JP2020503509A - 超音波スキャン・データを用いた欠陥検出 - Google Patents

Abstract

物体中の欠陥を検出する際に使うための欠陥検出方法が：対象となる物体の超音波スキャンから導出された超音波スキャン・データを取得するステップであって、前記超音波スキャン・データは、ある空間的および時間的点における超音波スキャンの間に前記物体から受信されたエコーの振幅を表わすエコー振幅値の集合の形である、ステップと；所定の閾値時間後に受信されたエコー振幅値を除去するために前記超音波スキャン・データを処理するステップと；処理された超音波スキャン・データから少なくとも一つの画像を生成するステップと；各生成された画像を、自動化された欠陥認識プロセスにかけて、その画像によって表わされる前記物体の部分に欠陥があるかどうかを判定するステップと；欠陥が見出されたか否かを示す通知を発するステップと；欠陥が見出された場合、前記自動化された欠陥認識プロセスの結果を欠陥データベースに記憶するステップとを含む。

Description

本発明は、超音波スキャン・データを用いた欠陥検出に関する。

超音波非破壊試験（NDT）は、製造に使用されるガラス繊維などの材料または構造物の健全性を判定するために使用される非侵襲的技術であり、試験対象〔テスト・オブジェクト〕の内部欠陥の検出を可能にする。この技術では、一つまたは複数の超音波プローブが、物体内を伝搬する音波を放射し、内部構造との相互作用から生じるエコーを受信する。反射体材料の距離は、音波の速度に基づいて正確に推定されることができる。

スキャンでは、不連続、しわ、捕捉された物体、エアポケットなどの欠陥に起因する反射によって引き起こされる信号が識別されることができる。この技術は、製造品質管理プロセスの一部として産業界で広く使用されている。現在、検出は、スキャンの各セクションの完全な目視検査に関わる手動プロセスである。試験対象の寸法によっては、欠陥を有し、物理的検査を必要とする可能性のある、当該構造の領域を識別するために、訓練されたオペレーターが、スキャンの可視化を見ていくのに数時間を費やすことがある。オペレーターは、構造の曲率または不連続性のような視覚的手がかりを用いて、潜在的な欠陥にフラグを付ける。これは、生スキャン・データの対話的可視化を通じて行われ、飽和閾値の調整、ズーミングなどを可能にする。オペレーターは高度な訓練を受けているが、エコーの伝播から生じる生データ中のノイズおよび／または可視化の問題のため、検査がすべての欠陥を完全にカバーすることは保証されない。

以前に提案された方法は、材料／構造における欠陥を認識するようにトレーニングされた機械が、材料または構造の超音波画像データに基づいて欠陥を識別する機械学習ベースの欠陥認識プロセスを用いることにより、品質管理プロセスにおける欠陥の自動認識を容易にすることを目的とした。このようにして検査プロセスの最初の部分を自動化することにより、品質管理技師／技術者は、より効率的な仕方で検査を完了することができ、検査対象物当たりにかかる検査時間を短縮することができ、よって、全体的な人的努力とコストを削減することができる。しかしながら、このような機械学習ベースの欠陥認識プロセスの精度は、それが処理している画像データの品質に依存する。特に、機械学習ベースの欠陥認識プロセスのために生スキャン・データを画像データに変換する際には、ノイズなどの望まれないデータが除去されることを保証しつつ、生スキャン・データにおける関心のある特徴が画像データにおいて正確に表現されることが重要である。

よって、超音波スキャン・データから導出された画像を使う、改良された欠陥検出方法および装置を提供することが望ましい。

本発明の第一の側面のある実施形態によれば、物体中の欠陥を検出するための欠陥検出方法が提供され、当該方法は：対象となる物体の超音波スキャンから導出された超音波スキャン・データを取得するステップであって、前記超音波スキャン・データは、ある空間的および時間的点における超音波スキャンの間に物体から受信されたエコーの振幅を表わすエコー振幅値の集合の形である、ステップと；所定の閾値時間後に受信されたエコー振幅値を除去するために前記超音波スキャン・データを処理するステップと；処理された超音波スキャン・データから少なくとも一つの画像を生成するステップと；各生成された画像を、自動化された欠陥認識プロセスにかけて、その画像によって表わされる前記物体の部分に欠陥があるかどうかを判定するステップと；欠陥が見出されたか否かを示す通知を発するステップと；欠陥が見出された場合、自動化された欠陥認識プロセスの結果を欠陥データベースに記憶するステップとを含む。

