Multilabel Corrosion Morphology Classification Using Deep Learning with Multimodality Fusion

Korrosion ist der langsame, stille Feind der gebauten Welt. Sie frisst sich durch Brücken, Pipelines und Schiffe und verwandelt starken Stahl in brüchigen Staub. Während sich etwas Rost gleichmäßig über eine Oberfläche ausbreitet, geschieht die gefährlichste Art im Verborgenen. Dies ist die lokalisierte Korrosion, bei der winzige Gruben entstehen und tief in das Metall hineinwachsen, oft verborgen vor den Augen, bis eine Struktur plötzlich versagt. Diese Gruben sind nicht alle gleich. Einige haben glatte Böden, während andere eine gezackte, kreuzschraffierte Textur oder sogar winzige Risse entwickeln können, die zu katastrophalen Brüchen führen können. Für Ingenieure, die vorhersehen wollen, wie lange ein Stück Metall halten wird, ist es entscheidend, genau zu wissen, wie diese Gruben aussehen. Wenn sie den Unterschied zwischen einer harmlosen glatten Grube und einer gefährlichen gerissenen erkennen können, können sie Katastrophen verhindern, bevor sie geschehen.

Jahrzehntelang haben Experten diese Gruben unter leistungsstarken Mikroskopen betrachtet, um sie von Hand zu sortieren. Aber dies ist eine langsame, erschöpfende Aufgabe, und das menschliche Auge kann subtile Details übersehen oder sich uneinig darüber sein, was es sieht. Ein Team von Forschern aus Universitäten in Texas, Ohio und Colorado setzte sich zum Ziel, einen Computer zu lehren, diese Arbeit stattdessen zu übernehmen. Sie wollten ein System entwickeln, das Bilder von korrodiertem Metall betrachten und die verschiedenen Arten von Schäden automatisch identifizieren kann, selbst wenn mehrere Arten im selben Bild vorkommen. Die Herausforderung bestand darin, dass die Daten unordentlich waren. Einige Schadensmuster waren selten, was es für einen Computer schwierig machte, sie zu lernen, und die Bilder enthielten oft verwirrende Mischungen aus Texturen, die wie mehr als eine Sache gleichzeitig aussah.

Die Forscher sammelten hunderte von Bildern, die mit einem Rasterelektronenmikroskop aufgenommen wurden – einem Werkzeug, das unglaublich detaillierte Bilder von Metalloberflächen erzeugt. Sie konzentrierten sich auf Edelstahlproben, die kontrollierter Umgebung mit Salzwasser ausgesetzt worden waren. Im Labor schufen sie spezifische Bedingungen, um verschiedene Arten von Korrosion wachsen zu lassen. Einige Proben entwickelten glatte, polierte Gruben, während andere komplexe, raue Texturen oder winzige Risse bildeten. Entscheidend war, dass viele Proben eine Kombination dieser Merkmale zeigten, was bedeutete, dass ein einzelnes Bild zu mehr als einer Kategorie gehören konnte. Das Team sammelte auch die Notizen, die von den Wissenschaftlern geschrieben wurden, die die Experimente leiteten, wie etwa Temperatur, Luftfeuchtigkeit und wie lange das Metall ausgesetzt war. Sie speisten all diese Informationen – sowohl die Bilder als als auch die schriftlichen Notizen – in drei verschiedene Arten von Modellen der künstlichen Intelligenz ein, um zu sehen, welches am besten lernen konnte.

Das Team testete drei unterschiedliche Ansätze. Einer war ein Standard-, bekanntes Bilderkennungssystem. Ein anderes war ein Modell, das mit Millionen von Bildern und Textbeschreibungen aus dem Internet trainiert wurde, was ihm ein breites Verständnis dafür gab, wie Wörter und Bilder zusammenhängen. Das dritte war ein neueres, komplexeres Modell, das darauf ausgelegt war, Muster auf verschiedenen Skalen zu erkennen. Sie versuchten, die Computer nur mit den Bildern zu füttern, und versuchten dann, die experimentellen Notizen hinzuzufügen, um zu sehen, ob dieser zusätzliche Kontext half. Sie experimentierten auch mit einem speziellen Trainingskniff: dem Computer zu sagen, dass er besonders auf die seltenen Arten von Schäden achten soll, die nur wenige Male in ihren Daten auftauchten. Ohne diesen Kniff neigten die Computer dazu, die seltenen, gefährlichen Risse zu ignorieren, weil sie zu sehr damit beschäftigt waren, die häufigen, glatten Gruben zu lernen.

Die Ergebnisse zeigten, dass die zusätzlichen Informationen wichtig waren, aber nur, wenn der Computer gelehert wurde, sich um die seltenen Fälle zu kümachen. Wenn die Modelle ohne besondere Berücksichtigung der Minderheitenklassen trainiert wurden, verbesserte das Hinzufügen der experimentellen Notizen deren Leistung nicht und machte sie manchmal sogar schlechter. Sobald die Forscher jedoch das Training so anpassten, dass die seltenen Labels stärker gewichtet wurden, wurden die Modelle, die sowohl die Bilder als auch die Notizen verwendeten, am genauesten. Das Modell, das mit Internetdaten und Text trainiert wurde, erwies sich als das zuverlässigste insgesamt, insbesondere beim Aufspüren der gefährlichen Risse. Es konnte die korrekte Kombination von Schadensarten häufiger identifizieren als die anderen Systeme. Die anderen beiden Modelle schnitten bei den glatten Texturen gut ab, hatten aber etwas mehr Schwierigkeiten mit den komplexen, gerissenen Mustern.

Die Studie zeigte auch, dass diese Computer nicht perfekt sind. In einigen Fällen waren die Bilder so zweideutig, dass selbst menschliche Experten Uneinigkeit darüber hätten darüber, was sie sahen. Eine Grube könnte einen glatten Boden haben, aber auch einen winzigen, schwachen Riss, der schwer zu definieren ist. Die Computer vermuteten manchmal, dass ein Riss vorhanden sei, obwohl dies nicht der Fall war, oder sie übersahen eine subtile Textur, die durchaus da war. Dies deutet darauf an, dass die Schwierigkeit nicht nur in der Fähigkeit der Maschine zu lernen liegt, sondern in der inhärenten Unschärfe der realen Welt, in der die Natur nicht immer ordentlichen Kategorien folgt. Trotz dieser Herausforderungen gelang es dem System, die verschiedenen Morphologien mit einem hohen Grad an Genauigkeit zu unterscheiden, was den Ingenieuren ein neues Werkzeug bietet.

Diese Arbeit etabliert eine neue Art der Analyse von Korrosion, die visuelle Daten mit dem Kontext kombiniert, wie der Schaden entstanden ist. Indem sie zeigten, dass ein klassengewichtetes Training essenziell ist, um seltene Defekte zu handhaben, lieferten die Forscher eine Blaupause dafür, wie man Maschinen lehrt, die gefährlichsten Formen des Verfalls zu erkennen. Obwohl das System auf einer spezifischen Art von Stahl in einem kontrollierten Labor getestet wurde, bietet der Ansatz einen Weg zur Automatisierung der Inspektion kritischer Infrastrukturen. Er ersetzt nicht die Notwendigkeit menschlicher Urteilskraft, aber er bietet ein konsistentes, unermüdliches zweites Paar Augen, das die subtilen Anzeichen eines Versagens erkennen kann, bevor sie zu einer Krise werden.