Towards Cognitive Defect Analysis in Active Infrared Thermography with Vision-Text Cues

Dit artikel introduceert een taalgeleid raamwerk voor cognitieve defectanalyse in actieve infraroodthermografie van CFK-materialen, dat gebruikmaakt van vooraf getrainde vision-language modellen en een lichte adapter om zero-shot defectdetectie mogelijk te maken zonder uitgebreide trainingsdatasets.

De kern

Stel je voor dat je een heel duur, supersterk vliegtuigvleugel maakt van koolstofvezel (CFRP). Deze materialen zijn licht en sterk, maar ze hebben een geheim: ze kunnen onzichtbare barstjes of loslatende lagen hebben diep van binnen, net zoals een appel die van buiten perfect lijkt, maar van binnen rot is.

Om deze "rotte plekken" te vinden, gebruiken ingenieurs Actieve Infrarood Thermografie (AIRT). Dit is een beetje zoals het maken van een warmtefoto van de vleugel. Je verwarmt het oppervlak even snel met flitslichten of lampen. Als er ergens een defect zit, blijft de warmte daar anders hangen dan op een gezond stukje. Een camera ziet dit als een vreemd warmtepatroon.

Het oude probleem: De "Leerling" die veel moet studeren
Vroeger probeerden computers deze warmtepatronen te analyseren met kunstmatige intelligentie (AI). Maar om die AI slim te maken, moesten mensen duizenden foto's maken van defecten, die vervolgens handmatig moeten worden gemarkeerd (zeggen: "hier zit een barst"). Dit is extreem duur, tijdrovend en lastig. Het is alsof je een kind wilt leren vliegen, maar je moet eerst duizenden uren besteden aan het maken van oefenvluchten voordat het kind ook maar één keer mag vliegen.

De nieuwe oplossing: De "Tolken" en de "Superlezer"
De auteurs van dit paper hebben een slimme nieuwe manier bedacht die geen enkele training nodig heeft. Ze gebruiken twee nieuwe technologieën:

1. De "Tolken" (De AIRT-VLM Adapter):
   De AI-modellen die we nu hebben (zoals ChatGPT voor beelden) zijn getraind op normale foto's van de wereld: honden, auto's, mensen. Ze begrijpen geen warmtefoto's. Een warmtefoto ziet er voor hen uit als een wazig, grijs rommeltje.
   De auteurs hebben een slimme "Tolken" bedacht. Deze tolk neemt de wazige warmtefoto en vertaalt hem naar een beeld dat de AI wel begrijpt. Hij maakt het beeld scherper, haalt ruis weg en zorgt dat het defect eruit springt, alsof je een wazige foto hebt ingescherpt en de kleuren hebt versterkt.

2. De "Superlezer" (Vision-Language Models of VLMs):
   Dit zijn de AI-modellen die al heel veel weten over de wereld. Ze kunnen een foto zien en er een tekst bij schrijven, of een tekst lezen en een object in de foto aanwijzen.
   Omdat de "Tolken" het warmtebeeld heeft vertaald naar een beeld dat de "Superlezer" begrijpt, kunnen we nu gewoon tegen de computer zeggen: "Kijk naar deze foto en wijs me aan waar de defecten zitten."
   De computer doet dit direct, zonder dat we hem ooit hebben geleerd wat een defect is. Het is alsof je een expert vraagt om een vreemd document te lezen; hij hoeft het niet te studeren, hij kan het gewoon "voelen" omdat hij zo slim is.

Hoe werkt het in de praktijk?
Stel je voor dat je een lange video hebt van hoe de warmte door de vleugel loopt.

• Stap 1: De "Tolken" pakt die hele video en knijpt hem samen tot één enkele, superduidelijke foto. In deze foto is het defect als een heldere rode vlek zichtbaar, terwijl de rest van de vleugel rustig grijs is.
• Stap 2: Deze foto wordt aan de "Superlezer" gegeven met de opdracht: "Zoek de rode vlek."
• Resultaat: De computer tekent direct een kader om het defect.

Wat zeggen de resultaten?
De onderzoekers hebben dit getest op 25 verschillende vleugels met verschillende soorten schade.

• De "Tolken" maakte de defecten veel duidelijker zichtbaar dan oude methoden (de "beeldkwaliteit" verbeterde enorm).
• De "Superlezer" vond de defecten in 70% van de gevallen perfect, zelfs zonder dat hij ooit eerder een defect had gezien.
• Het kostte geen tijd om de computer te trainen. Je kunt het direct gebruiken.

De beperkingen (Het is niet perfect)
Deze methode is geweldig om te zien waar een defect zit, maar hij kan nog niet zeggen wat het precies is (bijvoorbeeld: "dit is een losse laag" vs. "dit is een gat") of hoe diep het zit. Dat komt omdat de computer de hele video heeft samengeperst tot één foto. Om diepte te meten, moet je nog steeds kijken naar de volledige video. Maar voor het snel vinden van problemen is dit een enorme doorbraak.

Samenvattend:
Dit paper introduceert een manier om AI te gebruiken voor het inspecteren van vliegtuigonderdelen, zonder dat je eerst jarenlang data hoeft te verzamelen en te labelen. Door een slimme "vertaler" te gebruiken, kunnen we bestaande, superslimme AI-modellen vragen om defecten te vinden in warmtefoto's, net zoals ze dat doen met gewone foto's. Het maakt inspectie sneller, goedkoper en makkelijker.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Towards Cognitive Defect Analysis in Active Infrared Thermography with Vision-Text Cues", geschreven in het Nederlands.

Probleemstelling

Actieve infraroodthermografie (AIRT) is een cruciale techniek voor het niet-destructief testen (NDT) van koolstofvezelversterkte polymeren (CFRP), vooral in de lucht- en ruimtevaart. Hoewel kunstmatige intelligentie (AI) steeds vaker wordt ingezet voor geautomatiseerde defectdetectie, botst deze aanpak op twee fundamentele beperkingen:

1. Datatransformatie: Bestaande AI-methoden vereisen grote, handmatig gelabelde datasets van thermografische sequenties, wat kostbaar en tijdrovend is om te verzamelen.
2. Domeinkloof: Traditionele methoden voor dimensiereductie (zoals PCA of TSR) genereren thermische representaties die niet semantisch overeenkomen met de natuurlijke beelddomeinen waarop Vision-Language Models (VLMs) zijn voorgetraind. Hierdoor kunnen deze krachtige multimodale modellen niet direct "zero-shot" (zonder extra training) worden toegepast op thermografische data.

Methodologie

Het paper introduceert een nieuw raamwerk voor cognitieve defectanalyse dat AIRT koppelt aan Vision-Language Models via een lichtgewicht adapter. De aanpak bestaat uit twee hoofdfasen:

1. De AIRT-VLM Adapter (Dimensiereductie en Domein-aanpassing)
Om thermografische data compatibel te maken met VLMs, wordt een AIRT-VLM Adapter ontwikkeld. Deze module fungeert als een dimensiereductie-systeem dat een volledige thermografische inspectie-sequentie (een 3D-matrix van tijd en ruimte) comprimeert tot één enkel, verrijkt 2D-beeld.

• Architectuur: De adapter gebruikt een Masked Autoencoder (specifiek AIRT-Masked-CAAE).
• Training: Het model wordt getraind om een verstoord (masked) thermisch signaal te reconstrueren. Dit dwingt het netwerk om zich te focussen op defectgerelateerde kenmerken in plaats van triviale reconstructie.
• Output: De autoencoder genereert een set van latente beelden ($l$), die vervolgens worden samengevoegd via global average pooling tot één "domein-gealigneerd" thermisch beeld. Dit beeld behoudt de zichtbaarheid van defecten maar heeft een statistische verdeling die meer lijkt op de natuurlijke beelden waarmee VLMs zijn getraind.

2. Cognitieve Defectanalyse met VLMs
Het gegenereerde domein-gealigneerde beeld wordt ingevoerd in een vooraf getraind Vision-Language Model (zoals GroundingDINO, Qwen-VL-Chat of CogVLM).

• Zero-shot Instructie: In plaats van het model te hertrainen, wordt het een natuurlijke taalprompt gegeven (bijv.: "Inspecteer de thermische afbeelding van een CFK-vel en geef de defect-bounding box op").
• Redenering: Het VLM gebruikt zijn multimodale redeneervermogen om de visuele patronen in het thermische beeld te koppelen aan het semantische concept van een "defect" en voorspelt de locatie (bounding box) zonder dat er specifieke thermografische trainingsdata nodig is.

Belangrijkste Bijdragen

1. Nieuw Zero-shot Raamwerk: Een innovatief systeem voor defectanalyse in CFRP-componenten dat de noodzaak elimineert om uitgebreide, kostbare datasets voor AI-training te verzamelen.
2. AIRT-VLM Adapter: Een specifieke module die de domeinkloof overbrugt tussen thermografische data en de natuurlijke beelddomeinen van foundation-modellen, waardoor de zichtbaarheid van defecten wordt verbeterd en de representatie wordt uitgelijnd.
3. Validatie op Industriële Scenarios: Het raamwerk is getest op 25 inspectieseries met impactschade op verschillende energieniveaus (5 J en 15 J) en temperaturen (kamertemperatuur en -70°C), wat realistische industriële omstandigheden simuleert.

Resultaten

De experimentele validatie toont aanzienlijke verbeteringen ten opzichte van traditionele methoden:

• Signaalverbetering: De adapter bereikte een toename van het signaal-ruisverhouding (SNR) met meer dan 10 dB en een contrastverbetering van ongeveer 50% vergeleken met ruwe thermogrammen en geavanceerde dimensiereductiemethoden (zoals PCA, TSR en autoencoders).
• Detectieprestaties: Bij het koppelen van de adapter aan drie verschillende VLMs (GroundingDINO, Qwen-VL, CogVLM) werden Intersection-over-Union (IoU) waarden van ongeveer 70% behaald.
• Locatieprecisie: De genormaliseerde centrumafstand (NCD) was zeer laag (ongeveer 0,015), wat aangeeft dat de voorspelde locaties zeer nauwkeurig overeenkomen met de werkelijke defecten.
• Vergelijking: Zonder de adapter presteerden de modellen slecht (IoU < 50%), wat de noodzaak van de domein-aanpassing bevestigt.

Betekenis en Toekomstperspectief

Deze studie markeert een verschuiving in de NDT-sector van datagedreven, gesuperviseerde AI naar cognitieve, zero-shot analyse.

• Industriële Impact: Het elimineert de "dataset-flesnek", waardoor AI snel en kosteneffectief kan worden geïntegreerd in bestaande inspectielijnen zonder dure labeling-procedures.
• Schaalbaarheid: Het systeem is operator-onafhankelijk en biedt herhaalbare resultaten voor de inspectie van grote structuren.
• Beperkingen en Toekomst: Het huidige raamwerk kan geen dieptebepaling van defecten uitvoeren en onderscheidt nog geen specifieke defecttypes (zoals delaminatie versus holtes), omdat de volledige spatiotemporale fysica wordt gecomprimeerd tot één beeld. Toekomstig werk richt zich op het verfijnen van VLMs met fysica-informatie om diepte en defecttype te kunnen schatten.

Kortom, dit paper bewijst dat het combineren van vooraf getrainde multimodale modellen met een slimme domein-aanpassingsadapter een robuuste, trainingsvrije oplossing biedt voor het lokaliseren van ondergrondse defecten in hoogwaardige composietmaterialen.