Thermische kenmerken met meerdere representaties voor verbeterde defectanalyse in pulsthermografie

Verborgen gebreken zichtbaar maken met warmte

Moderne vliegtuigen, auto’s en bruggen zijn opgebouwd uit complexe materialen die geïnspecteerd moeten worden zonder ze open te snijden. Infraroodcamera’s laten ingenieurs al warmtepatronen “zien” die verborgen defecten onder het oppervlak onthullen. Dit artikel introduceert een slimmere methode, PT-Fusion genoemd, om die thermische vingerafdrukken te lezen zodat kleine gebreken betrouwbaarder gevonden kunnen worden en hun diepte onder het oppervlak met opmerkelijke precisie kan worden geschat.

Hoe warmte onthult wat het oog niet kan zien

Pulsthermografie is een eenvoudig idee: een korte, intense lichtflits verwarmt tijdelijk het oppervlak van een onderdeel, en een infraroodcamera registreert hoe de warmte zich in de tijd verspreidt en vervaagt. Als het materiaal gezond is, stroomt de warmte gelijkmatig. Als er een holte of scheur onder het oppervlak zit, raakt warmte vast of wordt afgeleid, wat een subtiele temperatuursverstoring aan het oppervlak veroorzaakt. Door een korte film van deze temperatuurveranderingen te analyseren, kunnen inspecteurs problemen opsporen zonder te boren, snijden of het component anderszins te beschadigen.

Waarom huidige thermische kaarten informatie laten liggen

Omdat de ruwe thermische films groot en ruisig zijn, gebruiken ingenieurs wiskundige technieken om ze samen te vatten in compactere beelden voordat ze naar kunstmatige intelligentie worden gestuurd. Twee van de meest gebruikte samenvattingen zijn Principal Component Thermography (PCT), die het visuele contrast van defecten verscherpt, en Thermographic Signal Reconstruction (TSR), die zich richt op hoe de temperatuur van elke pixel in de tijd evolueert. De meeste bestaande inspectiesystemen kiezen het ene of het andere, of stapelen ze simpelweg als extra kanalen. Die aanpak blijkt verspilling: elk zicht bevat verschillende, complementaire aanwijzingen over waar defecten zich bevinden en hoe diep ze liggen, maar conventionele neurale netwerken worden niet gestuurd om ze intelligent te combineren.

Een slimmere manier om thermische aanwijzingen te mengen

Het PT-Fusion-systeem is specifiek ontworpen om deze verschillende thermische weergaven te combineren. Het gebruikt twee parallelle verwerkingsbranches, één gewijd aan PCT-beelden en één aan TSR-beelden, die elk patronen extraheren die in hun eigen weergave vooral duidelijk zijn. Op cruciale punten treden speciale fusie-module in werking. Een Adaptive Weighting Fusion Gate beslist pixel voor pixel hoeveel vertrouwen aan elke branch moet worden gegeven, terwijl een Gating Enhanced Decoding Block de samengevoegde informatie zachtjes teruginjecteert in de reconstructielagen die de uiteindelijke voorspellingen produceren. In plaats van datastromen blind samen te voegen, leert het netwerk welke representatie in elk gebied informatiever is en balanceert het die dienovereenkomstig.

Het beste halen uit beperkte testdata

Hoogwaardige thermografie-experimenten zijn duur en tijdrovend, dus grote gelabelde datasets zijn schaars. Om dit aan te pakken, bedenken de auteurs een spatiotemporele data-augmentatiestrategie op maat van thermische films. In plaats van alleen afbeeldingen te roteren of te verschuiven, bemonsteren ze willekeurig frames binnen elke sequentie om verschillende verwarmings- en afkoelgeschiedenissen na te bootsen en voegen vervolgens gecontroleerde ruis toe om echte cameraartefacten te imiteren. Nieuwe PCT- en TSR-beelden worden uit deze gewijzigde sequenties berekend, waarmee de variëteit sterk toeneemt terwijl de onderliggende fysica van warmtediffusie behouden blijft. Dit rijkere trainingsrepertoire helpt PT-Fusion robuuste patronen te leren in plaats van een kleine set voorbeelden te memoriseren.

Scherpere kaarten en betrouwbaardere diepte-inschattingen

De onderzoekers testen PT-Fusion op een publieke dataset van plastic monsters met kunstmatige ondergrondse gaten op bekende dieptes. Ze evalueren twee taken: elke pixel toewijzen aan een diepteklasse en zowel defect/niet-defect labelen als continue diepteschatting tegelijk uitvoeren. PT-Fusion segmenteert defecten niet alleen nauwkeuriger dan klassieke convolutionele netwerken zoals U-Net en 3D-CNN, het concurreert ook met zwaardere transformer-gebaseerde modellen terwijl het veel minder parameters gebruikt en sneller draait. De voorspelde dieptes volgen de werkelijke waarden nauwkeurig, met zeer kleine gemiddelde fouten. Belangrijk is dat wanneer het systeem getraind is op één defectvorm (zoals vierkanten) en getest op een andere (cirkels), het nog steeds goed presteert, wat aantoont dat het de fysica van warmtestroom heeft geleerd in plaats van alleen omtrekken te onthouden.

Wat dit betekent voor veiligere constructies

Voor niet-specialisten is de kernboodschap dat PT-Fusion thermische beeldvorming een krachtiger en betrouwbaarder instrument maakt om kritieke constructies te beschermen. Door twee verschillende warmtegebaseerde weergaven intelligent te fuseren en schaarse data te verrijken via fysica-bewuste augmentatie, kan de methode defecten duidelijker opsporen en inschatten hoe diep ze onder het oppervlak liggen. Deze vooruitgang brengt ons dichter bij snelle, geautomatiseerde inspectielijnen die stilletjes vliegtuigdelen, pijpleidingen en andere vitale componenten kunnen monitoren—verborgen problemen vroegtijdig opsporend, zonder ze ooit uit elkaar te hoeven halen.

Bronvermelding: 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

Trefwoorden: infraroodthermografie, niet-destructief onderzoek, deep learning inspectie, detectie van ondergrondse defecten, pulsthermografie