実施形態は、NDT超音波データの視覚的表現を作成する自動的な方法であって品質管理機械学習プロセスにとってより好適な方法、を提供しうる。そのような実施形態では、スキャンされた物体の関連する構造に関係するデータを保存するようにノイズなどの無関係なデータを除去した後に、特定のデータ・サンプルの画像「パッチ」が、フル・スキャン・データから生成される。画像パッチは、（たとえば機械学習プロセスを使う）自動化された欠陥検出のための入力として適用され、それにより、欠陥検出プロセスの精度を改善し、オペレーターが品質管理プロセスを完了するのに要する時間を短縮する。

この方法はさらに、超音波スキャン・データの前記処理の前に、エコー振幅値の前記集合を複数の部分集合に分割し、前記処理において、各部分集合から前記所定の閾値時間の後に受信されたエコー振幅値を除去することを含んでいてもよい。

前記超音波スキャン・データを処理することは、使用される前記閾値時間の値を決定することを含んでいてもよい。閾値時間の値を決定することは：各部分集合について、部分集合内の振幅値から、部分集合内の各時点についての代表的な振幅値を含むベクトルを導出することを含んでいてもよい。各ベクトル中の正の代表的な振幅値の最大シーケンスの終了時点が同定されてもよい。ベクトルについて同定されたすべての終了時点のうちから、最大の値をもつ終了時点またはその終了時点を使って計算された値が、前記閾値時間の値として選択されてもよい。

ある実施形態では、ベクトルを導出することは、集計関数を含む数学的関数を、同時に受信されたエコーに対応する当該部分集合内の振幅値に適用することを含んでいてもよい。数学的関数は、平滑化関数をさらに含んでいてもよい。

対象となる物体は、製造された物体および製造において使用される物体の少なくとも一つであってもよい。

ある実施形態はさらに、物体内で検出された欠陥を使って、物体の少なくとも一部を形成する材料の構造的健全性、および物体の少なくとも一部を形成する材料の欠陥のうちの少なくとも一方を決定することを含んでいてもよい。

本発明の第二の側面のある実施形態によれば、コンピュータ上で実行されると、そのコンピュータに第一の側面を具現する方法を実行させるコンピュータ・プログラムが提供される。

本発明の第二の側面のある実施形態によれば、物体中の欠陥を検出するための欠陥検出装置が提供され、当該装置は：対象となる物体の超音波スキャンから導出された超音波スキャン・データを処理するための超音波スキャン・データ・プロセッサを有しており、前記超音波スキャン・データは、ある空間的および時間的点における超音波スキャンの間に物体から受信されたエコーの振幅を表わすエコー振幅値の集合の形であり、前記超音波スキャン・データ・プロセッサは：所定の閾値時間後に受信されたエコー振幅値を前記超音波スキャン・データから除去するための振幅フィルタと；フィルタリングされた超音波スキャン・データから少なくとも一つの画像を生成するための画像生成器とを有し；当該装置は、各生成された画像に対して自動化された欠陥認識プロセスを実行して、その画像によって表わされる前記物体の部分に欠陥があるかどうかを判定し、欠陥が見出されたか否かを示す通知を発し、欠陥が見出された場合、自動化された欠陥認識プロセスの結果を欠陥データベースに記憶する欠陥検出器を有する。

超音波スキャン・データ・プロセッサは、前記振幅フィルタによる超音波スキャン・データの処理の前に、エコー振幅値の集合を複数の部分集合に分割するデータ部分集合作成器を含んでいてもよく、前記振幅フィルタは、各部分集合から前記所定の閾値時間の後に受信されたエコー振幅値を除去する。

超音波スキャン・データ・プロセッサは、使用される前記閾値時間の値を決定するための閾値決定器を含んでいてもよい。閾値決定器は、前記閾値時間の値を決定することを、各部分集合について、部分集合内の振幅値から、部分集合内の各時点についての代表的な振幅値を含むベクトルを導出し；各ベクトルにおいて、正の代表的な振幅値の最大シーケンスの終了時点を同定し；ベクトルについて同定されたすべての終了時点のうちから、最大の値をもつ終了時点またはその終了時点を使って計算された値を、前記閾値時間の値として選択することによって、行なってもよい。

前記閾値決定器は、ベクトルを導出することを、集計関数を含む数学的関数を、同時に受信されたエコーに対応する当該部分集合内の振幅値に適用することによって行なってもよい。数学的関数は、平滑化関数をさらに含んでいてもよい。

実施形態は、試験対象が背後壁のような大きな構造を含む場合にNDT超音波画像の解析に適用されるときに特に（この場合だけではないが）有用である。

ここで、例として付属の図面を参照する。

ある実施形態による方法を説明するのに用いるためのフローチャートである。 ある実施形態による装置のブロック図である。 ある実施形態で使用されるパッチ・フィルタリング・プロセスのフローチャートである。 （ａ）は、パッチ・フィルタリング・プロセスにおいて導出されたサブマトリクスA_patchを示し、（ｂ）はサブマトリクスA_patchから導出されるベクトルV_patchを示す。 振幅変換の適用後のベクトルV_patchの値のプロットである。 ある実施形態で使用されるパッチ画像化プロセスのフローチャートである。 ある実施形態で使用される勾配カラーマップである。 ある実施形態で使用される機械学習モデル生成プロセスのフローチャートである。 ある実施形態で使用される欠陥検出プロセスのフローチャートである。 ある実施形態の適用を説明するのに用いる図である。 （ａ）（ｂ）（ｃ）は、図９の適用を説明するのに用いる図である。 本発明を具現するコンピューティング装置のブロック図である。

ある実施形態のフローチャートが、図１Ａに示されている。ステップS100において、本実施形態は、超音波スキャン・データ・サンプリング・プロセス、すなわち、パッチ・フィルタリング・プロセス１００を、ステップS200において、超音波スキャン・データを画像の集合として表現するプロセス、すなわち、パッチ画像化プロセス２００を用いる。このようにして生成された画像は、自動欠陥検出のための機械学習（ML）プロセス４００における入力としてステップS400において使用される。MLモデルがまだトレーニングされていない場合（ステップS202aでノー）、MLモデルは、まず、ステップS300におけるトレーニング・プロセス３００において、既知の欠陥画像データに基づいてトレーニングされる。

図１Ａに示される諸ステップは、たとえば、図１Ｂに示されるような装置１によって実行されてもよい。装置１は、パッチ・フィルタリング・プロセス１００およびパッチ可視化プロセス２００を実行することによって超音波スキャン・データを処理するように構成された超音波スキャン・データ・プロセッサ１０と、パッチ・フィルタリング・プロセス１００で生成されたパッチを記憶するように構成されたパッチ・データベース１０４と、パッチ画像化プロセス２００で生成された画像を記憶するように構成された画像データベース２０５と、欠陥データベース３０４に記憶されている既知の欠陥を使ってMLモデルをトレーニングするように構成されたMLプロセス・トレーナー３０００と、トレーニングされたMLモデルを記憶するように構成されたMLモデル・データベース３０６と、画像データベース２０５に記憶された画像をトレーニングされたMLモデルに入力することによって欠陥検出プロセス４００を実行して、画像によって表わされる構造における欠陥を識別し、識別された欠陥を欠陥データベース３０４に追加するように構成された欠陥検出器４０００とを有している。超音波スキャン・データ・プロセッサ１０は、パッチ・フィルタリング・プロセス１００を実行するように構成された、データ部分集合作成器１１００および閾値決定器１２００を有する前処理器１０００を含む。超音波スキャン・データ・プロセッサ１０は、パッチ視覚化プロセス２００を実行するように構成された、振幅フィルタ２１００および画像生成器２２００を有する視覚化器２０００をも含む。

パッチ・フィルタリング・プロセス１００は、生スキャン・データのサンプルを取り、それらを変換して、振幅フィルタで使用するための閾値を決定し；次いで、振幅フィルタが、フィルタリングされたサンプルを画像表現に変換するパッチ画像化プロセス２００で使用される。フル・スキャン・データは、音波エコー振幅のデータ・マトリクスとして表現されてもよく、ここで、マトリクスの各行は、所与の時刻t_jに測定されたエコーに対応し、マトリクスの各列は、スキャンされた物体の先端からその測定値が取られた位置までの物理的な距離x_jに対応する。各データ・サンプルは、振幅フィルタが適用された後に画像表現に変換されるサブマトリクスである。振幅変換は、行ごとに、振幅測定値に集計関数を適用し、t次元に沿った閾値を同定する。この閾値は、スキャンされた物体の顕著な構造を信号エコーから分離するために使用されることができる。集計関数を行ごとに適用することによって、物体の顕著な構造、たとえば重要な欠陥が観察される傾向のあるその背後壁に対応するレベル・エコーが、より信頼できる仕方で分離されることができる。このようなエコーは、視覚化されると、x軸に沿った顕著な構造として目立つ。パッチ・フィルタリング・プロセスは、データの画像化の前に、ノイズに対応するデータの行をフィルタ除去するためにパッチ画像化プロセスに適用される全体的な閾値t_scanを同定する。

図２に示されるように、図１のステップS100に描かれるパッチ・フィルタリング・プロセスは、超音波スキャンの測定値をその生のデータ・フォーマットでロードすることによって、ステップS101で始まる。生のスキャン・データは、たとえば、マトリクスA_rawまたは別の二次元データ構造として表現されることができ、スキャンされる物体の先端からの距離xおよび音波が発され、エコー信号振幅が測定されて以後の経過時間tという二つの次元方向に沿ったエコー信号の振幅を含む。

上述のように、パッチ・フィルタリング・プロセス１００は、無関係なスキャン・データをフィルタ除去する、すなわち、tの値が閾値t_scanを超えるデータ点を除去するための、最適な閾値t_scanを決定することをねらいとする。そのような無関係なデータは、ノイズのような、欠陥分析に有用でない超音波信号エコーに対応する。図２のステップS102において、t_scanの値は0に初期化され、パラメータx₀、x_step、x_overlapの初期集合が設定される。これらのパラメータは、ステップS103において、図３の（ａ）に示されるように、サブマトリクスA_patch（すなわち、サンプリングされたパッチに含まれる各対(x_i、t_j)についてのエコー振幅値を含む生のデータのマトリクスA_rawの行および列の部分集合）を選択することにより、生のスキャン・データをサンプリングするために使われる。これにより、サブマトリクスA_patchの各対(x_i,t_j)について、二つの条件、すなわち、x₀≦x_i＜x₀＋x_stepが遵守される。

生のスキャン・サブマトリクスA_patchは、最初にステップS104においてその後のパッチ画像化プロセスS200のために保存され、次にステップS105において、図３の（ｂ）に示されるように、各行t_iの振幅値に適用される関数の形の振幅変換を使って処理され、ベクトルv_patch(σ₁,σ₂,σ₃,…,σ_i)を得る。関数は、振幅値を集計する集計（aggregation）関数（たとえば、和、平均など）を含む。そのような関数の例は、マトリクスA_patchの各行の振幅値の加重和である式(1)において下記に示される。単純な和の場合、w_iの値はすべて1に等しい。単純な平均の場合、w_iはすべて1/Nに等しい。ここで、NはマトリクスA_patchの列数である。

加えて、関数は、値σ_Iを平滑化するために、畳み込みフィルタのような平滑化関数を含んでいてもよい（平滑化は、非常に異なる振幅値を有するベクトルv_patchにおける近隣の要素の効果を低減するために適用される）。たとえば、畳み込みフィルタは、窓サイズw_sizeがtの最大値t_maxよりもはるかに小さい（たとえばt_maxの5%）移動平均に対応することができる。

図４は、振幅変換が適用された後のベクトルv_patchの値のプロットである。ベクトルv_patchにおいて、v_patchにおける正の値の最大のシーケンス、すなわちt_startからt_endまでに示されるシーケンスは、最大の顕著な特徴（通常はテキスト・オブジェクト背後壁）に対応する。

