмы машинного обучения изучают закономерности из обучающих данных и применяют полученные знания для классификации дефектов, прогнозирования типов дефектов или непосредственного обнаружения дефектов в новых рентгенографических изображениях.Эти подходы в последние годы становятся все более заметными благодаря их способности обрабатывать сложные, высокоразмерные данные и достигать высокой точности при достаточной подготовке.

Традиционные классификаторы машинного обучения используют в качестве входных выделенных признаков. Машины вектора поддержки (SVM) находят оптимальные границы принятия решений, которые разделяют различные классы дефектов в пространстве признаков, часто используя функции ядра для обработки нелинейных границ классов. Случайные леса объединяют несколько деревьев решений, каждый из которых обучен случайным подмножествам признаков и обучающим образцам, для создания надежных классификаторов ансамблей. К-ближайшие соседи (KNN) классифицируют дефекты на основе классов наиболее похожих примеров обучения в пространстве признаков. Эти классификаторы требуют тщательной инженерии признаков, но могут достичь хорошей производительности с относительно скромными наборами данных обучения.

Свёрточные нейронные сети (CNN) произвели революцию в анализе изображений, автоматически изучив иерархические представления признаков непосредственно из исходных данных изображений. CNNs используют несколько слоев свертки, объединения и нелинейных операций активации для постепенного извлечения всё более абстрактных признаков. Ранние слои обнаруживают простые шаблоны, такие как края и текстуры, в то время как более глубокие слои распознают сложные шаблоны дефектов и пространственные отношения. Для рентгенографического обнаружения дефектов CNN могут быть обучены классифицировать пятна изображений как содержащие дефекты или нет, классифицировать типы дефектов или напрямую находить дефекты через архитектуры обнаружения объектов.

Сети обнаружения объектов, такие как YOLO (You Only Look Once), Faster R-CNN и RetinaNet, расширяют CNN для одновременного обнаружения и локализации нескольких дефектов в радиографических изображениях.Эти архитектуры предсказывают ограничивающие поля вокруг дефектов наряду с вероятностями класса, позволяя сквозное обнаружение дефектов из необработанных изображений без отдельных этапов сегментации.Последние варианты включают механизмы внимания и сети пирамид функций для улучшения обнаружения дефектов в нескольких масштабах.

Семантические сети сегментации, такие как U-Net, SegNet и DeepLab, выполняют классификацию по пикселям, присваивая каждый пиксель классу дефектов или фону.Эти архитектуры обычно используют структуры кодера-декодера, где кодер извлекает признаки в постепенно более грубых масштабах и декодер реконструирует пространственное разрешение при включении изученных признаков. U-Net, первоначально разработанный для сегментации биомедицинских изображений, оказался особенно эффективным для сегментации радиографических дефектов из-за его способности точно локализовать дефекты при использовании контекстной информации.

Передача обучения использует предварительно обученные сети, разработанные для других задач анализа изображений, точная настройка их для обнаружения радиографических дефектов. Этот подход ценен, когда данные обучения ограничены, поскольку предварительно обученная сеть уже обладает общими возможностями понимания изображений, которые могут быть адаптированы к конкретным характеристикам рентгенографических изображений и дефектов. Сети, предварительно обученные на больших естественных наборах данных изображений, таких как ImageNet, обеспечивают полезные отправные точки, хотя доменная предварительная подготовка на радиографических изображениях из связанных приложений может быть еще более эффективной.

Подходы к обнаружению аномалий изучают внешний вид нормальных, не имеющих дефектов материалов и областей флага, которые отклоняются от этого изученного нормального рисунка. Эти методы особенно ценны, когда примеры дефектов редки или когда конкретные типы дефектов, которые могут возникнуть, не полностью известны заранее. Автокодеры изучают сжатые представления нормальных изображений и реконструируют их; ошибки реконструкции указывают на аномалии. Одноклассные СВМ и леса изоляции выявляют выбросы в пространстве признаков. Генеративные состязательные сети (GAN) могут научиться генерировать реалистичные изображения без дефектов, с различиями между сгенерированными и фактическими изображениями, указывающими на потенциальные дефекты.

Практические применения в области обнаружения промышленных дефектов

Алгоритмы обработки изображений для обнаружения радиографических дефектов находят применение в различных отраслях промышленности и сценариях проверки. Понимание этих приложений обеспечивает контекст для выбора алгоритма и проектирования системы.

Сварной осмотр

Сварка является критическим процессом соединения в производстве и строительстве, и качество сварки напрямую влияет на структурную целостность и безопасность. Радиографический осмотр широко используется для обнаружения дефектов сварки, включая пористость (газовые пузырьки, захваченные в сварном металле), отсутствие сплава (неполная связь между сварным и базовым металлом или между сварными проходами), отсутствие проникновения (недостаточная глубина сварного шва), трещины и шлаковые включения (неметаллический материал, захваченный в сварном швах).

Алгоритмы обработки изображений усиливают проверку сварки, автоматически идентифицируя эти различные типы дефектов. Пористость появляется как кластеры небольших, темных, грубо круговых указаний, которые можно обнаружить с помощью алгоритмов обнаружения пятен, морфологических операций с элементами кругового структурирования или классификаторов на основе CNN, обученных распознавать характерные образцы пористости. Краки появляются как тонкие, линейные, темные указания, которые могут выделить алгоритмы обнаружения краев и морфологические операции с элементами линейного структурирования. Отсутствие слияния и проникновения создает характерные паттерны интенсивности на границах сварки, которые можно идентифицировать с помощью анализа профиля интенсивности и классификаторов машинного обучения.

Автоматизированные системы контроля сварки обрабатывают радиографические изображения для обнаружения, классификации и измерения дефектов, сравнивая результаты со стандартами принятия, такими как стандарты, определенные Американским обществом инженеров-механиков (ASME) или Американским обществом сварки (AWS). Эти системы значительно сокращают время проверки и улучшают согласованность по сравнению с ручной интерпретацией, сохраняя или превышая надежность обнаружения.

Инспекция литья

Процессы литья металлов могут вносить различные дефекты, включая пористость, усадочные полости, включения, трещины и холодные затворы (неполное слияние между металлическими потоками). Радиографический осмотр выявляет эти внутренние дефекты, которые в противном случае оставались бы скрытыми до отказа компонентов.

Дефекты литья проявляют разнообразные проявления на рентгенографических изображениях. Газовая пористость проявляется как округлые темные пятна, а усадочные полости имеют неправильные, часто дендритные формы. Включения могут казаться светлее или темнее окружающего металла в зависимости от их состава. Алгоритмы обработки изображений должны различать эти типы дефектов, а также отличать истинные дефекты от нормальных особенностей литья, таких как отпечатки ядра, ворота и восходители.

Алгоритмы сегментации изолируют потенциальные области дефектов, а извлечение признаков вычисляет характеристики размера, формы и интенсивности. Классификаторы машинного обучения, обученные на примерах различных типов дефектов и нормальных признаков, могут автоматически классифицировать обнаруженные признаки, снижая ложноположительные показатели и позволяя сообщать о дефектах. Некоторые продвинутые системы интегрируют данные моделирования литья для прогнозирования вероятных мест и типов дефектов, фокусируя обработку изображений на областях высокого риска.

Аэрокосмическая инспекция компонентов

Для аэрокосмических применений требуется чрезвычайно высокая надежность, поскольку отказы компонентов могут иметь катастрофические последствия.Радиографический осмотр используется на протяжении всего производства и технического обслуживания самолетов для проверки критических компонентов, включая лопасти турбин, конструктивные соединения, шасси и композитные конструкции.

Сложность аэрокосмических компонентов и строгие критерии принятия требуют сложных подходов к обработке изображений. Турбинные лопасти имеют сложные внутренние проходы охлаждения, которые должны быть проверены на правильное образование и отсутствие блокировок. Композитные материалы представляют уникальные проблемы, поскольку дефекты, такие как деламинация, несбалансированность волокон и пустоты смолы, производят тонкие вариации контраста. Расширенные алгоритмы, включая многомасштабный анализ, классификацию на основе текстуры и сети глубокого обучения, обученные на обширных библиотеках дефектов, позволяют надежно обнаруживать эти различные типы дефектов.

Автоматизированные системы распознавания дефектов (ADR), одобренные авиационными регулирующими органами, включают в себя проверенные алгоритмы обработки изображений, которые отвечают строгим требованиям к производительности. Эти системы должны демонстрировать высокую вероятность обнаружения (POD) критических дефектов при сохранении приемлемо низких частот ложных вызовов. Статистическая проверка с использованием больших наборов тестовых данных с известными дефектами имеет важное значение для одобрения регулирующих органов и оперативного развертывания.

Трубопровод и проверка сосудов под давлением

Трубопроводы и сосуды под давлением в нефтегазовой, химической и электрогенерирующей промышленности работают под высоким давлением и температурой, что делает обнаружение дефектов критически важным для предотвращения утечек, разрывов и экологических катастроф.Радиографический осмотр обнаруживает коррозионные, трещинные, эрозионные и сварные дефекты в этих компонентах.

