Materyal Muayenesi için Görüntü Segmentasyonuna Giriş

Görüntü segmentasyonu, dijital görüntünün birden çok segmente bölünmesinin temel bir bilgisayar vizyonu görevidir - temsili daha anlamlı ve analiz etmek için daha kolay bir şekilde değiştirmek için basitleştirmek veya değiştirmek.Mükemmel manuel değerlendirmeler ve objektifliğe doğru yönlendirme ve ölçeklenebilir denetimler, kaplamalar, dahil olmak üzere kusurların niceleştirilmesi ve nicel denetimler ve ölçümler yapmak.

Üretim toleransları, havacılık, otomotiv, enerji ve sivil altyapı sektörleri arasında yükselmeye başladığında, güvenilir olmayan değerlendirme (NDE) yöntemleri asla daha büyük olmamıştı. Geleneksel segmentasyon yaklaşımları - her zaman veri, belirgin bir şekilde segmentasyon doğruluk ve aktif kontrasepsiyon modelleri - karmaşık malzeme ile karşı karşıya kaldığında, düzensiz aydınlatma veya ince kusur morfolojiler. Derin öğrenme, dönüştürücü bir alternatif olarak ortaya çıktı.

Manual Muayeneden Derin Öğrenmeye: Bir Paradigm Shift

Konvansiyonel Segmentasyon Yöntemlerinin Sınırları

Erken endüstriyel denetim insan görsel muayenesine yoğun olarak dayanıyor, bir süreç, Canny veya Sobel dedektörleri gibi yüksek oranda kısıtlayıcı yöntemler, bazı rahatlamalar getirdi ancak kendi yanlış kenarlarını ortaya koydu. Örneğin, küresel eşleme, hataların yalnızca küçük bir kısmını işgal ettiğinde veya arka plandaki bu teknikler yaygın olarak ayarlandığında başarısız oluyor.

Convolutional Neural Networks'ün Yükselişi

Konvolutional sinir ağları (CNNs) ve geniş ölçekli anotated veri setlerinin (örneğin, ImageNet) girişleri, tam konvolul ağ (FCN) tamamen bağlantılı tabakalar, ince sınırlarla, ikiyüzlülükli tahminlere sahip.O zamandan beri, mühendislik materyali incelemenin eşsiz zorluklarına değinmek için gelişmiştir.

Malzeme Segmentasyon için Temel Derin Öğrenme Mimarileri

U-Net: Sınırlı Verilerle İnceleme

Biyomedikal görüntü segmentasyonu için tasarlandı, U-Net, düşük seviyeli ayrıntıları nedeniyle malzeme tespiti için bir iş haline geldi, kusurların küçük veya hasta tanımlandığında bile hassas sınır kesintisi. U-Net, veri kümeleri üzerinde sabit olmayan bir şekilde performans gösterir (örneğin, birkaç yüz üst düzey ayrıntılarla)

Maske R-CNN: Birden Defects için Enstance Segmentasyon

Tek bir görüntü farklı türlerin birden fazla çakış veya bitişik kusurlarına sahiptir (örneğin, bir korozyon pitiyle bir çatlaklarla birlikte bir çatlaklar), semantik segmentasyon (her bir pikselin sınıflandırılması) yetersizdir - her bir kusur örneklerini ayırt etmemiz gerekir.Son adaptasyonlar, hızlı bir şekilde R-CNN, çelik sütunu her bir nesne için tespit edilen bir bölmeyi öngören bir kolu ekleyerek.

SegNet ve VerimliNet-Based Encoders

SegNet, yüksek sınır doğruluğuna rağmen, yüksek çözünürlükte yüksek çözünürlükte 30+ çerçevede çalışan en yüksek çözünürlükte, yüksek çözünürlükte hafif omurgalar gibi transferleri en yüksek segmentasyon çerçevelerine kadar kullanır.

DeepLab ve Atrous Convolution

DeepLab serisi (v3+ en olgun) farklı dilasyon oranları ile uyumlu olarak kullanım alanlarının incelenmesi için çok kullanışlıdır.Bu, mikro-kahkahalar ([Dönemli) modüller, çok boyutlu bağlamı farklı dilasyon oranları ile paralel olarak ele alır. Bu, ölçeklerde dramatik olarak değişen kusurların incelenmesi için özellikle değerlidir - mikro-kahkahramanlardan (< 1 mm) to large delamination areas (>) 10 cm).

Transformer-Based Segmentation

Segmentasyondaki en yeni dalga, yalnızca yerel konvolution çekirdeklere güvenmek yerine, transformatörlerin tüm görüntüdeki uzun vadeli bağımlılıkları modellemesi gibi algılayıcılar için umut vericidir. malzeme denetimi için bu büyük alanları (eski korozyon gibi) veya bu bağlamdaki bağlantıları tespit etmek için umut vericidir.

