Classification of welding defectsan approach based on deep learning for computer vision

Resumen

Resumen de la tesis: las técnicas de soldadura se utilizan frecuentemente en instalaciones industriales modernas. Sin embargo, la calidad de las soldaduras está lejos de ser perfecta y puede presentar ciertos defectos. La soldadura producida puede tener diferentes tipos de defectos, por lo tanto, el uso de test no destructivos (NDT) es omnipresente para examinar la calidad de la soldadura sin causar ninguna alteración en la estructura de la misma. Uno de los métodos NTD más populares es la radiografía. Tradicionalmente, la inspección de imágenes radiográficas se realiza de forma visual, por lo que conlleva a un mayor tiempo y trabajo, además de ser propensa a errores. La introducción de técnicas de visión por computador y aprendizaje automático permite automatizar la interpretación de radiogramas, haciendo que su inspección sea más confiable, reproducible y rápida. En esta Tesis doctoral se proponen nuevas técnicas de la segmentación, detección y clasificación de defectos de la soldadura para permitir una evaluación automatizada de la calidad de esta. La nueva tecnología desarrollada, contribuirá al análisis automatizado tanto en tiempo real como fuera de línea de la calidad de la soldadura, lo que permitirá una mejor interpretación de los defectos y una rápida corrección de estos. Por lo tanto, un paso fundamental para evaluar la calidad de la soldadura es identificar perfectamente la geometría de los defectos de soldadura. Existen diferentes etapas que permiten el análisis de defectos de soldadura. Entre ellas, la etapa de segmentación de imágenes que es uno de los mayores problemas en el proceso de reconocimiento de patrones, debido a la complejidad estructural de las imágenes radiográficas y a menudo el insuficiente contraste para extraer la región de interés sin tener ningún conocimiento a priori de su forma y ubicación. Dada la influencia de la segmentación en la detección de defectos, se dedica en esta Tesis un apartado para mejorar el rendimiento de la segmentación en el caso de imágenes radiográficas de defectos de soldadura, específicamente para los defectos de tipo porosidad y falta de penetración, que son objeto de esta investigación. A esta etapa le sigue la de detección de defectos, que permite la determinación e interpretación de la forma del defecto. La última etapa, se centra en determinar modelos efectivos basados en tecnología de aprendizaje profundo que permitan caracterizar defectos para que se conviertan en elementos de clase fácilmente identificables. En general, esta Tesis se centra en la aplicación de algoritmos de visión artificial mejorados con inteligencia artificial para, resolver el desafío de la clasificación de defectos en radiografía de soldaduras. Las técnicas consideradas en el estado del arte se utilizan para: eliminar el ruido, mejorar el contraste y segmentar la región de soldadura para localizar porosidades y falta de penetración, clasificar la soldadura y, por último, detectar los defectos. Así pues, se siguen los siguientes pasos: 1. Se desarrollan técnicas eficientes de preprocesamiento, para la eliminación del ruido y mejorar el contraste, basadas en el filtro gaussiano y el método de estiramiento del contraste para mejorar la calidad de la imagen. 2. Segmentación, se lleva a cabo con filtro de Gabor y umbrales locales y globales para mejorar la zona del defecto de nivel de gris y extraer información local. 3. Detección, se realiza con binarización para la detección de porosidad, Transformada de Hough para la detección de falta de penetración y su combinación para la detección de múltiples defectos de soldadura. 4. Clasificación, se implementa con el aprendizaje profundo basado en modelos previamente entrenados con tecnología de aprendizaje Transfer y técnicas de aumento de datos. 5. La detección de porosidades múltiples se realiza en función de un enfoque de detección de objetos de aprendizaje profundo generado a partir del algoritmo CNN basado en regiones. 6. Todo lo anterior se presenta minuciosamente con sus respectivos resultados finales. Es realmente importante indicar que en el caso de las aplicaciones de aprendizaje profundo, se necesita una gran cantidad de imágenes radiográficas de soldadura. Sin embargo, existe un menor conjunto de datos de defectos de soldaduras de tuberías. Para ello, se ha establecido un conjunto de datos propios a partir de nuestras imágenes de rayos X originales y se ha utilizado para la clasificación y la detección. Para el proceso de evaluación, se comparan todas las etapas del proceso en esta Tesis con las técnicas consideradas en el estado del arte y se toman los resultados superiores alcanzados por nuestros modelos. Los resultados experimentales con métricas de evaluación (MSE, LF, precision, recall, F1Score ect.) demuestran la eficiencia de los procedimientos utilizados en esta Tesis.