Flera termiska representationer för förbättrad felanalys i pulstermografi

Att se dolda fel med värme

Moderna flygplan, bilar och broar är byggda av komplexa material som måste inspekteras utan att öppnas. Infraröda kameror låter ingenjörer redan "se" värmemönster som avslöjar dolda defekter under en yta. Denna artikel presenterar ett smartare sätt, kallat PT-Fusion, att läsa av dessa termiska fingeravtryck så att små fel kan hittas mer tillförlitligt och deras djup under ytan uppskattas med anmärkningsvärd precision.

Hur värme avslöjar det ögat inte kan se

Pulstermografi är en enkel idé: en kort, intensiv ljuspuls värmer snabbt upp ytan på en komponent, och en infraröd kamera spelar in hur värmen sprids och avklingar över tid. Om materialet är felfritt flyter värmen jämnt. Om det finns ett hålrum eller en spricka under ytan fastnar eller omdirigeras värmen, vilket skapar en subtil temperaturstörning på ytan. Genom att analysera en kort film av dessa temperaturförändringar kan inspektörer upptäcka problem utan borrning, kapning eller annan skada på komponenten.

Varför nuvarande termiska kartor lämnar information på bordet

Eftersom de råa termofilmerna är stora och brusiga använder ingenjörer matematiska metoder för att sammanfatta dem till mer kompakta bilder innan de matas till artificiell intelligens. Två av de mest populära sammanfattningarna är Principal Component Thermography (PCT), som skärper den visuella kontrasten av defekter, och Thermographic Signal Reconstruction (TSR), som fokuserar på hur varje pixels temperatur utvecklas över tid. De flesta nuvarande inspektionssystem väljer det ena eller det andra, eller staplar dem helt enkelt som extra kanaler. Det visar sig vara ineffektivt: varje vy innehåller olika, komplementära ledtrådar om var defekterna finns och hur djupa de är, men konventionella neurala nätverk saknar vägledning att kombinera dem intelligent.

Ett smartare sätt att blanda termiska ledtrådar

PT-Fusion-systemet är särskilt utformat för att smälta samman dessa olika termiska vyer. Det använder två parallella bearbetningsgrenar, en för PCT-bilder och en för TSR-bilder, där varje gren extraherar mönster som är särskilt tydliga i just sin vy. I nyckelsteg ingriper särskilda fusionsmoduler. En Adaptive Weighting Fusion Gate bestämmer pixel för pixel hur mycket den ska lita på respektive gren, medan en Gating Enhanced Decoding Block varsamt injicerar sammanfogad information tillbaka i rekonstruktionslagren som producerar de slutliga prediktionerna. Istället för att blint konkatenera datakanaler lär sig nätverket vilken representation som är informativast i varje region och väger dem därefter.

Att få ut mesta möjliga av begränsade testdata

Högkvalitativa termografieexperiment är dyra och tidskrävande, så stora märkta datamängder är sällsynta. För att hantera detta utvecklar författarna en spatiotemporal dataaugmenteringsstrategi anpassad för termofilmer. Istället för att enbart rotera eller flytta bilder, slumpmässamplear de ramar inom varje sekvens för att efterlikna olika uppvärmnings- och avkylningsförlopp, och injicerar sedan kontrollerat brus för att imitera verkliga kameraartefakter. Nya PCT- och TSR-bilder beräknas från dessa modifierade sekvenser, vilket kraftigt ökar variationen samtidigt som de underliggande fysikaliska principerna för värmespridning bevaras. Denna rikare träningsdiet hjälper PT-Fusion att lära sig robusta mönster istället för att memorera ett litet antal exempel.

Skarpare kartor och mer pålitliga djupuppskattningar

Forskarna testar PT-Fusion på en publik dataset med plastprover som innehåller artificiella underliggande hål vid kända djup. De utvärderar två uppgifter: att tilldela varje pixel en djupklass och att samtidigt utföra både defekt/ingen-defekt-klassificering och kontinuerlig djuppskattning. PT-Fusion segmenterar inte bara defekter mer exakt än klassiska konvolutionella nätverk som U-Net och 3D-CNN, det konkurrerar också med tyngre transformerbaserade modeller samtidigt som det använder avsevärt färre parametrar och kör snabbare. Dess predikterade djup följer de verkliga värdena väl, med mycket små medelfel. Viktigt är att när modellen tränas på en defektform (till exempel kvadrat) och testas på en annan (cirkel) presterar systemet fortfarande bra, vilket visar att det har lärt sig värmeflödets fysik snarare än att bara memorera konturer.

Vad detta betyder för säkrare konstruktioner

För icke-specialister är huvudbudskapet att PT-Fusion gör termiska avbildningar till ett kraftfullare och mer pålitligt verktyg för att skydda kritiska konstruktioner. Genom att intelligent fusera två olika värmebaserade vyer och berika knappa data med fysikmedveten augmentering kan metoden upptäcka defekter tydligare och bedöma hur djupt de ligger under ytan. Denna typ av framsteg för oss närmare snabba, automatiserade inspektionslinjer som diskret kan övervaka flygplansdelar, pipelines och andra viktiga komponenter—och fånga dolda problem tidigt, utan att behöva demontera dem.

Citering: 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

Nyckelord: infraröd termografi, icke-förstörande provning, djupinlärningsinspektion, detektion av underliggande defekter, pulstermografi