Multi-Repräsentations-Thermofunktionen zur verbesserten Fehleranalyse in der Puls-Thermografie

Verborgene Fehler mit Wärme sichtbar machen

Moderne Flugzeuge, Autos und Brücken bestehen aus komplexen Materialien, die geprüft werden müssen, ohne sie aufzuschneiden. Infrarotkameras ermöglichen Ingenieuren bereits, Wärmebilder zu „sehen“, die verdeckte Defekte unter der Oberfläche offenbaren. Dieser Artikel stellt eine intelligentere Methode vor, genannt PT-Fusion, um diese thermischen Fingerabdrücke zu lesen, sodass winzige Fehler zuverlässiger gefunden und ihre Tiefe unter der Oberfläche mit bemerkenswerter Präzision abgeschätzt werden kann.

Wie Wärme zeigt, was das Auge nicht sieht

Puls-Thermografie ist ein einfaches Prinzip: Ein kurzer, intensiver Lichtblitz erwärmt für einen Moment die Oberfläche eines Bauteils, und eine Infrarotkamera zeichnet auf, wie sich die Wärme im Verlauf verteilt und abklingt. Ist das Material intakt, verläuft der Wärmefluss gleichmäßig. Befindet sich jedoch eine Hohlstelle oder Riss unter der Oberfläche, wird Wärme gestaut oder umlenkt und erzeugt eine subtile Temperaturstörung an der Oberfläche. Durch die Analyse dieses kurzen Temperaturfilms können Prüfer Probleme erkennen, ohne bohren, schneiden oder das Bauteil anderweitig zu beschädigen.

Warum aktuelle thermische Karten Informationen ungenutzt lassen

Da die rohen Thermofilme groß und verrauscht sind, fassen Ingenieure sie mit mathematischen Verfahren in kompaktere Bilder zusammen, bevor sie sie künstlichen Intelligenzsystemen zuführen. Zwei besonders verbreitete Zusammenfassungen sind Principal Component Thermography (PCT), das den visuellen Kontrast von Defekten schärft, und Thermographic Signal Reconstruction (TSR), das die zeitliche Entwicklung der Temperatur jedes Pixels fokussiert. Die meisten bestehenden Inspektionssysteme wählen entweder das eine oder das andere oder stapeln sie einfach als zusätzliche Kanäle. Dieser Ansatz erweist sich als verschwenderisch: Jede Darstellung enthält unterschiedliche, komplementäre Hinweise darauf, wo Defekte liegen und wie tief sie sind, aber konventionelle neuronale Netze werden nicht gezielt dazu angeleitet, sie intelligent zu kombinieren.

Eine klügere Art, thermische Hinweise zu verschmelzen

Das PT-Fusion-System ist speziell darauf ausgelegt, diese unterschiedlichen thermischen Ansichten zu vereinen. Es nutzt zwei parallele Verarbeitungszweige, einen für PCT-Bilder und einen für TSR-Bilder, die jeweils Muster extrahieren, die in ihrer jeweiligen Darstellung besonders deutlich sind. An wichtigen Stellen greifen spezielle Fusionsmodule ein. Ein Adaptive Weighting Fusion Gate entscheidet Pixel für Pixel, wie viel Vertrauen jedem Zweig geschenkt wird, während ein Gating Enhanced Decoding Block die verschmolzenen Informationen behutsam in die Rekonstruktionsschichten einspeist, die die finalen Vorhersagen erzeugen. Anstatt Datenströme blind zusammenzufügen, lernt das Netzwerk, welche Repräsentation in welcher Region informativer ist, und gewichtet sie entsprechend.

Das Beste aus begrenzten Testdaten herausholen

Hochwertige Thermografie-Experimente sind teuer und zeitaufwendig, sodass große mit Labels versehene Datensätze selten sind. Um dem zu begegnen, entwickeln die Autoren eine raum-zeitliche Datenaugmentierungsstrategie, die speziell auf Thermofilme zugeschnitten ist. Anstatt nur Bilder zu drehen oder zu verschieben, wählen sie zufällig Frames innerhalb jeder Sequenz aus, um unterschiedliche Heiz- und Abkühlverläufe zu simulieren, und fügen kontrolliertes Rauschen hinzu, um reale Kamerafehler nachzubilden. Aus diesen modifizierten Sequenzen werden neue PCT- und TSR-Bilder berechnet, was die Vielfalt stark erhöht und gleichzeitig die zugrundeliegende Physik der Wärmeleitung bewahrt. Diese reichhaltigere Trainingskost hilft PT-Fusion, robuste Muster zu lernen, anstatt eine kleine Menge von Beispielen auszuwendig zu lernen.

Scharfere Karten und verlässlichere Tiefen

Die Forscher testen PT-Fusion an einem öffentlichen Datensatz von Kunststoffproben mit künstlichen Untergrundlöchern bekannter Tiefe. Sie bewerten zwei Aufgaben: die Zuordnung jedes Pixels zu einer Tiefenklasse und die gleichzeitige Durchführung von Defekt-/Kein-Defekt-Klassifikation sowie kontinuierlicher Tiefenschätzung. PT-Fusion segmentiert Defekte nicht nur genauer als klassische Faltungsnetze wie U-Net und 3D-CNN, es konkurriert auch mit schwergewichtigeren, transformerbasierten Modellen, nutzt dabei aber deutlich weniger Parameter und läuft schneller. Die vorhergesagten Tiefen folgen den wahren Werten sehr genau, mit sehr kleinen mittleren Fehlern. Wichtig ist auch: Wenn das System auf einer Defektform (z. B. Quadrate) trainiert und auf einer anderen (Kreise) getestet wird, bleibt die Leistung hoch, was zeigt, dass es die Physik des Wärmeflusses gelernt hat und nicht nur Umrisse auswendig.

Was das für sicherere Bauwerke bedeutet

Für Nichtfachleute ist die Kernaussage, dass PT-Fusion die Thermografie zu einem leistungsfähigeren und verlässlicheren Werkzeug macht, um kritische Strukturen zu schützen. Durch die intelligente Fusion zweier unterschiedlicher wärmebasierter Sichten und die Anreicherung knapper Daten mittels physikbewusster Augmentierung kann die Methode Defekte deutlicher erkennen und ihre Tiefe unter der Oberfläche besser beurteilen. Solche Fortschritte bringen uns näher an schnelle, automatisierte Prüflinien, die Flugzeugbauteile, Pipelines und andere wichtige Komponenten still überwachen können—verborgene Probleme frühzeitig erfassen, ohne sie jemals auseinandernehmen zu müssen.

Zitation: Salah, M., Werghi, N., Svetinovic, D. et al. Multi-representation thermal features for enhanced defect analysis in pulse thermography. Sci Rep 16, 12926 (2026). https://doi.org/10.1038/s41598-026-42031-y

Schlüsselwörter: Infrarot-Thermografie, zerstörungsfreie Prüfung, Deep-Learning-Inspektion, Erkennung von Untergrundfehlern, Puls-Thermografie