هوش مصنوعی در بازرسی کیفیت فولاد ضد زنگ: تشخیص خودکار نقص

تشخیص نقص مبتنی بر هوش مصنوعی از مدل‌های یادگیری عمیق (CNN، آشکارسازهای شی، و Vision Transformers) استفاده می‌کند که بر روی تصاویر دوربین آموزش داده شده‌اند تا عیوب سطح فولاد ضد زنگ را در زمان واقعی شناسایی، طبقه‌بندی و مکان‌یابی کنند، در سرعت خط تولید، با دقت منتشر شده معمولاً در محدوده ۹۵ تا ۹۹ درصد در مجموعه داده‌های معیار استاندارد.

شش نوع عیب که معمولاً برای محک زدن این سیستم‌ها استفاده می‌شود - پیچ‌خوردگی، گنجاندن، وصله‌ها، سطح حفره‌دار، نورد شده-در مقیاس و خراش - از پایگاه داده عیب‌های سطحی NEU که به طور گسترده استفاده می‌شود، می‌آیند و از نزدیک بر روی عیوب فولاد ضد زنگ واقعی مانند سوراخ‌کردن، ترک‌خوردگی‌های غلتکی، ترک‌خوردگی و خراشیدگی، نگاشت می‌شوند.

Artificial Intelligence in Stainless Steel Quality Inspection

بینایی AI جایگزین یا تقویت بینایی دستی بصری و بینایی ماشینی مبتنی بر آستانه ساده-می شود، که نرخ های مثبت کاذب را تا 15 تا 30 درصد تولید می کند و نمی تواند بازرسی کامل-سرعت، کامل- را تنها با چشم انسان حفظ کند.

بینایی AI فقط سطوح را بازرسی می‌کند - جایگزین آزمایش نفوذ رنگ، آزمایش جریان گردابی یا آزمایش اولتراسونیک برای نقص‌های زیرسطحی، یکپارچگی جوش یا عیوب حجمی نمی‌شود، بنابراین یک برنامه کیفیت کامل همچنان بازرسی سطح هوش مصنوعی را با روش NDT مناسب ترکیب می‌کند.

ASTM A480 استاندارد حاکم برای طبقه بندی سطح و معیارهای پذیرش نقص باقی می ماند. سیستم‌های هوش مصنوعی بر اساس معیارهای{1} تعریف شده توسط انسان آموزش دیده و تأیید می‌شوند، نه برعکس، بنابراین مشخصات و اختیار نهایی همچنان به استاندارد مواد قابل اجرا و سفارش خرید بستگی دارد.

تشخیص نقص مبتنی بر هوش مصنوعی-از مدل‌های یادگیری عمیق آموزش‌دیده برای تجزیه و تحلیل تصاویر دوربین سطوح فولاد ضد زنگ استفاده می‌کند و به‌طور خودکار عیوب را در زمان واقعی شناسایی، طبقه‌بندی و بومی‌سازی می‌کند، بازرسی بصری دستی و قانون ساده را جایگزین یا تقویت می‌کند-بینایی ماشین مبتنی بر -.

بازرسی سنتی سطوح فولادی ضد زنگ به بازرسان انسانی آموزش دیده متکی است، که گاهی اوقات با کمک بینایی ماشین اولیه که هر چیزی روشن‌تر، تیره‌تر یا بزرگ‌تر از یک آستانه پیکسل ثابت را نشان می‌دهد، کمک می‌کند. هر دو رویکرد دارای محدودیت‌های مستند هستند: بازرسان انسانی در یک شیفت 8{4} یا 12{5}}ساعته خسته می‌شوند و نمی‌توانند توجه کامل را در هر متر از یک سیم پیچ متحرک حفظ کنند، در حالی که سیستم‌های بینایی مبتنی بر آستانه‌ی ساده، تعداد زیادی مثبت کاذب تولید نمی‌کنند، زیرا نمی‌توانند تعداد زیادی مثبت کاذب را ایجاد کنند، زیرا آنها نمی‌توانند تعداد زیادی مثبت کاذب را ایجاد کنند. نقص واقعی ناشی از تغییرات سطحی بی ضرر مانند انعکاس، علامت رول در محدوده تحمل، یا مصنوعات نورپردازی.

