[논문 리뷰] Integrating AI in NDE: Techniques, Trends, and Further Directions

Eduardo Pérez, Cemil Emre Ardıç외 10명|arXiv (Cornell University)|2024. 04. 04.

Impact of AI and Big Data on Business and SocietyDecision Sciences인용 수 3

한 줄 요약

이 논문은 비파괴 검사(NDE)에 인공지능(AI)을 통합하는 종합적인 서베이를 제시하며, 자기적 방법, 초음파, 열화상, 광학 검사에 중점을 둔다. 다양한 NDE 작업 간 공통적인 수학적 문제를 규명하고, AI 기법을 하위 작업에 매핑하며, NDE 4.0이 준자동화 및 지능형 검사 시스템으로 발전하는 데서 나타나는 추세와 과제를 제시한다.

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.

연구 동기 및 목표

• 에디 커런트 테스팅, 초음파, 열화상, 광학 검사 등 주요 모달리티에서 비파괴 검사(NDE)에 AI 통합의 현재 상태를 분석하기.
• 다양한 NDE 작업 간 공통적인 기초 수학 문제를 규명하여, 도메인 간 AI 기법의 이동과 융합 가능성을 높이기.
• AI가 NDE에서 자동화를 얼마나 실현할 수 있는지, 특히 고급 운영자 수준(수준 2 및 3)에서의 가능성을 평가하고 현재의 제약 조건을 분석하기.
• NDE 워크플로우의 특정 하위 작업인 결함 탐지, 신호 복원, 매개변수 추정에 AI 기법을 매핑하기.
• NDE 4.0에서 AI 응용의 체계적 개요를 제공하며, 다학제적 혁신과 향후 연구 방향성의 기회를 부각하기.

제안 방법

• 최근의 AI 응용 사례를 중심으로 선택된 NDE 모달리티에 대한 체계적 서베이를 수행하며, 딥 러닝, 압축 센싱, 물리 기반 신경망 등 기법에 중점을 둔다.
• 신호 노이즈 제거, 결함 탐지, 이미지 복원, 매개변수 추정 등의 하위 작업으로 NDE 작업을 분류하고, 공통적인 수학적 공식과 연결한다.
• CNN, RNN, GAN, 희소 최적화 알고리즘 등 AI 기법의 분류 체계를 활용하여 초음파 빔포밍 및 열화상 신호 복원 등의 NDE 문제에 적용한다.
• 역문제(예: 역열전도, 역산산)와 같은 공통적인 수학 문제를 식별하고, ISTA, FISTA, ADMM 등의 AI 솔루션과 연결한다.
• DIN EN ISO 9712에 맞춘 NDE 자동화 수준의 작업 기반 분해를 활용하여 AI의 자율성 향상 기여도를 평가한다.
• 신호 처리, 복원, 의사결정 분야에서의 공통 과제와 기회를 드러내기 위해 모달리티 간 AI 기법 간의 유사성과 연결을 설정한다.

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 ]

실험 결과

연구 질문

• RQ1 다양한 모달리티에서 결함 탐지, 신호 노이즈 제거, 이미지 복원 등의 핵심 NDE 작업을 해결하는 데 가장 효과적인 AI 기법은 무엇인가?
• RQ2 다양한 NDE 작업을 뒷받침하는 공통적인 수학 문제는 무엇이며, 이를 통해 AI 기반 솔루션을 모달리티 간 공유하여 효율성과 성능을 향상시킬 수 있는가?
• RQ3 AI는 NDE에서 자동화를 어느 정도 실현할 수 있으며, 특히 고급 운영자 수준(수준 2 및 3)에서의 기술적·방법론적 장벽은 무엇인가?
• RQ4 물리 기반 및 하이브리드 AI 모델(PINNs, SNGANs 등)은 순수 데이터 기반 접근 방식에 비해 NDE 결과의 정확성과 견고성을 어떻게 향상시키는가?
• RQ5 AI 기반 NDE에서의 주요 추세와 향후 연구 방향은 무엇이며, 특히 NDE 4.0 및 디지털 트윈 통합의 맥락에서 어떤가?

주요 결과

• AI는 초음파, 열화상, 자기 방법 등에서 결함 탐지 및 신호 복원과 같은 복잡한 작업의 자동화를 뒷받침하며, NDE 발전에 필수적인 요소가 되었다.
• 역문제 및 희소 신호 복원 등 공통적인 수학 문제들이 다양한 NDE 작업을 뒷받침하며, ISTA, ADMM 등의 AI 솔루션을 모달리티 간 이동 가능하게 하여 효율성과 성능 향상에 기여한다.
• 물리 기반 신경망(PINNs)과 생성 모델(SNGANs 등)은 열화상 및 초음파 영상 복원의 정확성과 견고성을 향상시키는 데 잠재력을 보이고 있다.
• U-Net, FCN, R-CNN 등의 딥 러닝 모델은 딱지 점수와 F1 점수 향상 보고를 통해 높은 결함 탐지 성능을 달성했지만, 일반화 능력은 여전히 도전 과제이다.
• AI 기반 접근은 전체 매트릭스 캡처(FMC) 및 합성 아파처 포커싱(SAFT) 기법에서 신호 대 잡음비를 크게 향상시키고 처리 시간을 단축시킨다.
• 진전이 있음에도 불구하고, 해석 가능성, 재료 및 기하학적 형태 간 일반화, 표준화된 NDE 워크플로우 및 인증 절차에의 통합 등 여전히 과제가 남아 있다.

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