【最新综述】基于深度学习的超声自动无损检测（下）

4.Levels of automation 

5.Basic axioms for DL-based ultrasonic NDE 

        在回顾了最新技术和每个自动化级别的贡献之后，我们不难发现，目前的数字语言方法论在不同论文之间存在着很大的差异。例如，有些作者提出了同时处理不同步骤的模型[121]，而另一些作者则使用独立的模型[122]。明确的模型限制（如超处理和预处理参数的范围和灵敏度）通常没有写入论文，因此只能提供有关 DL 模型的使用和实用性的部分信息。这些不一致和信息的缺乏会导致自动化道路上的进展缓慢，因为行业和监管机构可能需要看到一种更加统一的方法。下文提出了一系列公理，以规范为无损检测开发和应用新 DL 模型的过程，并弥合当前多种 DL 贡献与工业领域之间的差距，在工业领域，法规和检测资格至关重要。值得强调的是，这些公理已与航空航天、核能和可再生能源等多个行业的多个工业联系人进行了讨论，并符合欧洲航空安全局 [6,7] 的报告和欧洲无损检测资格认证方法 [129] 的当前期望。此外，这些公理（总结于表 3）建立在文献中的技术证据和每个自动化级别中确定的未来挑战之上。

6.Conclusions and future directions 

        本文回顾了基于 DL 的无损检测的研究现状。DL 已成功应用于许多领域，如计算机视觉或自然语言处理。对于无损检测，DL 主要用于以下方面(1) 执行数据处理任务，而传统方法要么速度太慢，要么无法完成这些任务；(2) 创建更独立于操作员经验的检测程序（因此不易出错）--例如用于损伤特征描述；以及 (3) 自动执行重复性无损检测任务，例如从复杂数据和结构中检测缺陷。然而，这些工作表明，在开发 DL 模型的过程中存在很大的差异，可能会对其在实际（工业）环境中的适用性造成实际限制。

        已经提出了一个无损检测自动化路线图，其中提出了一系列自动化级别，从完全由操作员驱动的无损检测到完全自动化的无损检测和 SI。这些级别以航空业等其他行业的级别为基础，划分了人类操作员和自主系统在不同阶段的预期义务。研究发现，目前的研究主要集中在第 1 级和第 2 级，即操作员辅助和部分自动化。此外，还确定并描述了与每个级别相关的一系列公开挑战。请注意，本路线图的目的是为研究人员和无损检测行业设定一个视野，以便更容易地设定提升到更高自动化水平的目标；从而使自动化历程标准化。

        在此背景下，确定了与研究界仍面临的挑战有关的最直接的未来机遇：

集中数据去噪。目前，大多数研究都集中在原始超声波信号的去噪上，但对感兴趣元素的集中识别（如缺陷回波的 ToF 或重叠回波的分离）仍只是模糊的探索。这种类型的数据处理可以大幅提高 PoD 值，同时减少误报。使用清洁数据的另一个潜在优势是无损检测操作员可以更轻松、更准确地进行缺陷表征。DL 可以通过自动分离回波、提供 ToF 信息的方法来提供帮助，即使在存在严重噪声的情况下也是如此。 

图像解读。虽然科学文献中已有许多创建和解读超声波图像的方法，但这些方法在准确描述微小缺陷方面可能存在局限性。目前正在探索 DL 超分辨率算法，结果非常准确。针对具有复杂内部结构的材料（如复合材料）进一步开发这些方法，肯定会改变游戏规则，为无损检测操作人员提供更易于解读的精确图像。

不确定性量化。在实际检测场景中使用 DL 时，必须对所用模型的置信区间进行评估。为此，一个关键步骤是量化 DL 模型的不确定性，具体测量与以下两方面有关的误差：(1) 实验测量的不确定性；(2) 与模型本身有关的不可还原不确定性。这些信息对于模型的改进至关重要，直到模型既准确又可靠（即避免较大的输出变化）。尽管不确定性量化非常重要，但文献中仍很少涉及，因此预计它将成为未来基于 DL 的无损检测领域研究最多的问题之一。

自动系统的自我意识。基于 DL 的自主系统旨在自动执行任务，也必须能够识别超出其预定操作领域的情景。一旦识别出异常情况，系统就应发出警告，要么让操作人员接管，要么让设计人员重新培训或设计 DL 模型。为此，一种可能的方法是对认识上的不确定性进行量化，系统可以据此告诉自己，它对最近的预测不够自信。我们还预计，在可预见的未来，为基于 DL 的无损检测模型开发自我认知方法将是一个重要的研究课题。

        最后，为了使基于 DL 的检测方法的开发同质化，本文还首次确定了 DL 方法完全适用于无损检测所应满足的公理。所提出的基本属性不仅侧重于 DL 模型的定义和评估（如可量化的性能或不确定性量化），还包括可追溯性等实施方面。需要强调的是，这些公理是通过文献综述和来自不同行业的意见得出的。