تشخیص نقص هوش مصنوعی، که اغلب بر روی شبکه‌های عصبی کانولوشن (CNN) یا معماری‌های Vision Transformer (ViT) جدیدتر ساخته می‌شود، بر روی هزاران تا میلیون‌ها تصویر برچسب‌گذاری شده آموزش داده می‌شود تا ویژگی‌های بصری را بیاموزد که یک نقص واقعی را از تغییرات سطح عادی جدا می‌کند. پس از آموزش، مدل استنتاج را روی تصاویر دوربین زنده با سرعت خط تولید اجرا می‌کند، عیب‌ها را علامت‌گذاری می‌کند و می‌تواند آن اطلاعات را مستقیماً به سیستم‌های کنترل خط برای-مرتب‌سازی، علامت‌گذاری، یا رد زمان واقعی - بدون نیاز به بازبینی هر فریم توسط انسان ارسال کند.

سیستم‌های بینایی هوش مصنوعی معمولاً برای تشخیص همان دسته‌های نقصی که مدت‌هاست به صورت دستی روی حفره‌ها، خراش‌ها و علائم رول، مقیاس‌ها و زخم‌ها، ضایعات غیرفلزی، ترک‌های لبه‌ها، و تکه‌ها یا تغییر رنگ اکسیداسیون - با سطح شش‌گانه - ردیابی می‌شوند، ردیابی می‌شوند، آموزش دیده‌اند. گنجاندن، تکه‌ها، سطح حفره‌دار، نورد شده-در مقیاس، خراش‌ها) به‌عنوان پرمصرف‌ترین معیار تحقیق و آموزش عمل می‌کنند.
دسته نقص	چه به نظر می رسد	علت معمولی	چرا برای فولاد ضد زنگ اهمیت دارد؟
سطح حفره دار / سوراخ دار	فرورفتگی ها یا حفره های کوچک و موضعی	آلودگی، ترشی ناهموار، فلس به دام افتاده	لایه اکسید کروم غیرفعال را مختل می کند و محلی برای خوردگی ناشی از کلرید- ایجاد می کند
خراش / بریدگی	علائم سطح خطی با عمق متفاوت	تماس با راهنماهای نامناسب، زباله های روی غلتک ها، آسیب های مربوط به جابجایی	خطر رد لوازم آرایشی؛ گوژهای عمیق تر به عنوان متمرکز کننده استرس عمل می کنند
علائم رول	تکرار الگوهای حک شده بر روی سطح	سطح غلتکی آسیب دیده یا فرسوده	نشان دهنده سایش تجهیزات بالادستی است. اغلب باعث تغییر رول می شود
در مقیاس-در مقیاس / جای زخم	زبان نامنظم-مثل یا ماهی-لکه های تیره	مقیاس اکسید در هنگام نورد به سطح فشار داده می شود	حذف آن در ترشی سخت است. می تواند پوسته پوسته شود و بعداً گودال ایجاد کند
شامل ها	ذرات غیرفلزی{0}}شکل- نقطه، خط یا بلوک	سرباره یا مواد نسوز که در طول فولادسازی به دام می‌افتند	خواص محلی مواد را تضعیف می کند. می تواند به صورت ترک تحت بار منتشر شود
ترک های لبه	شکاف های ریز تا آشکار در امتداد ورق یا لبه سیم پیچ	تنش حرارتی ناشی از سرمایش ناهموار، مسائل شیمی	می تواند در طول پردازش بیشتر تکثیر شود. اغلب باعث رد سیم پیچ می شود
دیوانگی / تکه	شبکه‌هایی از ترک‌های سطحی ریز یا لکه‌های نامنظم نور/تاریک	تنش سطحی، خنک کننده ناهموار، رنگ اکسیداسیون	در درجه اول در موارد خفیف آرایشی است، اما یک مشکل کنترل فرآیند را نشان می دهد

دسته بندی نقص از پایگاه داده نقص سطح NEU (معیار استاندارد آکادمیک برای طبقه بندی عیوب سطح فولاد) و راهنمای نقص تولید کننده فولاد ضد زنگ منتشر شده است. معیارهای پذیرش برای هر نوع نقص و شدت خاص باید به الزامات پرداخت سطح ASTM A480 و سفارش خرید حاکم اشاره کند.

