自动化超声无损检测中的深度学习——进展、公理与机遇
信号处理
2022-07-18 v2
摘要
超声无损检测（NDE）数据分析传统上由训练有素的操作员借助基础自动化工具手动判读数据来完成。近来，研究界开始涌现许多针对单个 NDE 任务（数据预处理、缺陷检测、缺陷表征与性能测量）的深度学习（DL）技术演示。这些方法在具备充足训练数据的前提下，有望提供高灵活性、高效率与高精度。此外，它们可实现跨越一个或多个 NDE 步骤（如检测、表征与定尺寸）的复杂流程自动化。然而，对于这些新方法应遵循的方向与需求尚缺乏共识。这些要素对于实现由人工智能驱动的超声 NDE 自动化，并使之被研究界、工业界与监管机构所接纳至关重要。本文综述了由 DL 方法赋能的自主超声 NDE 最新进展，按 DL 方法所解决的 NDE 任务组织综述，并指出各任务的关键遗留挑战。基于文献综述、相关国际法规与当前工业需求，确立了 NDE 中 DL 方法的基本公理原则。通过将 DL 方法置于通用 NDE 自动化层级背景下，本文旨在为该领域未来研发提供路线图。
引用
@article{arxiv.2112.06650,
title = {Deep learning in automated ultrasonic NDE -- developments, axioms and opportunities},
author = {Sergio Cantero-Chinchilla and Paul D. Wilcox and Anthony J. Croxford},
journal= {arXiv preprint arXiv:2112.06650},
year = {2022}
}
备注
Accepted version to be published in NDT & E International