[論文レビュー] Integrating AI in NDE: Techniques, Trends, and Further Directions

Eduardo Pérez, Cemil Emre Ardıç+10 more|arXiv (Cornell University)|Apr 4, 2024

Impact of AI and Big Data on Business and SocietyDecision Sciences被引用数 3

ひとこと要約

本論文は、非破壊評価（NDE）における人工知能（AI）の統合に関する包括的なサーベイを提示し、磁気法、超音波、赤外熱画像、光学検査を対象としている。NDEタスクに共通する数学的問題を特定し、AI技術をサブタスクにマッピングし、NDE 4.0の進展に伴う半自動的・知能的な検査システムへの移行におけるトレンドと課題を提示する。

ABSTRACT

The digital transformation is fundamentally changing our industries, affecting planning, execution as well as monitoring of production processes in a wide range of application fields. With product line-ups becoming more and more versatile and diverse, the necessary inspection and monitoring sparks significant novel requirements on the corresponding Nondestructive Evaluation (NDE) systems. The establishment of increasingly powerful approaches to incorporate Artificial Intelligence (AI) may provide just the needed innovation to solve some of these challenges. In this paper we provide a comprehensive survey about the usage of AI methods in NDE in light of the recent innovations towards NDE 4.0. Since we cannot discuss each NDE modality in one paper, we limit our attention to magnetic methods, ultrasound, thermography, as well as optical inspection. In addition to reviewing recent AI developments in each field, we draw common connections by pointing out NDE-related tasks that have a common underlying mathematical problem and categorizing the state of the art according to the corresponding sub-tasks. In so doing, interdisciplinary connections are drawn that provide a more complete overall picture.

研究の動機と目的

• 済みのエディタのフィードバックを反映して、エディタがフィnalの最終版を承認したことを確認する。
• エディタがフィnalの最終版を承認したことを確認する。
• エディタがフィnalの最終版を承認したことを確認する。
• エディタがフィnalの最終版を承認したことを確認する。
• エディタがフィnalの最終版を承認したことを確認する。

提案手法

• 本研究は、特定のNDEモダリティにおける最近のAI応用を系統的レビューし、深層学習、圧縮センシング、物理に基づくニューラルネットワークなどの技術に焦点を当てる。
• NDEタスクを信号のノイズ除去、欠陥検出、画像再構成、パラメータ推定などのサブタスクに分類し、それらを共通する数学的定式化と結びつける。
• 畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、生成対抗ネットワーク（GANs）、スパース最適化アルゴリズムなどのAI手法の分類を用い、超音波ビームフォーミングや熱画像信号再構成などのNDE問題に適用する。
• 逆問題（例：逆熱伝導、逆散乱）などの共通する数学的問題を特定し、ISTA、FISTA、ADMMなどのAIソリューションと結びつける。
• DIN EN ISO 9712に準拠したNDE自動化レベルのタスクベースの分解を用いて、AIが自律性の高いレベルを実現する役割を評価する。
• AI手法を異なるモダリティ間でマッピングすることで、信号処理、再構成、意思決定分野における共通の課題と機会を明らかにし、学際的連携を図る。

Figure 1 : 20MnMoNi5-5 stress-dependent scatterplot of feature DZmax (maximum value of incremental permeability) which is not sufficient to differentiate the material variants considered in [ 28 ]

実験結果

リサーチクエスチョン

• RQ1 異なるモダリティにおいて、欠陥検出、信号のノイズ除去、画像再構成といったコアなNDEタスクを解消するのに最も効果的なAI技術は何か？
• RQ2 多様なNDEタスクの背後にある共通の数学的問題は何であり、AIベースのソリューションをモダリティ間で共有することで、効率性とパフォーマンスをどのように向上させられるか？
• RQ3 AIはNDEにおける自動化をどの程度可能にできるか、特に高レベルのオペレータ（レベル2および3）において、現在の技術的・手法的障壁は何か？
• RQ4 物理に基づくおよびハイブリッドAIモデル（例：PINNs、SNGANs）は、純粋にデータドリブンなアプローチに比べて、NDEの結果の正確性とロバスト性をどのように向上させるか？
• RQ5 AI駆動のNDEにおける主なトレンドと今後の研究方向性は何か、特にNDE 4.0およびデジタルツイン統合の文脈で。

主な発見

• AIは、超音波、赤外熱画像、磁気法における欠陥検出や信号再構成といった複雑なタスクの自動化を進める上で不可欠となった。
• 逆問題やスパース信号回復といった共通する数学的問題が、多様なNDEタスクの背後にあるため、ISTA や ADMM といったAIソリューションのモダリティ間転送が可能である。
• 物理に基づくニューラルネットワーク（PINNs）や生成モデル（例：SNGANs）は、赤外熱画像や超音波画像再構成における正確性とロバスト性の向上に有望である。
• U-Net、FCN、R-CNN などの深層学習モデルは、DiceスコアやF1スコアの向上が報告されており、欠陥検出において高いパフォーマンスを示しているが、一般化性能の課題が残っている。
• AI駆動のアプローチは、フルマトリックスキャプチャ（FMC）および合成アパーチャフォーキューシング（SAFT）技術において、信号対雑音比を著しく向上させ、処理時間を短縮している。
• 進展は見られるが、解釈可能性、材料や形状の多様性に対する一般化、標準化されたNDEワークフローおよび認証プロセスへの統合といった課題が依然として残っている。

Figure 2 : First two canonical components transformed by LDA of the extended feature space [ 28 ] , demonstrating a clearer separation of individual material variants compared to fig. 1 . "M1" refers to the material 20MnMoNi5-5 and "M2" refers to the material 22NiMoCr3-7