量化X射线散射对实时缺陷检测数据生成的影响

背景：X射线成像广泛用于传送带工业产品的无损缺陷检测。在线检测需要高精度、鲁棒且快速的算法。深度卷积神经网络（DCNNs）在拥有大量标注数据时满足这些要求。为克服数据采集挑战，考虑了不同的X射线图像生成方法。目的：根据与真实数据所需相似度，不同的物理效应应被模拟或可忽略。X射线散射模拟计算昂贵，且该效应会极大影响生成X射线图像的精度。我们旨在定量评估散射对缺陷检测的影响。方法：使用蒙特卡洛模拟生成X射线散射分布。DCNNs分别在含散射与不含散射的数据上训练并应用于相同测试集。计算检测概率（POD）曲线以比较其性能，以最小可检测缺陷尺寸表征。结果：我们将方法应用于圆柱体缺陷检测模型问题。在不含散射数据上训练时，DCNNs可靠检测大于1.3 mm的缺陷，使用含散射数据使性能提升小于5%。若分析在高散射-主信号比（$1 < SPR < 5$）情形下进行，性能差异可达15%（约0.4 mm）。结论：从训练数据中排除散射信号对最小可检测缺陷影响最大，且差异随缺陷增大而减小。散射-主信号比对检测性能与数据生成所需精度有显著影响。