Коррозия проявляется в виде областей пониженной толщины материала, создавая более темные области в рентгенографических изображениях. Алгоритмы обработки изображений измеряют степень и глубину коррозии путем анализа профилей интенсивности и сравнения их с исходными изображениями некоррозионного компонента. Обнаружение трещин в толстостенных сосудах под давлением требует чувствительных алгоритмов обнаружения и улучшения края для выявления тонких, часто разветвляющихся признаков трещины. Автоматизированные системы могут отслеживать прогрессирование коррозии с течением времени путем регистрации и сравнения рентгенографических изображений с периодических проверок, что позволяет прогнозировать техническое обслуживание и планирование инспекций на основе рисков.

Аддитивный контроль качества производства

В последние годы быстро выросло аддитивное производство (3D-печать) металлических компонентов, особенно для аэрокосмических, медицинских и автомобильных применений. Однако процесс сборки послойного материала может вносить дефекты, включая пористость, отсутствие слияния между слоями, трещины и включения. Радиографический осмотр в сочетании с передовой обработкой изображений позволяет контролировать качество деталей аддитивного производства.

Сложные геометрии, часто производимые аддитивным производством, создают сложные рентгенографические изображения с перекрывающимися особенностями и различной толщиной. Компьютерная томография (КТ), которая приобретает рентгенографические проекции под множеством углов и реконструирует трехмерные изображения, все чаще используется для комплексного осмотра аддитивно изготовленных компонентов. Алгоритмы обработки изображений для данных КТ включают трехмерную сегментацию, измерение объемных дефектов и извлечение поверхности для пространственной верификации. Подходы машинного обучения могут коррелировать обнаруженные дефекты с параметрами сборки, позволяя оптимизировать процесс для уменьшения возникновения дефектов.

Рассмотрение вопросов внедрения автоматизированных систем инспекции

Успешное развертывание алгоритмов обработки изображений для обнаружения дефектов требует тщательного внимания к проектированию системы, проверке и операционным факторам, помимо выбора алгоритма.

Приобретение и стандартизация изображений

Качество рентгенографических изображений напрямую влияет на производительность алгоритма. Последовательное получение изображений обеспечивает, чтобы изображения имели достаточное разрешение, контрастность и отношение сигнал-шум для надежного обнаружения дефектов. Стандартизированные параметры экспозиции, калибровка детектора и геометрическая настройка минимизируют изменения изображения-изображения, которые могут ухудшить производительность алгоритма или требуют обширной настройки параметров.

Такие этапы предварительной обработки изображений, как коррекция плоского поля (компенсация за неоднородный отклик детектора), коррекция плохих пикселей и коррекция рассеяния, улучшают качество и согласованность изображения. Эти поправки должны применяться систематически до того, как алгоритмы обнаружения дефектов обрабатывают изображения. Для цифровых систем рентгенографии надлежащая калибровка детектора и смещения гарантирует, что значения пикселей точно представляют интенсивность излучения, достигающую каждого элемента детектора.

Алгоритмическая оптимизация параметров

Большинство алгоритмов обработки изображений имеют регулируемые параметры, которые контролируют их поведение. Пороговые значения, размеры фильтра, чувствительность к детектированию края и гиперпараметры машинного обучения влияют на производительность обнаружения дефектов. Оптимальные значения параметров зависят от конкретного приложения, включая тип материала, геометрию компонентов, характеристики дефектов и условия получения изображения.

Оптимизация параметров обычно включает тестирование производительности алгоритма по ряду значений параметров с использованием репрезентативного набора данных рентгенографических изображений с известными дефектами. Показатели производительности, такие как вероятность обнаружения, ложная скорость вызова и выбор параметров, определяющих точность определения размера дефекта. Для критических приложений формальная конструкция подходов к экспериментам может систематически исследовать пространство параметров и идентифицировать оптимальные настройки. Некоторые продвинутые системы включают адаптивные алгоритмы, которые автоматически корректируют параметры на основе характеристик изображения, уменьшая необходимость ручной настройки.

Проверка эффективности и квалификация

Тщательная проверка необходима для обеспечения соответствия автоматизированных систем обнаружения дефектов требованиям к производительности и их надежности при критических проверках.Валидация включает в себя тестирование системы с большим репрезентативным набором данных рентгенографических изображений, содержащих известные дефекты различных типов, размеров и местоположений, а также изображения без дефектов для оценки ложных скоростей вызовов.

Вероятность обнаружения (POD) анализ количественно определяет вероятность того, что система будет обнаруживать дефекты в зависимости от размера дефекта или других характеристик. Кривые POD генерируются путем тестирования системы со многими примерами дефектов при разных размерах и подгонки статистических моделей к результатам обнаружения. Отраслевые стандарты и нормативные требования часто определяют минимальные значения POD, которые должны быть достигнуты для конкретных типов и размеров дефекта.

