林佑儒 / 工研院材化所
本報告闡述一套基於「卷積神經網路廣用型自動化AI渦電流訊號研判技術」，能夠模擬人類認知辨識渦電流檢測訊號，且擁有快速研判能力。本技術是以卷積神經網路為架構基底，因此同時具有影像式數據以及數據式數據研判能力。當渦電流訊號有差異時，其訊號變化會呈現於特徵矩陣中，透過本計畫提出之特徵矩陣排列方式，每個瑕疵將對應該瑕疵形態特徵，再以特徵相似度擬合，即可推估渦電流訊號之對應型態。本技術架構彙整人類高檢師研判結果，將研判結果進行標籤作業，藉此讓AI學習高檢師研判特徵。再者，利用渦電流檢測特性，取出頻率、探頭型式、混波等訊號建構特徵矩陣，相較單以振幅狀態評估訊號型態之研判方式，本方法擁有較佳辨識能力。本文詳細說明廣用型AI渦電流研判技術，並由此提出影像式訊號辨識法適用於Zetec系統，數據型式訊號辨識法適用於Eddyfi、Olympus系統。最後透過實際場域驗證，確認本技術確實擁有高效率、高精確度的能力。
【內文精選】
技術原理
在卷積神經網路發明後，由於其採用權值共享的方式進行，可以有效減少權值數量，對大規模數據處理效率相當高，因此針對辨識應用，卷積神經網路模型即被廣泛研究應用。根據前述構想說明，本文AI訓練模型輸入訊號主要為渦電流檢測訊號，模型將以CNN為主，優點是在演算上，可避免顯式的特徵抽取，而採用隱式地從訓練資料中獲取特徵，再加上同一特徵映射面上的神經元權值相同，所以存在網路可以平行學習等優勢。目前典型的CNN網路通常帶有完整的卷積層、池化層、全連接層的神經網路，如圖二所示。透過卷積核與步伐設定生成特徵圖(Feature Map)，再經由另一層卷積層生成新的Feature Map，後續以一層池化層做池化動作。這些過程主要目的在於特徵提取，亦即將一高維向量映射至低維向量的過程，藉此提供一刺激能力，而此量化手段是藉由數據訓練得到的。在得到渦電流檢測數據後，由於我們已知量測結果與特徵資訊，利用監督式法與獨熱編碼程序(One-hot Encoding)可說明數據的關係性，再透過交叉熵(Cross Entropy)演算法，將AI系統權重往減小熵差的方向進行，最後透過訓練不斷調整眾多權值大小，進而獲得系統特性模型關係係數，並可用於實際瑕疵辨識。
圖二、卷積神經網路運作示意圖
技術架構
2. 技術運作流程
(1) 影像型態訊號運作流程
在影像學習方面，主要採用卷積神經網路(CNN)進行學習。其結構為第一卷積層，有3 × 3大小的濾鏡內核，並使用16個內核；接續為第一池化層，主要將卷積圖片大小進行縮減一半的處理；接著進行第二卷積層，使用一樣大小的濾鏡內核，共32個，並搭配第二池化層處理，之後再加入第三卷積層與第三池化層；最後建立平坦層將二維卷積圖片轉換成一維向量，並建立隱藏層與輸出層。其中，為了避免過擬合現象，系統建構拋棄層，其比例為30%。
(2) 數據型態訊號運作流程
在數據學習方面，採用VGG深層卷積神經網路模型，其結構為卷積神經網路層+全連接層，卷積層有5個部分，即「數據模型與訊號處理」一節中呈現的Con1~Con5，透過層數刪減，最後保留Con1~Con3。
另一方面，再測試1D CNN卷積神經網路模型。其結構第一層定義大小為12的內核，並使用160個內核，此作為可在網路的第一層上訓練160個不同的特徵，第一層卷積層的輸出是89 × 160神經元矩陣。第二層卷積層來自第一個CNN的結果，送入第二個CNN層，並使用120個不同的過濾器，以便在此級別上進行訓練，遵循第一層相同邏輯，輸出矩陣的大小為80 × 100。第三和第四1D CNN層，遵循一序列的1D CNN層以便學習更高階特徵，最後層的輸出矩陣是68 × 64矩陣。
測試結果與討論
3. 現場數據實測
最後，為了真實驗證系統能力，本研究團隊與業者合作，進行系統實測，並對照管內超音波系統(Internal Rotary Inspection System)，評估檢測準確度。在一次大修期間，業者提供約5,000支渦電流管件人工研判資料，再由5,000支管件中抽取194支進行超音波驗證，其研判準確度如圖十八所示，從圖中可以發現，自動研判系統擁有與檢測師相同研判水準 ---以上為部分節錄資料，完整內容請見下方附檔。
圖十八、系統與研判師混淆矩陣圖
★本文節錄自《工業材料雜誌》446期，更多資料請見下方附檔。