基于 Adapt-WeldNet 与缺陷检测可解释性分析的海洋作业焊接缺陷检测研究
计算机视觉与模式识别
2025-08-11 v2 人工智能
计算工程、金融与科学
机器学习
摘要
焊接缺陷检测对于确保石油和天然气行业管道系统的安全性和可靠性至关重要，尤其是在充满挑战的海洋和近海环境中。传统的无损检测 (NDT) 方法通常无法检测到细微或内部缺陷，从而导致潜在的故障和高昂的停机成本。此外，现有的基于神经网络的缺陷分类方法经常依赖于任意选择的预训练架构且缺乏可解释性，引发了对部署安全的担忧。为了应对这些挑战，本文引入了“Adapt-WeldNet”，这是一个用于焊接缺陷检测的自适应框架，它系统地评估各种预训练架构、迁移学习策略和自适应优化器，以识别性能最佳的模型和超参数，从而优化缺陷检测并提供可操作的见解。此外，还提出了一个新颖的缺陷检测可解释性分析 (DDIA) 框架以增强系统透明度。DDIA 采用了可解释 AI (XAI) 技术（如 Grad-CAM 和 LIME），以及经认证的 ASNT NDE Level II 专业人员验证的特定领域评估。DDIA 结合了人在回路 (HITL) 方法并符合可信 AI 原则，确保了缺陷检测系统的可靠性、公平性和问责制，通过专家验证增强了对自动化决策的信心。通过提升性能和可解释性，这项工作增强了焊接缺陷检测系统的信任度、安全性和可靠性，支持了近海和海洋环境中的关键作业。
引用
@article{arxiv.2508.00381,
title = {Advancing Welding Defect Detection in Maritime Operations via Adapt-WeldNet and Defect Detection Interpretability Analysis},
author = {Kamal Basha S and Athira Nambiar},
journal= {arXiv preprint arXiv:2508.00381},
year = {2025}
}