近日，在杏运官网平台“高端装备系统集成与仿真创新团队”的王永雄和田恩刚教授的共同指导下，2018级硕士研究生胡川飞和汤振辉同学先后在工程技术和计算机科学双领域Top级期刊🧗、一区杂志IEEE工业电子学报（IEEE Transactions on Industrial Electronics (IF=7.503)）和IEEE工业信息学（IEEE Transactions on Industrial Informatics (IF=7.377)）发表研究论文，并申请发明专利1项。
团队综合研究了车辆、飞机等大量零部件内部缺陷的无损检测问题。针对各种合金铸件结构复杂多变（如图1所示），内部缺陷类别（气孔😾🤦🏽、冷隔、裂纹、针孔等）繁多、差异大和缺陷微小等诸多难点问题🚶♂️➡️，基于铸件的X射线透视图像，采用先进的弱监督学习和注意力机制的深度学习算法和图像处理技术，高效精准地实现了上百种复杂零部件的内部缺陷检测🧑🏽⚕️，大幅度降低重大事故的发生概率🧑🏼💼。
图1 待检测的铸件射线图像
胡川飞同学在IEEE Transactions on Industrial Electronics期刊上发表名为“An Efficient CNN Model Based on Object-level Attention Mechanism for Casting Defects Detection on Radiography Images”（ 一种新型基于对象注意力机制的卷积神经网络及其铸件缺陷检测中的应用）的研究论文，设计了替代人工检测的人工智能解决方案🈳，通过剖析各种缺陷所存在的局部特性🧨👨🏻🍳，提出了新颖的注意力机制，辅助CNN深度学习模型在不依赖精准标注的前提下，对微小缺陷能够准确检测，突破了基于射线图像的铸件缺陷检测存在的瓶颈👨🏼🦲。同时，自动生成了类别激活图，增加了模型预测的可解释性。此方法具备了在工业生产中的应用实时性，具有较高的理论和实用价值🤏。图2和图3是缺陷局部特性的分析和模型预测的可视化分析。（论文链接▶️：https://ieeexplore.ieee.org/document/8948332）
图2：缺陷局部特性的分析
图3：模型预测的可视化分析
汤振辉同学在IEEE Transactions on Industrial Informatics期刊上发表名为 “Non-Destructive Defect Detection in Castings by Using Spatial Attention Bilinear Convolutional Neural Network”（ 基于空间注意力机制双线性卷积神经网络铸件无损检测研究）的研究论文🍄。该论文提出来一种新的CNN模型结构和空间注意力模块，利用深度可分离卷积减少跨通道和跨空间的相关性🧑🏻🍳，能够直接对射线图像中的铸件进行缺陷检测👨👩👦，减少了大量的人工标注负担，使得基于射线的缺陷检测系统更加实用, 大幅度提高了无损检测的性能👎。图4和图5是基于双线性池化和空间注意力的CNN模型架构和模型预测的可视化分析。(论文链接：https://ieeexplore.ieee.org/document/9057424).
图4 基于双线性池化和空间注意力的CNN模型架构
图5 模型预测的可视化分析
以上研究工作均以杏运平台为第一完成单位🧛♀️，该研究提出的基于深度学习的人工智能研究方法不仅具有极高的理论创新性，而且在工业铸件的无损检测中具有非常广阔的潜在应用价值。