Automatizovaná detekce a vyhodnocení defektů pomocí infračervené termografie

Abstract

Tato disertační práce představuje komplexní studii zaměřenou na vývoj automatizovaného systému pro detekci a vyhodnocování defektů s využitím infračervené termografie (IRT) ve spojení s pokročilými metodami strojového učení (ML). Výzkum řeší klíčová omezení tradičních metod nedestruktivního testování (NDT), jako je závislost na obsluze, nízká odolnost vůči proměnlivým podmínkám ohřevu a nedostatečná schopnost zobecnění na různé materiály a typy defektů.<br>Práce představuje nové metody předzpracování dat, včetně normalizovaného kontrastu založeného na efektivitě tepla (Effusivity-Based Normalized Contrast, ENC) a statistické metody extrakce příznaků, navržené pro zvýšení detekovatelnosti defektů a zlepšení výkonnosti modelů strojového učení. Devět algoritmů strojového učení bylo systematicky porovnáno na numericky simulovaných a experimentálně získaných termografických datech; nejlepší výsledky z hlediska přesnosti a spolehlivosti byly dosaženy modelem Bagged Trees v kombinaci se statistickými příznaky.<br>Další zvýšení zobecnitelnosti bylo dosaženo generováním syntetických datových souborů s kontrolovanou variabilitou a aplikací technik rozšíření dat (data augmentation), podpořených analýzou učících křivek a hodnocením odolnosti vůči šumu. Studie rovněž navrhuje novou vícerozměrnou metodiku mapování pravděpodobnosti detekce (POD), která umožňuje kvantitativní posouzení spolehlivosti kontroly v závislosti na velikosti a hloubce defektu.<br>Vyvinutý rámec byl ověřen na kompozitních materiálech s rázovým poškozením, kde prokázal výrazné zlepšení v přesnosti, spolehlivosti a robustnosti detekce ve srovnání s konvenčními přístupy. Výsledky posouvají hranice automatizované infračervené termografie a poskytují pevný základ pro její využití v odvětvích, jako je letecký průmysl, stavebnictví a výroba, kde je zajištění strukturální integrity a spolehlivosti zásadní.