یک سیستم بینایی هوش مصنوعی تولیدی خط لوله‌ای از پنج مؤلفه مرتبط - روشنایی کنترل‌شده،-دوربین یا خط با سرعت بالا-تصویربرداری اسکن، پیش پردازش تصویر، یک مدل یادگیری عمیق آموزش‌دیده، و یک لایه تصمیم است که نتایج را به کنترل خط - برمی‌گرداند و قدرت واقعی-سیستم، نه تنها به سرعت عمل پنج دستگاه، بلکه به سرعت عملکرد پنج دستگاه بستگی دارد.

How Does a Production AI Vision Inspection System Actually Work

روشنایی و گرفتن تصویر

روشنایی ثابت و خوب{0}}کنترل شده یک پیش نیاز است، نه یک فکر بعدی. سطح بازتابنده فولاد ضد زنگ طراحی نور را واقعاً دشوار می‌کند: نور ناهموار یا غیریکنواخت یکی از رایج‌ترین دلایلی است که در کنار لرزش، تاری حرکت، و نویز ناشی از مقیاس سطح، طبقه‌بندی قابل اطمینان تصاویر سطح فولادی دشوار است. دوربین‌های{4}}خط سرعت بالا-اسکن یا اسکن ناحیه{6}}تصاویری از نوار یا صفحه متحرک، اغلب از چندین زاویه یا با هندسه‌های نوری متعدد می‌گیرند تا عیوب را که فقط در زوایای انعکاس خاصی قابل مشاهده هستند، بگیرند.

پیش پردازش و مدل یادگیری عمیق

تصاویر گرفته شده قبل از اینکه به مدل آموزش دیده منتقل شوند، - تغییر اندازه، عادی، گاهی اوقات فیلتر برای کاهش نویز یا تصحیح برای -نور یکنواخت - پیش پردازش می شوند. تحقیقات منتشر شده نشان می‌دهد که این مرحله پیش‌پردازش به تنهایی می‌تواند به طور معناداری دقت طبقه‌بندی را حتی در{4}}معماری CNN به خوبی تنظیم شده بهبود بخشد. خود مدل یک یا چند مورد از سه کار را انجام می‌دهد: طبقه‌بندی (این چه نوع نقص است)، محلی‌سازی (در کجای تصویر است)، و تقسیم‌بندی (مرز دقیق نقص چیست).

لایه تصمیم و ادغام خط

لایه نهایی خروجی مدل را به یک عمل تبدیل می‌کند: علامت‌گذاری محل نقص برای مدیریت پایین‌دست، راه‌اندازی رد خودکار، ثبت نوع نقص و شدت آن در یک پایگاه داده با کیفیت، یا در استقرارهای بالغ‌تر، تغذیه فرکانس نقص و داده‌های الگو به سیستم‌های کنترل و نگهداری فرآیند بالادست (نقطه یکپارچه‌سازی فزاینده‌ای رایج با سیستم‌های مدیریت تعمیر و نگهداری رایانه‌ای، قبل از اینکه باعث از بین رفتن مجدد تجهیزات شود، یا CMMS باعث از بین رفتن مجدد آنها شود).