Не менее важна и частота ложноположительных вызовов (частота ложноположительных вызовов), поскольку чрезмерные ложные вызовы снижают эффективность проверки и уверенность пользователей. Проверка должна продемонстрировать, что ложные вызовы приемлемо низки по всему диапазону компонентов и условий визуализации, встречающихся на практике. Кривые характеристика приемника (ROC), скорость обнаружения графика по сравнению с порогом ложного вызова изменяется, обеспечивают всеобъемлющий обзор производительности системы и позволяют выбирать рабочие точки, которые уравновешивают чувствительность обнаружения и специфичность ложного вызова.

Интеграция с рабочим процессом инспекции

Автоматизированные системы обнаружения дефектов должны плавно интегрироваться в существующие рабочие процессы проверки. Пользовательские интерфейсы должны четко представлять результаты, выделяя обнаруженные дефекты с наложениями на рентгенографические изображения и предоставляя подробную информацию о местоположении, размере, типе и тяжести дефекта. Инспекторы должны иметь возможность легко просматривать автоматизированные обнаружения, принимать или отклонять помеченные показания и добавлять ручные аннотации.

Возможности управления данными необходимы для обработки больших объемов рентгенографических изображений и результатов проверки, полученных в промышленных условиях. Системы должны поддерживать эффективное хранение и извлечение изображений, вести учет проверок для прослеживаемости и соответствия нормативным требованиям и обеспечивать статистический анализ тенденций дефектов между компонентами, производственными партиями или периодами времени. Интеграция с системами управления качеством предприятия и системами исполнения производства позволяет осуществлять контроль качества замкнутого цикла и улучшать процессы.

Сотрудничество между человеком и алгоритмом

В то время как автоматизированные алгоритмы обработки изображений значительно расширяют возможности обнаружения дефектов, человеческий опыт остается ценным, особенно для сложных или неоднозначных случаев. Эффективные системы поддерживают сотрудничество между алгоритмами и инспекторами-людьми, используя сильные стороны каждого. Алгоритмы преуспевают в быстрой обработке больших наборов данных, последовательно применяя критерии обнаружения и выявляя тонкие шаблоны, которые могут быть пропущены усталыми инспекторами. Инспекторы-люди вносят контекстуальные знания, суждения в неоднозначных ситуациях и способность распознавать необычные типы дефектов, не встречающиеся во время обучения алгоритму.

Подходы автоматизированного обнаружения (CAD) используют алгоритмы для выявления потенциальных дефектов для проверки человеком, а не для принятия окончательных решений о принятии / отклонении автономно. Эта совместная модель может улучшить общую производительность проверки при сохранении человеческого надзора за критическими решениями. Активные учебные рамки позволяют системам улучшаться с течением времени, включая обратную связь инспектора по обнаружению алгоритмов в наборы данных переподготовки, постепенно улучшая производительность алгоритма для конкретных типов дефектов и условий визуализации, встречающихся на практике.

Новые тенденции и будущие направления

Область обработки изображений для обнаружения радиографических дефектов продолжает быстро развиваться, чему способствуют достижения в области технологий визуализации, вычислительных методов и требований приложений.

Передовые архитектуры глубокого обучения

Глубокое обучение продолжает развиваться с новыми архитектурами и методами обучения, которые улучшают эффективность обнаружения дефектов. Трансформаторы зрения, которые применяют механизмы внимания в областях изображения, демонстрируют перспективы для захвата пространственных отношений на большие расстояния, имеющих отношение к обнаружению дефектов. Методы обучения под самоконтролем позволяют сетям изучать полезные представления из немаркированных рентгенографических изображений, уменьшая необходимость в обширных вручную аннотированных наборах данных обучения. Подходы обучения с несколькими выстрелами направлены на распознавание новых типов дефектов из нескольких примеров, решая проблему редких классов дефектов.

Разрабатываются понятные методы ИИ, чтобы сделать обнаружение дефектов глубокого обучения более интерпретируемым и заслуживающим доверия. Визуализация внимания, карты выносливости и пояснения на основе концепции помогают инспекторам понять, почему сеть помечала конкретный регион как дефект, укрепляя доверие к автоматизированным решениям и облегчая принятие нормативных актов. Для получения дополнительной информации о разработках ИИ в области промышленной инспекции посетите программы Национального института стандартов и технологий ИИ .

Многомодальный и многомасштабный анализ

Сочетание рентгенографической визуализации с другими методами неразрушающего контроля, такими как ультразвуковое тестирование, тестирование вихревого тока или термография, может предоставить дополнительную информацию о дефектах. Алгоритмы обработки изображений, которые объединяют данные из нескольких модальностей, могут достичь более полной характеристики дефекта, чем любая одна модальность. Многомасштабный анализ подходы обрабатывают рентгенографические изображения с несколькими разрешениями одновременно, обнаруживая как крупномасштабные структурные аномалии, так и мелкие детали дефекта.

Компьютерная томография предоставляет трехмерные рентгенографические данные, которые позволяют более полное обнаружение и характеристику дефектов, чем двумерная рентгенография. Расширенные алгоритмы обработки изображений для данных КТ включают трехмерные сверточные нейронные сети, методы объемной сегментации и алгоритмы, которые используют трехмерные пространственные отношения между дефектами и компонентными особенностями. По мере того, как системы КТ становятся быстрее и доступнее, трехмерная обработка изображений будет играть все более важную роль в обнаружении дефектов.

Инспекция в режиме реального времени и на линии

Производственные отрасли переходят к контролю качества в реальном времени с инспекцией, интегрированной непосредственно в производственные линии. Для этого требуются алгоритмы обработки изображений, которые могут анализировать рентгенографические изображения достаточно быстро, чтобы идти в ногу с темпами производства, как правило, обработка изображений за секунды или меньше. Ускорение графического процессора, оптимизированные реализации алгоритмов и архитектуры краевых вычислений позволяют обнаруживать дефекты в реальном времени. Инспекционная проверка с немедленной обратной связью позволяет выявлять и удалять дефектные компоненты перед последующими этапами обработки, уменьшая отходы и повышая общую эффективность производства.

Для аддитивного производства мониторинг in-situ в процессе сборки с использованием рентгеновского изображения или КТ может обнаруживать дефекты по мере их формирования, потенциально позволяя в режиме реального времени корректировать процесс для предотвращения распространения дефектов. Алгоритмы обработки изображений должны работать на потоковых данных и обнаруживать дефекты в частично завершенных компонентах, представляя уникальные проблемы по сравнению с пост-строительным осмотром готовых деталей.

Цифровые близнецы и прогнозное обслуживание

Технология цифровых двойников создает виртуальные копии физических компонентов, которые постоянно обновляются данными инспекции, эксплуатационной историей и результатами моделирования. Радиографические данные инспекции, обрабатываемые алгоритмами обработки изображений, поступают в цифровые двойники, что позволяет отслеживать инициирование дефектов и рост в течение срока службы компонента. Прогнозные модели могут прогнозировать оставшийся срок полезного использования и оптимальное время обслуживания на основе наблюдаемой эволюции дефектов, что позволяет перейти от планового обслуживания к обслуживанию на основе условий.

Интеграция результатов обработки изображений с физическими моделями механизмов роста и отказа дефектов обеспечивает мощную основу для оценки рисков и принятия решений. Алгоритмы машинного обучения могут выявлять корреляции между характеристиками дефектов, условиями работы и событиями сбоев, постоянно улучшая прогнозную точность по мере накопления большего количества данных.

Стандартизация и развитие нормативного регулирования

По мере того, как автоматизированные системы обнаружения дефектов становятся все более распространенными, отраслевые стандарты и нормативные рамки развиваются для решения их квалификации, проверки и использования. Организации, такие как ASTM International, Американское общество неразрушающего контроля (ASNT), и международные органы по стандартизации разрабатывают стандарты для требований к производительности автоматизированной системы распознавания дефектов, процедур проверки и документации. Регулирующие органы в аэрокосмической, ядерной и других критически важных для безопасности отраслях устанавливают руководящие принципы для использования автоматизированных систем и уровня человеческого надзора.

Эти усилия по стандартизации направлены на то, чтобы автоматизированные системы соответствовали минимальным требованиям к производительности, обеспечивали согласованные результаты в различных реализациях и поддерживали надлежащие уровни надежности и прослеживаемости. Участие в разработке стандартов разработчиками алгоритмов, поставщиками инспекционных услуг, производителями оборудования и конечными пользователями помогает обеспечить практическую, техническую обоснованность и соответствие стандартам отрасли. Узнайте больше о стандартах NDT в Американском обществе неразрушающего контроля ].

Общие методы и их конкретные применения

Для практического руководства для специалистов-практиков в этом разделе кратко излагаются основные методы обработки изображений и их основные применения в рентгенографическом обнаружении дефектов.

