Распознавание дефектов металлоконструкций

Description

Автоматическое распознавание дефектов является одной из горячих точек исследований в производстве стали, но большинство современных методов в основном извлекают признаки вручную и используют классификаторы машинного обучения для распознавания дефектов, которые не могут справиться с ситуацией.

Цели

• Изучите современные методы искусственного интеллекта (ИИ) и области их применения, чтобы оценить их пригодность для неразрушающего контроля, в том числе: реализованные в настоящее время решения для медицинской визуализации на основе нейронных сетей и глубокого обучения; бинарные деревья решений; алгоритмы кластеризации; и распределение вероятностей.
• Разработайте алгоритмы искусственного интеллекта для использования с ультразвуковыми изображениями.
• Разработайте гибкие возможности моделирования и симуляции для создания входных параметров для использования с решением для автоматического распознавания дефектов (ADR) на основе моделей ИИ.
• Продемонстрировать преимущества и недостатки разработанных методов посредством параметрического исследования на основе образцов, предоставленных промышленностью.

 

План проекта

Ультразвуковой контроль с полным матричным захватом (FMC) и виртуальной апертурой источника (VSA) использует метод полной фокусировки (TFM), позволяющий получать полностью сфокусированные изображения по всему объему контроля путем синтеза ультразвуковой передачи и приема для заданного пикселя в изображении. В отличие от традиционных методов визуализации и методов визуализации с фазированной решеткой, столбец данных в изображении TFM напрямую не связан с одним лежащим в основе А-сканом, а скорее является вкладом многих, что делает этот метод более основанным на изображениях, чем предыдущие методы ультразвукового контроля. Подход к ADR как к проблеме, основанной на изображениях, лучше подходит для существующих решений ИИ, позволяя применять полученные знания к другим технологиям неразрушающего контроля.

Компьютерное зрение (CV) — это метод обработки изображений для извлечения признаков. В сочетании с искусственным интеллектом это позволяет полностью автоматизировать обнаружение и классификацию дефектов. ИИ — это общий термин, охватывающий ряд основных методов. Чаще используются решения на основе нейронных сетей, включающие ряд вероятностных и весовых функций, автоматически реализуемых с использованием обучающих данных. Сети глубокого обучения расширяют это, принимая гораздо больший набор входных параметров (обычно каждый пиксель изображения).

Хотя решения на основе нейронных сетей доказали свою эффективность, для них требуется большой набор обучающих данных, обычно превышающий 1000 обучающих выборок для каждого типа классификации. В рамках этого проекта будет разработан метод, называемый «ADR с помощью модели», в котором смоделированные данные в сочетании с экспериментальными данными используются для моделирования обучающих данных для нейронной сети. Это окажет большое влияние на внедрение систем на основе нейронных сетей для неразрушающего контроля. Однако, поскольку нейронная сеть, по сути, представляет собой «черный ящик», после обучения у нее нет средств для определения того, как была достигнута классификация, и, следовательно, нет контрольного журнала для ложноположительных результатов. Поэтому в рамках проекта также будет изучен ряд методов искусственного интеллекта, включая бинарные деревья решений и алгоритмы кластеризации (оба из которых обеспечивают полный контрольный журнал для классификации).

Объем работ по этому проекту будет ограничен ультразвуковым контролем FMC только для четко определенного сценария контроля кольцевого сварного шва. Это необходимо для обеспечения минимизации ввода параметров при разработке алгоритмов. Ожидается, что результаты будут применимы к широкому спектру материалов и методов неразрушающего контроля.

Преимущества для промышленности

Не хватает коммерчески доступного оборудования, использующего ИИ для автоматизации процессов неразрушающего контроля. Такое оборудование может быть использовано для более последовательного обеспечения качества при меньших затратах, чем ручные методы, и позволит полностью реализовать потенциал передовых методов, таких как FMC и VSA. В рамках проекта будут исследоваться и демонстрироваться методы и технологии, лежащие в основе разработки оборудования для промышленного применения.

Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09