شبکه‌های عصبی کانولوشنال (انواع ResNet، MobileNet، SqueezeNet، EfficientNet) همچنان معماری اصلی برای طبقه‌بندی عیوب سطوح فولادی هستند، با آشکارسازهای شی مانند Faster R-CNN و مدل‌های جدیدتر Vision Transformer که برای محلی‌سازی و صحنه‌های سخت‌تر و درهم‌ترم استفاده می‌شوند. دقت منتشر شده در معیارهای استاندارد از تقریباً 95٪ تا بالای 99٪ متغیر است، اگرچه دقت تولید واقعی در جهان به شدت به میزان تطابق داده های آموزشی با شرایط واقعی خط بستگی دارد.
خانواده معماری	نقش معمولی	عملکرد گزارش شده (معیارهای تحقیق)
طبقه بندی کننده های CNN (ResNet-50، MobileNetV2، EfficientNetB3، SqueezeNet)	طبقه بندی نقص کامل-تصویر یا برش خورده-وصله	دقت معمولاً از حدود 95٪ تا 99٪ + بسته به مجموعه داده و معماری ذکر شده است. یک مطالعه مبتنی بر SqueezeNet{3}}100٪ در یک مجموعه تست تمیز و 97.5٪ با نویز، تاری، و تغییرات نور اضافه را گزارش کرد.
آشکارسازهای شی (R سریعتر-CNN و انواع مختلف)	بومی سازی و طبقه بندی چندین نقص در یک تصویر واحد	میانگین بهبود دقت متوسط تقریباً 0.1 تا 0.15 نسبت به R{2}}CNN پس از اصلاحات معماری، در معیار NEU-DET در خط پایه گزارش شده است.
Vision Transformers (ViT)	طبقه‌بندی و محلی‌سازی، با ضبط قوی‌تر از زمینه تصویر با برد{0} طولانی‌تر از CNN	دقت کلی تقریباً 96% برای طبقه‌بندی گسل‌های سطح فولاد شش طبقه در تحقیقات منتشر شده اخیر گزارش شده است.

ارقام گردآوری شده از تحقیقات منتشر شده-بررسی شده و پیش چاپ با استفاده از NEU و مجموعه داده های مربوط به نقص سطح فولادی. اینها نتایج تحقیقاتی-معیار هستند، عملکرد تولید تضمین شده نیست - استقرار واقعی نیاز به اعتبارسنجی در برابر محصول خاص، تنظیمات دوربین، و جمعیت نقص خط مورد نظر دارد.

یکی از مزیت‌های عملی معماری‌های سبک وزن مدرن CNN سرعت استنتاج است: چندین پیاده‌سازی منتشر شده با سرعت بیش از 100 فریم در ثانیه بر روی یک واحد پردازش گرافیکی صنعتی اجرا می‌شوند، که به اندازه کافی سریع است که بدون تبدیل شدن به گلوگاه در فرآیند، با یک سیم‌پیچ یا خط ورق متحرک همگام است.

نتیجه گیری بینایی AI یک روش بازرسی سطحی است- و جایگزینی برای آزمایش نفوذ رنگ، آزمایش جریان گردابی یا آزمایش اولتراسونیک نیست که نقص‌های سطحی-شکستگی و زیرسطحی را که دوربین به سادگی نمی‌تواند ببیند - یک برنامه کامل با کیفیت فولاد ضد زنگ از دید هوش مصنوعی برای سطح بالای{3} استفاده می‌کند. روش های NDT برای یکپارچگی جوش، تشخیص ترک و عیوب حجمی.
روش	آنچه را تشخیص می دهد	سرعت / اتوماسیون	بهترین تناسب
بینایی ماشین مبتنی بر هوش مصنوعی	فقط عیوب سطحی-(خراشیدگی، خراشیدگی، مقیاس، ضایعات قابل مشاهده در سطح، لکه ها)	-سرعت کامل، پوشش- کامل، بازرسی خودکار مداوم	غربالگری سطح-صفحه-صفحه، نوار و سیم پیچ بالا
تست نفوذ رنگ (PT)	ترک‌های سطحی-و تخلخل، از جمله روی فولاد ضد زنگ غیر فرومغناطیسی	فرآیند دستی، چند مرحله‌ای (اعمال، ماندن، حذف، توسعه، بازرسی)	بازرسی ترک-سطح جوش و ریخته گری در جایی که هندسه یا مواد روش های دیگر را رد می کند
تست جریان گردابی (ECT)	ترک‌های سطحی و نزدیک-سطحی در مواد رسانا؛ نتایج تقریباً-آنی هستند	می تواند خودکار و آرایه شود، اما به زبری و هندسه جوش حساس است	لوله‌ها، جوش‌های نازک‌تر، و{0}}غربال‌گری عیب‌های سطحی در محصولات ضد زنگ رسانا
تست اولتراسونیک (UT)	عیوب زیرسطحی و حجمی، ضخامت دیواره، خوردگی، یکپارچگی جوش در عمق	به اپراتورهای آموزش دیده یا سیستم‌های آرایه‌ای مرحله‌ای خودکار- نیاز دارد. یک روش تصویر سطح- نیست	جوش‌های ضخیم‌تر، تأیید ضخامت دیوار-و تشخیص عیب داخلی