Uygulamaları Across Engineering Materials

Metaller: Çelik, alüminyum ve Superalloys

Metal üretiminde, segmentasyon modelleri yüzey çatlakları, yuvarlanma kusurları, döküm gözenekleri ve dahil edilmeleri tespit eder. Örneğin, U-Net, elektron mikroskopu (SEM) görüntülerinin otomatik olarak yüksek çözünürlükte alüminyum alaşımları % 95'in üzerinde tespit edebilir. Çelik yuvarlanma değirmenleri, Maske R-CNN kenarlarını ayırt eder ve çatlakları kontrol eder.

[FONT:0)Dön kaynak: [Dönetici:2) Çelik hata tespiti için son bir araştırma (Measurement, 2022)) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Kompozitler: Karbon Fiber ve Cam Fiber Laminatlar

Kompozit malzemeler eşsiz kusurların acı çekiyor: delaminations, fiber yanlışlık, reçinedeki boşluklar ve etki zararları. X-ray Kombinasyon (CT) Komeratif Adversarial Networks (GANs) 3D rezasyona sahip sınırlı bir eğitim için, gerçekçi olmayan sentetik hata görüntüleri oluşturmak için, Dce puanları artırmak için segment delaminasyon bölgelerinin incelenebilir.

Seramikler ve Beton

Seramik bileşenler - türbin bıçakları veya elektrik insülatörler gibi - yüzey kusurları için incelenir (parçalar, çatlaklar, çipler) optik mikroscopy kullanarak. Deep learning segmentasyon bu süreci otomatikleştirmektedir, denetim süresini insan operatörlerine kıyasla% 80 oranında azaltır.Sihir mühendisliğinde, köprüler için beton segmentasyon artık olgun bir uygulamadır. Tam convolutional ağlar (FCN) ve U-Net seçenekleri ile kamu veri setleri üzerinde eğitilmiş U-Net seçenekleri.

Polimerler ve Kaplamalar

Polimer film üretiminde (örneğin, batarya ayırıcıları, gıda ambalajı), toplam yüzeyin yüzdeleri, balıkgözleri ve kalınlık varyasyonları, ENet veya BiSeNet gibi hafif Neural Network mimarisi kullanılarak gerçek zamanlı olarak segment edilir. Benzer şekilde, boyalı veya kaplı metal yüzeyler, su geçirmez, portakal kabuğu için incelenir veya kapaklar, ya da toplam yüzeyin yüzdesi olarak aksanır.

Endüstriyel Muayenede Derin Öğrenme Segmentasyonunun Anahtar Avantajları

Unprecedented Truth and Consistency

Derin öğrenme modelleri, insan antörünleri, özellikle ince veya belirsiz kusurların üstesinden gelen piksel seviyesindeki doğruluk elde eder. binlerce antılmamış görüntü, her seferinde aynı karar sınırı yaratır, geçici yetimleri ortadan kaldırır.Bu tutarlılık Six Sigma işlem kontrolünü korumak için kritiktir.

End-to-Bitiş Otomasyon

Geleneksel denetim hatları, görüntü işleme öncesi, özellik çıkarma, segmentasyon ve sınıflandırma için ayrı adımlar gerekliydi - uzman tarafından el-tuned by an uzman. Deep learning bu aşamaları tek bir trenlenebilir modele çökertme. Otomatik boru hatlarıyla (örneğin, Keras, PyTorch, TensorFlow), hatta özel olmayanlar haftalar bile üretime dağıtabilirler.

Yeni Malzemelere Uyum ve Tanımlama

Transfer öğrenme, büyük bir genel veri kümesi üzerinde önceden eğitim verilen bir modele izin verir (örneğin ImageNet veya COCO) küçük bir materyal-özel veri kümesine sadece birkaç yüz görüntü ile yeniden giriş yapmadan iyi bir şekilde yapılır. Bu, yeni bir ürün hattı için denetim başlatmak için gerekli olmayan bir çabayı dramatik bir şekilde azaltır. Domain adaptasyon teknikleri, farklı görüntüleme yöntemlerinde çalışma imkanı sağlar (optik, termal, X-ray)

Inline Muayene için Hız

Modern verimli mimariler (MobileNetV3+ DeepLabv3, ENet, SwiftNet), 3x512 görüntüleri orta sınıf bir GPU aralığında ikinci başına 100 çerçevede işlem yapabilirler.Depresif Jetson veya Intel Myriad gibi kenar cihazlarında kullanıldığında, üretim hattında gerçek zamanlı segmentasyon sağlarlar, alt istasyonlara ulaşmadan önce arızalı parçalara çıkabilirler.