  • Обнаружение края: Выявляет границы дефектов, таких как трещины, отсутствие синтеза и остроконечные включения. Обнаружение кромки Canny особенно эффективно для нахождения четко определенных границ дефекта при подавлении шума. Методы на основе градиента, такие как операторы Sobel, обеспечивают вычислительно эффективное обнаружение края, подходящее для приложений реального времени. Результаты обнаружения кромки часто служат в качестве входа в последующие алгоритмы сегментации или извлечения признаков.
  • Пороговое значение: Сегменты дефектных областей, основанные на разнице интенсивности фона. Глобальное пороговое значение методом Отсу хорошо работает для изображений с бимодальным распределением интенсивности, где дефекты и фон имеют четко разделенные диапазоны интенсивности. Адаптивное пороговое значение обрабатывает неоднородную интенсивность фона, распространенную в рентгенограммах компонентов с различной толщиной. Пороговое значение часто является первым шагом в трубопроводах обнаружения дефектов, изолируя области-кандидаты для дальнейшего анализа.
  • Фильтрация: Устраняет шум для уточнения дефектных признаков и улучшения последующих этапов обработки. Гауссовская фильтрация обеспечивает снижение шума общего назначения с контролируемой прочностью сглаживания. Медианная фильтрация превосходит удаление шума соли и перца при сохранении краев. Двусторонняя фильтрация и анизотропная диффузия предлагают сглаживание с сохранением края, которое уменьшает шум в однородных областях при сохранении границ дефектов. Морфологическая фильтрация может удалять мелкие артефакты и гладкие границы дефектов.
  • Машинное обучение:] Классифицирует типы дефектов с использованием обученных моделей, которые учатся на примерах. Поддерживающие векторные машины и случайные леса хорошо работают с тщательно спроектированными функциями, извлеченными из сегментированных областей дефектов. Свёрточные нейронные сети автоматически изучают соответствующие функции непосредственно из данных изображений и достигли самых современных показателей для многих задач обнаружения дефектов. Трансферное обучение позволяет эффективно обучать даже с ограниченными примерами дефектов, используя предварительно обученные сети. Методы сборки, которые объединяют несколько классификаторов, могут повысить надежность и точность.
  • Морфологические операции: Анализ и изменение структуры изображения на основе формы. Открытие удаляет небольшие яркие особенности и шум при сохранении более крупных дефектов. Закрытие заполняет небольшие промежутки в дефектных областях и соединяет близлежащие особенности. Верхняя шляпа преобразует экстракт ярких дефектов на темном фоне, в то время как нижняя шляпа преобразует экстракт темных дефектов на светлом фоне. Морфологический градиент выделяет границы дефектов. Выбор формы и размера элемента структурирования должен соответствовать ожидаемым характеристикам дефекта.
  • Усиление контрастности: Улучшает видимость тонких дефектов за счёт увеличения разницы в интенсивности. Уравнение гистограммы расширяет динамический диапазон и может выявить низкоконтрастные дефекты, хотя и может усиливать шум. Уравнение адаптивной гистограммы (CLAHE) обеспечивает локальное усиление контрастности, которое обрабатывает неоднородную интенсивность фона. Нечеткая маскировка усиливает края и мелкие детали. Усиление контрастности обычно применяется на ранних этапах обработки трубопроводов для повышения эффективности последующих алгоритмов обнаружения.
  • Сегментация: Разделы изображений на дефектные и недефектные области. Регионы растущих сегментов соединяют дефектные области на основе сходства интенсивности. Сегментация водораздела разделяет сенсорные дефекты и обеспечивает четко определенные границы. Активные контуры и наборы уровней развиваются в соответствии с границами дефектов и могут обрабатывать сложные формы. Семантические сети семантической сегментации глубокого обучения, такие как U-Net, обеспечивают сквозную классификацию по пикселям. Результаты сегментации позволяют измерять и характеризовать дефекты.
  • Вычисление характеристик:] Вычисляет количественные дескрипторы сегментированных дефектов. Геометрические признаки (площадь, периметр, компактность, соотношение сторон) характеризуют размер и форму дефекта. Особенности интенсивности (среднее, стандартное отклонение, статистика гистограмм) описывают контрастность дефекта и распределение внутренней интенсивности. Особенности текстуры (GLCM, LBP) захватывают пространственные паттерны, полезные для различения типов дефектов. Функции на основе преобразования (дескрипторы Фурье, коэффициенты вейвлета) обеспечивают альтернативные представления. Извлеченные особенности служат входом в алгоритмы классификации или для сравнения с критериями приемлемости.

Проблемы и ограничения

Despite significant advances, image processing for radiographic defect detection faces ongoing challenges that researchers and practitioners must address.

