این گزارش براساس مقاله «تفسیر فیلم رادیوگرافی با استفاده از هوش مصنوعی و روشهای پردازش تصویر» منتشر شده در شماره زمستان ۱۴۰۳ فصلنامه «دانش آزمایشگاهی ایران» تهیه شده است، مقالهای که به قلم کارشناسان مجموعه آزمایشگاههای شرکت آزمونه فولاد نگاشته شده است.
پشت یک جوش به ظاهر سالم چه میگذرد؟
تصور کنید در یک پالایشگاه، دو قطعه فلزی به یکدیگر جوش داده شدهاند. این اتصال قرار است بخشی از یک سازه یا خط انتقال را تشکیل دهد؛ سازهای که ایمنی و عملکرد آن به کیفیت همین جوش وابسته است. بازرس پس از بررسی ظاهری، نقص مشخصی مشاهده نمیکند. اما آیا میتوان با اطمینان گفت اتصال کاملاً سالم است؟
پاسخ همیشه مثبت نیست. برخی عیوب جوش در عمق اتصال پنهان میمانند و با چشم غیرمسلح قابل مشاهده نیستند. ترکهای داخلی، حفرههای ریز، نفوذ ناقص و ذوب ناقص از جمله نقصهایی هستند که ممکن است استحکام اتصال را کاهش دهند، بیآنکه نشانه آشکاری روی سطح باقی بگذارند.
اینجاست که روشهای آزمون غیرمخرب وارد عمل میشوند؛ روشهایی که امکان بررسی کیفیت قطعات و اتصالات را بدون آسیب زدن به آنها فراهم میکنند. یکی از این روشها، رادیوگرافی صنعتی است.
یک تصویر رادیوگرافی؛ هزاران جزئیات برای بررسی
در روش رادیوگرافی، پرتوهای ایکس یا گاما از قطعه عبور میکنند و تصویری از ساختار داخلی آن روی فیلم یا آشکارساز ثبت میشود. تفاوت در میزان عبور پرتو از بخشهای مختلف قطعه، باعث ایجاد تیرگیها و روشنیهایی در تصویر میشود؛ تغییراتی که میتوانند نشانهای از وجود عیب در محل جوش باشند.
اما تفسیر این تصاویر همیشه ساده نیست. بازرس باید با دقت، جزئیات مختلف تصویر را بررسی کند و میان نشانههای واقعی عیب و تغییراتی که ممکن است ناشی از شرایط تصویربرداری باشند، تفاوت بگذارد.
برای مثال، گاهی نویز تصویر، کنتراست نامناسب یا کیفیت پایین فیلم باعث میشود تشخیص یک عیب کوچک دشوار شود. از سوی دیگر، بررسی تعداد زیادی فیلم رادیوگرافی، کاری زمانبر و نیازمند تمرکز بالاست. در چنین شرایطی، حتی تجربه و مهارت بازرس نیز ممکن است با محدودیتهایی روبهرو شود.
پس پرسش مهم این است: آیا میتوان از فناوری کمک گرفت تا این تصاویر با دقت و سرعت بیشتری بررسی شوند؟
وقتی هوش مصنوعی وارد اتاق بازرسی میشود
مقاله منتشر شده در فصلنامه دانش آزمایشگاهی، به همین پرسش میپردازد و استفاده از هوش مصنوعی و روشهای پردازش تصویر را برای تفسیر فیلمهای رادیوگرافی بررسی میکند.
در این رویکرد، ابتدا تصویر رادیوگرافی با کمک روشهای پردازش تصویر آماده تحلیل میشود. به بیان ساده، سامانه تلاش میکند کیفیت تصویر را برای بررسی بهتر افزایش دهد؛ برای نمونه، با کاهش نویز، بهبود کنتراست و برجسته کردن جزئیاتی که ممکن است در نگاه اولیه بهخوبی دیده نشوند.
پس از آن، نوبت به الگوریتمهای هوش مصنوعی میرسد. این الگوریتمها با استفاده از الگوهایی که در تصاویر مختلف یاد گرفتهاند، میتوانند بخشهای مشکوک را شناسایی و برای بررسی بیشتر مشخص کنند.

یکی از فناوریهای مطرح در این زمینه، شبکههای عصبی پیچشی یا CNN است. این شبکهها برای تحلیل تصاویر طراحی شدهاند و میتوانند الگوها و ویژگیهای تصویری را از میان دادهها استخراج کنند. به زبان ساده، همانطور که یک بازرس با تجربه با دیدن نمونههای متعدد، به تدریج نشانههای عیوب مختلف را میشناسد، یک مدل هوش مصنوعی نیز میتواند با آموزش روی تصاویر مناسب، الگوهای مرتبط با عیوب جوش را یاد بگیرد.
