文献速递：（第四部分）机器学习在超声非破坏性评估中的合成和增强训练数据综述

Title
题目

A review of synthetic and augmented training data for machine learning in ultrasonic non-destructive evaluation

机器学习在超声非破坏性评估中的合成和增强训练数据综述

01
文献速递：
介绍（原文第5-6部分）

 注：原文篇幅较长，这里分多次进行分享。

这部分讨论了在超声无损检测（UT）中使用合成训练数据的研究进展，特别是在机器学习（ML）应用方面。自1992年ML技术在无损检测（NDE）中的应用以来，关于使用合成UT训练数据的研究几乎同时开始，但迄今为止只有59篇出版物报告使用了这种方法。这些研究大多是可行性研究，使用测试部件和模型。合成UT训练数据的主要类型是A扫描数据，通常来自简单的脉冲回波（PE）或投掷捕获（PC）测试设置。随着近年来相控阵UT（PAUT）系统的发展，越来越丰富的B扫描和C扫描数据集被创建。

文章还讨论了在审查的文献中应用的数值和数据增强（DA）方法的分布。数据增强是ML中处理有限数据集的一种众所周知的方法。在处理类似图像的UT数据（如B扫描或C扫描图像）时，常用的图像DA方法包括剪切、裁剪、旋转和缩放。此外，虚拟缺陷方法是一种更复杂的数据增强方法，可以在数据集中生成变化。使用生成对抗网络（GANs）在UT中的应用也被探讨，这些工作表明了生成逼真的B扫描、C扫描和A扫描图像的可行性。

文章强调了合成和增强UT数据生成的优势和局限性。合成和增强UT数据的主要优势是可以大量生成，克服了真实数据的限制。然而，合成和增强UT数据可能不总是能准确反映现实世界的情况，因此在应用于真实数据时性能可能下降。此外，合成和增强UT数据的质量在很大程度上取决于现有数据的质量，以及用于生成数据的方法和模型假设。

文章还讨论了合成UT训练数据的使用。过去，数值模拟弹性波传播（即超声波）主要用于更好地理解实验数据和基本物理原理，以及规划和设计UT测试案例和系统。然而，今天，模拟方法在UT中，特别是在ML中，扮演了更加积极的角色。合成UT训练数据集的生成通常取决于所需的检查案例和特定技术的有效性范围。

文章最后总结指出，使用合成和/或增强训练数据进行UT中的机器学习在NDE社区中过去受到的关注相对较少，但目前这种情况正在改变。结合实验、合成和增强数据可能显著提高超声波检测的准确性、重要性和信息价值，开启了现代NDE中令人兴奋的新篇章。

Conclusions
结论

这篇综述是首次介绍过去几十年在使用超声波检测的合成或增强训练数据进行超声波无损评估机器学习方面所取得的进展和方法。在NDE中，使用合成训练数据的主要动机是实验方法难以创建一个完全通用的数据集，以便训练模型，使其在以前从未见过的新数据上也能表现良好。研究表明，尽管在NDE中机器学习兴起之初就已经应用，但近几十年来在这个话题上的研究仅限于一些可管理的工作量。然而，在计算能力的不断增强和模拟与ML的新发展的推动下，现在可以数值计算复杂和真实的UT案例，或使用计算密集型的ML模型生成具有足够统计量和变异性的合成和增强UT数据集。