Ограниченные данные об обучении

Подходы машинного обучения, особенно глубокого обучения, требуют больших наборов данных помеченных примеров для эффективного обучения. Однако дефекты часто редки в производстве, и сбор достаточных примеров всех соответствующих типов дефектов может быть трудным и дорогостоящим. Примеры дефектов могут быть запатентованными или чувствительными к безопасности, ограничивающими обмен данными между организациями. Несбалансированные наборы данных, где примеры дефектов значительно превосходят примеры без дефектов, могут смещать алгоритмы обучения в сторону чрезмерного прогнозирования класса большинства.

Стратегии для решения ограниченных данных обучения включают в себя увеличение данных (создание дополнительных примеров обучения посредством преобразований, таких как ротация, масштабирование и корректировка интенсивности), синтетическое генерирование данных (с использованием моделирования на основе физики или генеративных моделей для создания реалистичных примеров дефектов), обучение передаче (модели релевантности, обученные на связанных задачах) и обучение с несколькими результатами (разработка алгоритмов, которые могут учиться на минимальных примерах).

Обобщение в условиях визуализации

Радиографические изображения значительно различаются в зависимости от оборудования, параметров экспозиции, свойств материала и геометрии компонентов. Алгоритмы, обученные на данных из одной системы визуализации или приложения, могут не хорошо обобщать различные условия. Изменения в разрешении изображения, контрастности, шумовых характеристиках и геометрических искажениях могут ухудшить производительность алгоритма при применении к новым сценариям.

Методы адаптации доменов направлены на улучшение обобщения путем корректировки алгоритмов на новые условия визуализации с минимальными дополнительными данными обучения. Нормализация и стандартизация характеристик изображения могут снизить чувствительность к вариациям оборудования. Обучение различным наборам данных, охватывающим несколько условий визуализации, повышает надежность. Разработка алгоритмов, которые явно моделируют и учитывают физику визуализации, может улучшить обобщение по сравнению с чисто основанными на данных подходами.

Интерпретируемость и доверие

Сложные алгоритмы, особенно глубокие нейронные сети, часто функционируют как «черные ящики», где рассуждения, лежащие в основе конкретных обнаружений, не прозрачны. Это отсутствие интерпретируемости может препятствовать доверию и принятию, особенно в критически важных для безопасности приложениях, где инспекторам и регуляторам необходимо понять, почему компонент был принят или отклонен. Отладка и улучшение алгоритмов также сложнее, когда их внутренние процессы принятия решений непрозрачны.

Объяснимые исследования ИИ направлены на то, чтобы сделать алгоритмические решения более интерпретируемыми с помощью методов визуализации, механизмов внимания, которые выделяют области изображения, влияющие на решения, и концептуальных объяснений, которые связывают решения с понятными для человека особенностями. Гибридные подходы, которые сочетают интерпретируемые традиционные алгоритмы с мощным, но менее интерпретируемым глубоким обучением, могут сбалансировать производительность и прозрачность. Строгая валидация и статистическая характеристика производительности помогают построить доверие даже тогда, когда подробная интерпретируемость ограничена.

Вычислительные требования

Расширенные алгоритмы обработки изображений, особенно сети глубокого обучения, могут быть вычислительно интенсивными, требующими значительного времени обработки и аппаратных ресурсов. Это может ограничить приложения проверки в реальном времени и увеличить системные затраты. Радиографические изображения высокого разрешения и трехмерные наборы данных КТ усложняют вычислительные требования.

Ускорение графического процессора обеспечивает существенное ускорение для многих операций обработки изображений и имеет важное значение для практического развертывания глубокого обучения. Оптимизация алгоритмов, включая эффективные сетевые архитектуры и методы обрезки, которые уменьшают сложность модели, могут уменьшить вычислительные требования. Подходы к вычислительным вычислениям выполняют обработку близко к системе визуализации, снижая требования к передаче данных. По мере того, как вычислительное оборудование продолжает развиваться, вычислительные ограничения постепенно становятся менее ограничивающими, хотя они остаются предметом рассмотрения для проектирования системы.

Лучшие практики для реализации

Успешное внедрение алгоритмов обработки изображений для обнаружения дефектов требует внимания к нескольким лучшим практикам, которые охватывают разработку, проверку и оперативное развертывание алгоритмов.

Начните с четких требований: Определите конкретные требования к производительности, включая минимальную вероятность обнаружения критических типов и размеров дефектов, максимально допустимые скорости ложных вызовов, ограничения времени обработки и любые требования к соблюдению нормативных требований или стандартов.

Обеспечить репрезентативное обучение и данные испытаний: Собрать наборы данных, которые охватывают весь спектр условий визуализации, типов компонентов и характеристик дефектов, встречающихся в целевом приложении. Отдельные наборы данных обучения и испытаний для обеспечения объективной оценки производительности. Включить достаточные примеры редких, но критических типов дефектов. Происхождение и характеристики данных документов для обеспечения воспроизводимости и будущих обновлений системы.