Malzeme için Derin Segmentasyonla Mücadele Ediyor

Etiketli Eğitim Verileri

Pixel-siteli defek maskeler iş yoğundur ve uzman metalurjistler veya malzeme bilim insanları gerektirir.Tek yüksek çözünürlüklü mikrograf, bir notasyon maliyetlerini azaltmak için saatlerce sürebilir.

Textural Variations ve Domain Shift

Bir çelik sınıfta eğitilmiş bir model (örneğin, 304 paslanmaz çelik) genellikle başka bir (örneğin, 6061 alüminyum) yüzey dokusunda farklılıklar nedeniyle, yansıma ve hata morfoloji. Domain değişimi de aydınlatma koşulları, kamera açıları veya sensör kalibrasyon değişimi sırasında meydana gelir.

C ⁇ Kaynak Gereksinimleri

İnference hızlı olabilirken, derin segmentasyon modelleri güçlü GPUs (12-24 GB VRAM) ve genellikle büyük veri setleri için çok fazla gün gerektirir.Küçük araç üreticileri için, donanım ve bulut hesaplamasının ön maliyeti bir engel olabilir. Bilgi kesintisi - daha küçük bir "student" modeli öğrenmek - 10x tarafından en az doğruluk kaybı ile modelleme boyutunu azaltabilirsiniz.

Yorumlama ve Güven

Endüstriyel denetimciler "kara kutu" sistemlerinin savaşlarıdır. Grad-CAM (gradient-weighted sınıf aktivasyon haritası) hangi giriş piksellerinin segmentasyon kararını en çok etkileyen olduğunu vurgular. Bu, modelin kusura odaklanmasını ve sorumsuz eserlere odaklanmasını sağlar (örneğin, fikreler, toz spekizasyonlar).

Future: Next-Generation Muayene Sistemleri

Birkaç-Shot ve Zero-Shot Learning

Gelecek modeller, bir metinsel açıklamaya dayalı olarak algılanan yeni bir hatanın sadece bir veya birkaç örneği gerektirecektir.Geçmiş ağ ve Siamese mimarisi, meta öğrenme görevleri konusunda eğitilmiştir. Zero-shot segmentasyon, modelin bir metinsel açıklamaya dayanan bir hata sınıfı segmenti nerede, bu ufukta, 97P gibi.

Generative Data Augmentation

StilGAN kullanarak Sentetik veri nesli, Diffüzyon modelleri veya fizik tabanlı formcular sonsuz, mükemmel bir şekilde nadir kusurların eğitim görüntülerini üretebiliyorlar. Gerçek ve sentetik verileri tipik olarak modellemeyi geliştirir.The key Challenges -a problem belad with adversarial domain fit.

Gerçek-Zaman 3D Segmentasyon

3D sensörleri (LiDAR, yapılandırılmış ışık) malzeme yüzeylerinin daha ucuz hale gelmesi (örneğin, otomotiv vücut panelleri için) standart hale gelecektir. PointNet++ veya VoxelNet gibi öğrenme mimarlıkları, hata algılama için adapte edilebilir segment geometrik anomaliler 3D uzayda doğrudan.

Edge-AI ve Federated Learning

İşbirlikçi öğrenme modelleri doğrudan akıllı kameralar veya kenar cihazları, yüksek çözünürlüklü görüntüler merkezi bir sunucuya iletme ihtiyacını ortadan kaldırır. Federated learning, birçok fabrikanın belirli hataları paylaşmadan global bir model geliştirmesine, sitelerdeki sağlam modeli korumasına olanak tanır.

[FONT:0)Dönemli kaynak:[Döncük dağıtım araçlarına genel bakış için, bkz.D:2).TensorFlow Lite segmentasyon örnekleri).

Sonuç: Otomatik Kalite Güvencesi için Güvenilir Bir Vakıf

Derin öğrenme tabanlı görüntü segmentasyonu, araştırma laboratuvarlarından fabrika zeminlerine taşındı, hata algılama doğruluk, hız ve tutarlılıkta ölçülebilir gelişmeler sunmak; maddi başarısızlıkların bir seçenek olmadığı endüstriler için stratejik bir zorunluluktur.

[FONT:0)Dön kaynağı: [Dönetici:0) [FONTDÜDÜDÜDÜDÜDÜDÜ:0)Dönemli kaynak:[Dönetici:0) [Döneticiler segmentasyon sayfası için FİLMİŞİMDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜ:0)[ÜDÜDÜDÜDÜ