چه عیوبی میتوانند در تصاویر شناسایی شوند؟
اهمیت این فناوری زمانی روشنتر میشود که بدانیم در بازرسی جوش، با انواع مختلفی از عیوب روبهرو هستیم. برخی از آنها بسیار کوچکاند و ممکن است در میان تغییرات تصویری به راحتی تشخیص داده نشوند.
از جمله عیوبی که در تصاویر رادیوگرافی مورد توجه قرار میگیرند، میتوان به موارد زیر اشاره کرد:
ترک: گسیختگی در ساختار جوش که میتواند بر استحکام اتصال اثر بگذارد.
تخلخل: حفرههای گازی باقیمانده در فلز جوش.
نفوذ ناقص: زمانی که جوش به عمق یا بخش موردنظر اتصال بهطور کامل نفوذ نکرده باشد.
ذوب ناقص: هنگامی که فلز جوش بهدرستی با فلز پایه یا لایه قبلی ترکیب نشده باشد.
آخال سرباره: باقیماندن مواد غیرفلزی درون جوش.
سامانههای هوشمند میتوانند با تحلیل الگوهای تصویری، در شناسایی و دستهبندی این نشانهها به بازرس کمک کنند. به این ترتیب، بخشهایی از تصویر که نیازمند توجه بیشتر هستند، سریعتر در اختیار کارشناس قرار میگیرند.
آیا هوش مصنوعی جای بازرس را میگیرد؟
با ورود هر فناوری جدید، این پرسش مطرح میشود که آیا قرار است نیروی انسانی کنار گذاشته شود؟ در مورد بازرسی رادیوگرافی نیز پاسخ را نباید در جایگزینی کامل انسان با ماشین جستوجو کرد.
هوش مصنوعی میتواند ابزاری کمکی برای افزایش سرعت بررسی، کاهش بخشی از خطاهای انسانی و شناسایی نشانههای مشکوک باشد؛ اما نتیجه تحلیل آن همچنان باید در چارچوب دانش فنی، تجربه و قضاوت بازرس متخصص ارزیابی شود.
کیفیت تصاویر آموزشی، تنوع نمونهها، شرایط تصویربرداری و میزان شباهت تصاویر جدید به دادههایی که سامانه با آنها آموزش دیده است، بر عملکرد مدل اثر میگذارند. بنابراین، استفاده قابل اعتماد از این فناوری به دادههای مناسب، آموزش و ارزیابی دقیق سامانه نیاز دارد.
گامی به سوی بازرسی هوشمندتر
حرکت از روشهای سنتی بررسی تصاویر به سمت تحلیل هوشمند، بخشی از تحولی گستردهتر در آزمونهای غیرمخرب است؛ تحولی که در مقاله از آن با عنوان NDT 4 یاد میشود. در این رویکرد، فناوریهای دیجیتال، پردازش داده و هوش مصنوعی در کنار روشهای شناخته شده آزمون غیرمخرب قرار میگیرند تا فرآیند بازرسی دقیقتر و کارآمدتر شود.
شاید در آینده، بازرس برای بررسی یک فیلم رادیوگرافی تنها به چشم و تجربه خود متکی نباشد؛ بلکه در کنار تصویر، گزارشی هوشمند از نواحی مشکوک، نوع احتمالی عیب و محل آن نیز در اختیار داشته باشد. چنین امکانی میتواند تمرکز کارشناس را بر بخشهای حساستر افزایش دهد و فرآیند کنترل کیفیت را هدفمندتر کند.
درنهایت، پرسش اصلی دیگر فقط این نیست که آیا یک جوش سالم به نظر میرسد؛ بلکه این است که چگونه میتوان با کمک ابزارهای دقیقتر، آنچه را در عمق اتصال پنهان مانده است، بهتر دید و پیش از تبدیل شدن یک نقص کوچک به مسئلهای بزرگ، آن را شناسایی کرد.
برای مطالعه جزئیات بیشتر، مقاله «تفسیر فیلم رادیوگرافی با استفاده از هوش مصنوعی و روشهای پردازش تصویر» را در شماره زمستان ۱۴۰۳ فصلنامه دانش آزمایشگاهی بخوانید:

