背景简介

无损检测与评价(NDT&E)技术是一种在不损坏被检材料性能的前提下对材料进行缺陷探测与质量评估的手段，在制造业产品质量管理和在役设备健康状态评估等方面有着广泛需求。近年来，智能制造及重大特种设备领域快速发展，给NDT&E带来绝佳机遇的同时也提出了巨大挑战，迫切需要获取材料缺陷的全面信息并实现缺陷特征自动提取和智能判别。目前，越来越多的研究人员将机器学习技术引入NDT&E领域并在缺陷识别与分类任务中获得了优异表现，然而机器学习辅助NDT&E在缺乏大量标记数据支撑的实际工业应用中难以充分发挥其优势。一方面，迫切需要开发具有操作简单、非接触式测量、图像可视化结果和提供丰富缺陷数据等优点的新型检测技术，以全面了解被检材料状态；另一方面，实际工业场景中标记海量样本需要专业领域知识和巨额成本支撑，依赖于大量标记样本的监督学习（SL）方法的泛化能力受到严重制约。

成果介绍

本文提出了一种瞬态热成像检测的半监督学习（SSL）框架，利用编码到瞬时热图序列数据中的时间和空间信息对多种类型缺陷进行识别和分类，同时克服了工业应用中由于标记样本不足而导致泛化性能不佳的问题。瞬态热成像检测输出的三维张量数据结构（图1）非常适合与机器学习技术结合产生像素级识别结果。

图1 瞬态热成像检测原理及检测数据三维张量结构

建立了不同类型缺陷瞬态热演化的时域和频域物理模型，阐明了基于瞬态热成像进行缺陷分类的理论基础。不同类型缺陷具有不同的热波反射系数，具体体现为材料表面瞬态热响应的差异，如图2所示。

图2 具有不同热波反射系数缺陷的材料表面对数域瞬态热演化

提出了用于瞬态热成像检测半监督学习的MCLSVM方法，基于数据聚类假设划分超平面以最大间隔分离标记数据的同时穿过数据低密度区域，以利用实际工业场景中可用的大量未标记数据来提高学习泛化性能。实验结果验证了在仅有少量标记样本可用于训练的情况下所提出方法相比传统的监督算法的优越性。研究为实际工业场景中的机器学习辅助NDT&E任务提供了一种行之有效的方案。

（a）（b）

图3 (a)MCLSVM原理示意图 （b）SL与SSL方法分类精度比较

引文格式：

GB/T 7714

Liu L, Guo C, Xiang Y, et al. A semisupervised learning framework for recognition and classification of defects in transient thermography detection[J]. IEEE Transactions on Industrial Informatics, 2021.

MLA

Liu, Lishuai, et al. “A semisupervised learning framework for recognition and classification of defects in transient thermography detection”. IEEE Transactions on Industrial Informatics (2021).

APA

Liu, L., Guo, C., Xiang, Y., Tu, Y., Wang, L., & Xuan, F. (2021) A semisupervised learning framework for recognition and classification of defects in transient thermography detection. IEEE Transactions on Industrial Informatics.

（图文供稿：华东理工大学 刘立帅；

网络编辑：侯志伟，费嘉文，温建锋）