Wieloreprezentacyjne cechy termiczne dla ulepszonej analizy defektów w termografii impulsowej

Widząc ukryte wady za pomocą ciepła

Nowoczesne samoloty, samochody i mosty są zbudowane z złożonych materiałów, które trzeba kontrolować bez ich rozcinania. Kamery podczerwieni już dziś pozwalają inżynierom „zobaczyć” wzory cieplne ujawniające ukryte defekty pod powierzchnią. W artykule przedstawiono bardziej inteligentne podejście, nazwane PT-Fusion, do odczytywania tych termicznych odcisków palców, dzięki któremu można wykrywać drobne wady bardziej niezawodnie i oszacować ich głębokość pod powierzchnią z imponującą precyzją.

Jak ciepło odkrywa to, czego oko nie widzi

Termografia impulsowa to prosta idea: krótki, silny błysk światła chwilowo podgrzewa powierzchnię elementu, a kamera na podczerwień rejestruje, jak ciepło się rozchodzi i zanika w czasie. Jeśli materiał jest nienaruszony, przepływ ciepła jest płynny. Jeśli pod powierzchnią znajduje się pusta przestrzeń lub pęknięcie, ciepło zatrzymuje się lub ulega odchyleniu, tworząc subtelne zaburzenie temperatury na powierzchni. Analizując krótki film z tych zmian temperatury, inspektorzy mogą wykrywać problemy bez wiercenia, cięcia ani uszkadzania elementu.

Dlaczego obecne mapy termiczne marnują informacje

Ponieważ surowe filmy termiczne są duże i zaszumione, inżynierowie stosują matematyczne triki, aby podsumować je w bardziej zwarte obrazy przed przekazaniem ich do sztucznej inteligencji. Dwa z najpopularniejszych podsumowań to Principal Component Thermography (PCT), które wyostrza kontrast defektów, oraz Thermographic Signal Reconstruction (TSR), które koncentruje się na ewolucji temperatury każdego piksela w czasie. Większość istniejących systemów inspekcyjnych wybiera jedno z nich albo po prostu łączy je jako dodatkowe kanały. To podejście okazuje się nieefektywne: każdy widok zawiera różne, komplementarne wskazówki o położeniu i głębokości defektów, ale konwencjonalne sieci neuronowe nie są prowadzone tak, by łączyć je inteligentnie.

Sprytniejszy sposób łączenia termicznych wskazówek

System PT-Fusion został zaprojektowany specjalnie do scalania tych różnych widoków termicznych. Wykorzystuje dwa równoległe strumienie przetwarzania — jeden poświęcony obrazom PCT, drugi obrazom TSR — z których każdy wydobywa wzorce szczególnie czytelne w danej reprezentacji. W kluczowych etapach wkraczają specjalne moduły fuzji. Adaptacyjna bramka ważenia (Adaptive Weighting Fusion Gate) decyduje, piksel po pikselu, na ile ufać każdemu strumieniowi, podczas gdy Gating Enhanced Decoding Block delikatnie wstrzykuje zintegrowane informacje z powrotem do warstw rekonstrukcyjnych, które generują ostateczne predykcje. Zamiast ślepo łączyć strumienie danych, sieć uczy się, która reprezentacja jest bardziej informatywna w danym rejonie i odpowiednio je równoważy.

Wykorzystanie ograniczonych danych testowych

Wysokiej jakości eksperymenty termograficzne są kosztowne i czasochłonne, więc duże, oznaczone zbiory danych są rzadkie. Aby sobie z tym poradzić, autorzy opracowali przestrzenno‑czasową strategię augmentacji danych dostosowaną do filmów termicznych. Zamiast jedynie obracać czy przesuwać obrazy, losowo próbkują klatki w każdej sekwencji, aby naśladować różne historie nagrzewania i chłodzenia, a następnie wprowadzają kontrolowany szum, by imitować rzeczywiste artefakty kamery. Na podstawie tych zmodyfikowanych sekwencji obliczane są nowe obrazy PCT i TSR, co znacznie zwiększa różnorodność przy zachowaniu podstawowej fizyki dyfuzji ciepła. Bogatszy zestaw treningowy pomaga PT-Fusion uczyć się trwałych wzorców zamiast zapamiętywać niewielką liczbę przykładów.

Wyraźniejsze mapy i bardziej wiarygodne oszacowania głębokości

Badacze przetestowali PT-Fusion na publicznym zbiorze próbek z tworzywa sztucznego zawierających sztuczne otwory podpowierzchniowe o znanych głębokościach. Oceniali dwa zadania: przypisanie każdego piksela do klasy głębokości oraz jednoczesne etykietowanie defekt/bez defektu i ciągłe estymowanie głębokości. PT-Fusion nie tylko segmentuje defekty dokładniej niż klasyczne sieci splotowe, takie jak U-Net i 3D-CNN, ale także konkuruje z cięższymi modelami opartymi na transformatorach, używając znacznie mniej parametrów i działając szybciej. Przewidywane głębokości są bliskie wartościom rzeczywistym, z bardzo małymi średnimi błędami. Co istotne, gdy model był trenowany na jednym kształcie defektu (np. kwadraty) i testowany na innym (okręgi), system nadal działał dobrze, pokazując, że nauczył się fizyki przepływu ciepła, a nie tylko zapamiętywał kontury.

Co to oznacza dla bezpieczniejszych konstrukcji

Dla osób niebędących specjalistami kluczowe przesłanie jest takie, że PT-Fusion czyni obrazowanie termiczne bardziej efektywnym i wiarygodnym narzędziem do ochrony krytycznych konstrukcji. Poprzez inteligentne łączenie dwóch różnych termicznych widoków i wzbogacanie skąpych danych przez augmentację uwzględniającą fizykę, metoda potrafi wyraźniej wykrywać defekty i precyzyjniej oceniać ich głębokość. Taki postęp zbliża nas do szybkich, zautomatyzowanych linii inspekcyjnych, które mogą dyskretnie monitorować części samolotów, rurociągi i inne istotne elementy — wykrywając ukryte problemy wcześnie, bez konieczności ich rozbierania.

Cytowanie: 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

Słowa kluczowe: termowizyjna termografia, badania nieniszczące, inspekcja z wykorzystaniem uczenia głębokiego, wykrywanie defektów podpowierzchniowych, termografia impulsowa