[论文解读] 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 3

一句话总结

本文全面综述了将人工智能（AI）集成到无损检测（NDE）中的研究进展，重点聚焦磁学方法、超声波、热成像和光学检测。文章识别了NDE任务中的共性数学问题，将AI技术映射到子任务，并概述了推动NDE 4.0向半自动化、智能化检测系统发展的趋势与挑战。

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.

研究动机与目标

• 分析当前人工智能在无损检测（NDE）中各类关键模态（如涡流检测、超声波、热成像和光学检测）中的集成现状。
• 识别多样化的NDE任务中潜在的共性数学问题，以促进跨领域AI方法的迁移与协同。
• 评估AI在NDE中实现自动化的程度，特别是针对更高级别的操作员层级（第2级和第3级），并评估当前的局限性。
• 将AI技术映射到具体子任务，如缺陷检测、信号重建和参数估计等NDE工作流程中的环节。
• 提供对NDE 4.0中AI应用的结构化概述，突出跨学科创新机遇与未来研究方向。

提出的方法

• 本研究对选定NDE模态中近期AI应用进行了系统性综述，重点关注深度学习、压缩感知和物理信息神经网络等技术。
• 将NDE任务划分为子任务，如信号去噪、缺陷检测、图像重建和参数估计，并将其与共通的数学公式相联系。
• 采用AI方法的分类体系（如CNN、RNN、GAN和稀疏优化算法），应用于NDE问题，如超声波波束成形和热成像信号重建。
• 识别出如反问题（例如，反向热传导、反向散射）等共性数学问题，并将其与AI解决方案（如ISTA、FISTA和ADMM）相联系。
• 通过基于任务的NDE自动化层级分解（与DIN EN ISO 9712标准一致），评估AI在实现更高程度自主性中的作用。
• 通过跨模态映射AI技术，建立跨学科联系，揭示在信号处理、重建和决策制定方面存在的共性挑战与机遇。

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 ]

实验结果

研究问题

• RQ1 在不同模态中，哪些AI技术在解决核心NDE任务（如缺陷检测、信号去噪和图像重建）方面最为有效？
• RQ2 哪些共性数学问题构成了多样化NDE任务的基础？AI解决方案如何在不同模态间共享，以提升效率与性能？
• RQ3 AI在多大程度上能够实现NDE的自动化，特别是在更高操作员层级（第2级和第3级）？当前存在哪些技术和方法论障碍？
• RQ4 与纯数据驱动方法相比，物理信息神经网络（PINNs）和混合AI模型（如SNGANs）如何提升NDE结果的准确性和鲁棒性？
• RQ5 在NDE 4.0和数字孪生集成的背景下，AI赋能NDE的关键趋势与未来研究方向是什么？

主要发现

• AI已成为推动NDE发展的不可或缺力量，尤其在自动化复杂任务（如超声波、热成像和磁学方法中的缺陷检测与信号重建）方面表现突出。
• 共性数学问题（如反问题和稀疏信号恢复）贯穿于多样化的NDE任务，使得诸如ISTA和ADMM等AI解决方案可在不同模态间实现迁移。
• 物理信息神经网络（PINNs）和生成模型（如SNGANs）在热成像和超声波成像中显示出提升重建精度与鲁棒性的潜力。
• U-Net、FCN和R-CNN等深度学习模型在缺陷检测中表现优异，报告的Dice分数和F1分数均有显著提升，但泛化能力仍是挑战。
• AI驱动的方法显著提升了全矩阵捕获（FMC）和合成孔径聚焦技术（SAFT）中的信噪比，并缩短了处理时间。
• 尽管已取得进展，但在可解释性、跨材料与几何结构的泛化能力，以及与标准化NDE工作流程和认证程序的集成方面，仍存在挑战。

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