گردآوری شده از NDT منتشر شده و ادبیات بینایی ماشین-. انتخاب روش باید از استاندارد بازرسی قابل اجرا و فرم محصول خاص (صفحه-ورق نورد شده در مقابل جوش در مقابل لوله) پیروی کند نه اینکه از هر روش واحدی استفاده شود.

تشخیص نقص هوش مصنوعی توسط همان عواملی محدود می شود که هر مدل آموزش دیده را محدود می کند: به داده های آموزشی بزرگ، نماینده و با برچسب دقیق نیاز دارد. با انواع نقص نادری که در آن داده ها نشان داده نشده اند (عدم تعادل کلاس) مبارزه می کند. می‌توان آن را فریب-شرایط واقعی دنیایی مانند لرزش، تاری حرکت، و نور غیریکنواخت-که با تصاویر آموزشی آن متفاوت است، خورد. و همچنان به نظارت انسانی برای موارد لبه، معرفی محصول جدید و تصمیمات نهایی نیاز دارد.

بار داده و برچسب‌گذاری: یک مدل فقط به اندازه مجموعه آموزشی آن خوب است، و برچسب‌گذاری دقیق هزاران تصویر نقص - به‌ویژه انواع نقص نادر یا نادر - یک سرمایه‌گذاری اولیه قابل توجه قبل از رسیدن سیستم به درجه تولید-قابلیت اطمینان است.

عدم تعادل کلاس: برخی از انواع عیب (یک سیم پیچ{0}}ترک لبه شکافنده) بسیار کمتر از موارد معمول (خراش‌های جزئی) در داده‌ها رخ می‌دهد، که تحقیقات به طور مداوم به عنوان یک چالش اصلی در تشخیص عیوب سطح فولادی شناسایی می‌شوند، زیرا مدلی که عمدتاً در مورد عیوب رایج آموزش داده می‌شود می‌تواند موارد نادر اما جدی را-تشخیص دهد.

What Are the Limitations and Implementation Challenges of AI Defect Detection

{0}}تغییرپذیری تصویر واقعی: لرزش، تاری حرکت، روشنایی ناسازگار، و نویز مقیاس سطح به‌طور خاص در ادبیات به‌عنوان عواملی علامت‌گذاری شده‌اند که تولید{1}}تصاویر خط واقعی را به سختی طبقه‌بندی دقیق‌تر از تصاویر معیار آزمایشگاهی تمیز می‌کنند.

تغییر درجه و محصول: مدلی که بر روی یک فرم، سنج یا پایان محصول آموزش داده شده است، ممکن است بدون داده های آموزشی اضافی یا انتقال یادگیری، به طور تمیز به دیگری منتقل نشود، بنابراین نگهداری مدل یک برنامه مداوم است، نه یک- یک بار استقرار.

پوشش{0}فقط سطح: همانطور که در بالا توضیح داده شد، بینایی هوش مصنوعی نمی‌تواند عیوب زیرسطحی یا حجمی را ببیند، بنابراین نیازی به آزمایش‌های نافذ، جریان گردابی یا اولتراسونیک را در جایی که این نوع نقص‌ها نگران‌کننده هستند، برطرف نمی‌کند.

انسان-در{1}}الزام-حلقه: وضعیت نهایی در برابر مشخصات مواد مانند ASTM A480، و قضاوت در ارائه‌های مرزی یا نواقص جدید، همچنان از یک مهندس کیفیت آموزش‌دیده که نتایج پرچم‌گذاری شده - را بررسی می‌کند، به ویژه در دوره اولیه پس از استقرار بهره می‌برد.

ROI بازرسی هوش مصنوعی را بر اساس چهار عامل قابل اندازه‌گیری ارزیابی کنید - کاهش فرار مشتری و ادعا، تخصیص مجدد نیروی کار بازرسی، دستاوردهای توان عملیاتی خط از حذف بازرسی دستی به‌عنوان گلوگاه سرعت، و ارزش خود داده‌های نقص برای بهبود فرآیند بالادستی - به جای تشخیص نقص{2}}.

ارقام دقت از مقالات تحقیقاتی یک نقطه شروع است، نه یک مورد تجاری. تصمیم‌گیری{1}}سوالات مرتبط‌تر عبارتند از: تعداد شکایات یا بازگشت‌های مشتری در حال حاضر به نقص‌های سطحی از دست رفته بازمی‌گردد، و حذف بیشتر آنها چه ارزشی دارد. چه مقدار کار بازرسی در حال حاضر به بررسی سطح بصری اختصاص داده شده است، و آیا این تیم می تواند برای کارهای مهندسی با کیفیت بالاتر-به کار گرفته شود. بازرسی دستی در حال حاضر سرعت خط را محدود می کند، و اگر این ظرفیت حذف شود چقدر ارزش دارد. و آیا طبقه‌بندی نقص و داده‌های مکان تولید شده توسط سیستم می‌تواند به پارامترهای فرآیند بالادست (شرایط رول، تنظیمات خط ترشی، پروفایل‌های دما) متصل شود تا نرخ عیب را در منبع کاهش دهد نه اینکه فقط آن را سریع‌تر در انتهای خط بگیرد.

یک برنامه آزمایشی بر روی یک خط یا خانواده محصول، که با نتایج بازرسی دستی موجود در یک دوره معین محک زده می‌شود، مطمئن‌ترین راه برای اعتبارسنجی ادعاهای صحت و پیش‌فرض‌های توان عملیاتی و کار قبل از اجرای کامل است.

س: آیا تشخیص نقص هوش مصنوعی می تواند به طور کامل جایگزین بازرسان کیفیت انسانی شود؟

پاسخ: نه به طور کامل. سیستم‌های هوش مصنوعی با-سرعت بالا،-غربالگری سطح پوشش کامل{2} به مراتب بیشتر از بازرسان انسانی خسته انجام می‌دهند، اما تصمیم نهایی در برابر مشخصات مواد، قضاوت در مورد عیوب مرزی یا جدید، و نظارت بر خود مدل همچنان نیازمند یک مهندس با کیفیت آموزش دیده است. بیشتر استقرارهای تولید به جای اینکه کاملاً مستقل باشند،-در حلقه-- انسانی هستند.

س: پایگاه داده نقص سطح NEU چیست و چرا اغلب در این زمینه مطرح می شود؟

پاسخ: پایگاه داده نقص سطحی NEU (دانشگاه شمال شرقی) مجموعه ای پرکاربرد و در دسترس عموم از تصاویر سطوح فولادی برچسب دار است که شش دسته نقص - پیچ خوردگی، گنجاندن، وصله ها، سطح حفره دار، نورد-در مقیاس و خراش را پوشش می دهد. این به معیار آکادمیک استاندارد برای آموزش و مقایسه مدل‌های تشخیص عیب سطح فولاد تبدیل شده است، به همین دلیل است که داده‌های دقت منتشر شده زیادی به آن ارجاع می‌دهند.