Внедрить систематическую валидацию: Использовать статистические методы для строгой количественной оценки эффективности алгоритма, включая вероятность анализа обнаружения, оценку ложной скорости вызова и оценку точности размеров дефекта. Производительность тестирования по всему спектру эксплуатационных условий. Сравнить производительность автоматизированного алгоритма с производительностью инспектора-человека для установления базовых ожиданий. Процедуры проверки документов и результаты для соответствия нормативным требованиям и обеспечения качества.

Разработка для совместной работы с человеком-алгоритмом: Создание пользовательских интерфейсов, которые эффективно представляют результаты алгоритма при поддержке человеческого обзора и отменяют. Обеспечить оценки доверия или оценки неопределенности с помощью автоматизированных обнаружений, чтобы помочь инспекторам расставить приоритеты в усилиях по обзору. Включить простые механизмы обратной связи, чтобы корректировки инспектора могли улучшить будущую производительность алгоритма посредством переподготовки.

План непрерывного мониторинга и улучшения: Внедрение систем для отслеживания производительности алгоритма с течением времени при оперативном использовании. Мониторинг ухудшения производительности, которое может указывать на изменение условий визуализации или новые типы дефектов. Установление процедур периодической ревальвации и обновления алгоритмов. Ведение контроля версий и документации для изменений алгоритма для обеспечения прослеживаемости.

Обратиться к кибербезопасности и целостности данных: Внедрить соответствующие меры безопасности для защиты рентгенографических изображений и результатов проверки от несанкционированного доступа или фальсификации. Обеспечить целостность данных с помощью контрольных сумм, цифровых подписей или подходов на основе блокчейна, где это необходимо.

Предоставить адекватную подготовку: Инспекторы поездов и другие пользователи по системным возможностям, ограничениям и правильной работе. Убедитесь, что пользователи понимают, что алгоритмы обнаруживают и как интерпретировать результаты. Предоставьте руководство о том, когда доверять автоматизированным обнаружениям, а когда требуется дополнительная проверка.

Заключение

Применение алгоритмов обработки изображений к радиографическим данным коренным образом изменило обнаружение дефектов в различных отраслях промышленности. От традиционных методов, таких как обнаружение краев, пороговое и фильтрование, до передовых подходов машинного обучения и глубокого обучения, эти алгоритмы повышают точность, эффективность и согласованность процессов контроля качества. Автоматизированные системы могут быстро обрабатывать большие наборы данных, обнаруживать тонкие дефекты, которые могут быть упущены инспекторами-людьми, и обеспечивать количественную характеристику свойств дефектов.

Область продолжает быстро развиваться с достижениями в архитектурах глубокого обучения, мультимодальном анализе, возможностях проверки в реальном времени и интеграции с цифровыми двойниками и предиктивными системами технического обслуживания. По мере того, как алгоритмы становятся более сложными и вычислительные ресурсы более мощными, возможности автоматического обнаружения радиографических дефектов будут продолжать расширяться. Однако проблемы, включая ограниченные данные обучения, обобщение в условиях визуализации, интерпретируемость и вычислительные требования, остаются активными областями исследований и разработок.

Успешная реализация требует тщательного внимания к выбору алгоритмов, оптимизации параметров, строгой валидации и продуманной интеграции в рабочие процессы проверки. Человеческий опыт остается ценным, а эффективные системы поддерживают сотрудничество между алгоритмами и инспекторами-людьми, используя взаимодополняющие преимущества каждого. По мере развития усилий по стандартизации и нормативных рамок автоматизированные системы обнаружения дефектов будут становиться все более распространенными в критически важных для безопасности приложениях.

Для организаций, стремящихся внедрить или улучшить возможности обнаружения радиографических дефектов, ключ заключается в том, чтобы начать с четких требований, инвестировать в репрезентативные учебные и тестовые данные, использовать систематические методы проверки и системы проектирования, которые поддерживают эффективное сотрудничество между человеком и алгоритмом. Следуя передовой практике и оставаясь в курсе технологических достижений, организации могут достичь значительных улучшений в контроле качества при одновременном снижении затрат и времени проверки. Будущее обнаружения радиографических дефектов заключается в постоянном продвижении и продуманном применении алгоритмов обработки изображений, что позволяет создавать более безопасные и надежные продукты во всех отраслях, которые зависят от неразрушающего тестирования и обработки изображений. Для дополнительных ресурсов на неразрушающее тестирование и обработку изображений, исследуйте Ресурсный центр и Технические комитеты ISO по неразрушающему тестированию .