航空器SiC/SiC复合材料X射线断层扫描中缺陷检测的可解释计算机视觉
计算机视觉与模式识别
2026-05-20 v1 材料科学
机器学习
摘要
航空器SiC/SiC复合材料通过X射线计算断层扫描（X-ray computed tomography, XCT）的无损检测依赖于专家的视觉评估，现有工作流程为接受/拒绝决策提供有限的可追溯性。深度卷积网络可实现缺陷检测自动化，但其黑箱本质与工业检验实践中对透明度的需求相冲突。为弥合这一差距，我们引入p-ResNet-50，一种扩展卷积框架，融合原型层（prototype layer），以实现高检测精度与案例导论（case-based）解释的结合。六个学习到的原型显式地对齐专家定义的语义类别——健康基质、基质-空气界面、孔隙、线形缺陷和混合形态——从而确保每一次分类都可追溯至物理上有意义的参考。我们提出两种新型正则化术语——锚定基准（anchor-based）和中介基准（medoid-based）——将原型锚定于专家选取的局部样本，并防止原型坍缩，解决了原型网络已知的局限性。通过UMAP进行的潜在空间分析描绘出语义一致的子域，并绘制出误分类集中处的不确定区域图谱，为检验员提供明确的模型可靠性图景。该框架在约12,000个来自四个含缺陷的SiC/SiC实验标本的XCT 补丁数据集上进行验证。以ROC-AUC为0.991的黑箱ResNet-50为基准，原型扩展方法在准确率（0.957 vs. 0.959）和ROC-AUC（0.994 vs. 0.993）上实现可比的性能，同时在灵敏度略有下降的前提下显著提升了特异度和准确率。每一次决策都由代表性证据补丁支撑，模型还能显式标记其不确定性区域。除缺陷图绘外，该框架为在需要可追溯、可审计决策的其他XCT 检查场景中嵌入领域专家知识 establish 了可复用的方法论。
关键词
引用
@article{arxiv.2605.20159,
title = {Interpretable Computer Vision for Defect Detection in X-ray Tomography of Aerospace SiC/SiC Composites},
author = {Antonio Peña Corredor and Julien Lesseur and Romain Nunez and Paul Rivalland and Thomas Philippe},
journal= {arXiv preprint arXiv:2605.20159},
year = {2026}
}