س: آیا بازرسی بینایی هوش مصنوعی جایگزین آزمایش جریان گردابی یا اولتراسونیک برای جوش می شود؟

پاسخ: خیر. بینایی هوش مصنوعی یک روش تصویری-سطحی است و نمی‌تواند نقص‌های زیرسطحی یا حجمی را تشخیص دهد. آزمایش جریان گردابی استاندارد برای تشخیص سریع ترک-سطح و نزدیک به سطح در مواد رسانا است و آزمایش اولتراسونیک استاندارد برای معایب زیرسطحی، ضخامت دیواره و یکپارچگی جوش در عمق است. این روش ها مکمل بینایی هوش مصنوعی هستند، نه اینکه با آن جایگزین شوند.

س: سیستم های تشخیص نقص هوش مصنوعی در تولید واقعی، نه فقط معیارهای تحقیقاتی، چقدر دقیق هستند؟

پاسخ: معیارهای تحقیقاتی منتشر شده معمولاً دقت 95 تا 99% را گزارش می‌کنند، اما این ارقام از مجموعه داده‌های انتخاب شده به دست می‌آیند. دقت واقعی تولید بستگی به این دارد که دوربین، نور و شرایط محصول مستقر شده چقدر با داده های آموزشی مطابقت دارند، و فروشندگان متخصص در استقرار صنعتی دقت تولید قابل دستیابی را در محدوده 95%+ هنگامی که یک سیستم به درستی در خط خاص تنظیم می شود، ذکر می کنند، به همین دلیل است که یک برنامه آزمایشی معتبر بیش از یک عدد معیار به تنهایی اهمیت دارد.

س: یک سازنده قبل از شروع پروژه بازرسی هوش مصنوعی باید چه داده هایی داشته باشد؟

A: مجموعه ای نماینده و با برچسب دقیق از تصاویر که انواع عیب هایی را که خط تولید می کند پوشش می دهد، به طور ایده آل شامل نمونه هایی از انواع عیب های نادر به جای نمونه های معمول، و تصاویر گرفته شده در شرایط تولید واقعی (نه فقط نمونه های آزمایشگاهی تمیز) است تا مدل یاد بگیرد که با لرزش، نور و نویز که واقعاً در سرویس مشاهده می کند، مدیریت کند.

تشخیص نقص مبتنی بر هوش مصنوعی{0}}از تحقیقات آکادمیک به ابزاری کاربردی و قابل استفاده برای بازرسی کیفیت سطح فولاد ضد زنگ منتقل شده است، با مدل‌های CNN و Vision Transformer که اکنون دقت را در محدوده 95 تا 99%+ در معیارهای استاندارد گزارش می‌کنند و به اندازه کافی سریع برای بازرسی یک خط متحرک در زمان واقعی کار می‌کنند. این به طور مستقیم به دو نقطه ضعف روش‌هایی که جایگزین می‌شود، می‌پردازد: خستگی و ناسازگاری بازرس انسانی، و نرخ‌های مثبت کاذب بالا-آستانه ساده- بینایی ماشین.

کاری که انجام نمی‌دهد جایگزینی روش‌های NDT - نافذ رنگ، جریان گردابی، و آزمایش اولتراسونیک - است که عیوب زیرسطحی و حجمی را که دید AI نمی‌تواند ببیند را تشخیص می‌دهد، و جایگزین استاندارد مواد حاکم، ASTM A480، به عنوان کلمه نهایی در مورد معیارهای پذیرش نمی‌شود. تولیدکنندگانی که بیشترین ارزش را از این فناوری دریافت می‌کنند، آن را به‌عنوان یک لایه خوب-در یک سیستم کیفیت گسترده‌تر، تأیید شده در برابر داده‌های واقعی تولید، به جای یک فناوری واحد که با بازرسی دستی عمده‌فروشی جایگزین شده است، در نظر می‌گیرند.