ステップS106において、前記最大のシーケンスの終わりt_endに対応する、時間次元に沿ったパッチ閾値t_patchが、決定される。図４に呈示されるこのベクトルの視覚化を考慮すると、パッチ閾値は、t_patch＝t_end＋w_sizeとして定義される（窓サイズw_sizeの畳み込みフィルタが使用された場合；使用されなければt_patch＝t_end）。ここで、t_endは、曲線より下の最大面積をもつ正のシーケンスのtの最後の値である。所与のシーケンスについて曲線下面積は、t_startとt_endの間の振幅の和として、すなわち式(2)に示されるように、正確に計算されるまたは近似されることができる。

フィルタリングの上限がたとえばドメイン知識に基づいてユーザーによって事前設定できる場合には、tの最大値t＝τはあらかじめ定義されてもよい。そのような場合、t_end＋w_size＞τであれば、パッチ閾値はt_patch＝t_endに設定される。この場合、t_scanは常にτに等しい。

ステップ106aにおいて、現在処理されているベクトルのパッチ閾値t_patchが、現在の全体的なスキャン閾値t_scanと比較され、t_scanのほうがt_patchより低い場合（ステップS106aでイエス）、t_scanは、その後、ステップS107においてt_patchの現在の値に更新される。t_patchとt_scanを比較し、必要ならt_scanを更新した後、プロセスは、S108において、すべてのスキャン・データがサンプリングされたかどうかを検査する。もしそうでなければ（ステップS108でノー）、ステップS108aにおいて、サンプリング窓が、x_next＝x_previous＋x_step−x_overlapの値に更新され、プロセスは、次のパッチ・データをサンプリングするためにステップS103に戻り、生のデータ・マトリクス全体が処理される（ステップS108でイエス）まで繰り返される。ステップS109におけるパッチ・フィルタリング・プロセスの出力は、スキャン閾値t_scanの全体的な最終的な値である。

パッチ・フィルタリング・プロセス１００の完了後、図５に描かれるパッチ画像形成プロセス２００が実行される。パッチ画像化プロセス２００は、その後の機械学習欠陥検出プロセスのための入力として使用するために、最適化されたスキャン画像パッチを作成することをねらいとする。パッチ画像化プロセス２００のステップS201において、パッチ・フィルタリング・プロセス１００のステップS104で記憶された生のスキャン・サブマトリクスA_patchが取り出され、次いで、ステップS202において、tの値がt_scanよりも大きい生のスキャン・サブマトリクスA_patchの行すべてが消去される。次いで、ステップS203において、こうしてフィルタリングされたサブマトリクスにデータ画像化プロセスが適用され、該データ画像化プロセスにおいて、スキャン・データは、フィルタリングされたサブマトリクスの生データを画像に変換することによって可視化され、結果として得られた画像は、ステップS204において、その後の解析のために画像パッチ・データベース２０５に追加される。たとえば、データ画像化プロセスは、フィルタリングされたサブマトリクスの生のスキャン・データ中の各振幅値を、固定色勾配によって決定されるRGB色にマッピングすることを含んでいてもよい。固定色勾配は、たとえば、最小振幅ついての暗い青から最大振幅についての暗い赤までの範囲の、図６に（白黒で）示されるものような色勾配である。この場合、結果として得られる画像は、各ピクセルの色が振幅値をエンコードするピクセル・マップである。ステップS204aにおいて、ステップS104で記憶されたすべての生スキャン・サブマトリクスA_patchが処理されたかどうかについて判定がなされる。そうでなければ（ステップS204aでノー）、プロセスはステップS201に戻り、次いで、すべての生スキャン・サブマトリクスが処理される（ステップS204aでイエス）まで、プロセスが逐次反復され、すべて処理された時点で、機械学習プロセスが開始されてもよい。

欠陥検出は、いくつかの既知の画像解析方法の一つ、たとえば、畳み込みニューラルネットワークを利用してもよい標準的な機械学習（ML）モデルを適用することによって達成されてもよい。MLモデルは、外部画像データベースに基づいて事前トレーニングされてもよく、その場合、事前トレーニングされた畳み込みニューラルネットワークは、特徴ベクトル抽出を実行し、抽出された特徴ベクトルの類似性に基づいて類似の画像パッチを識別するために、k近傍法（k-Nearest Neighbours）のような単純な分類器を適用する。しかしながら、今の例では、図７に示されるように、標準的な機械学習（ML）生成プロセス３００が使われ、これは上述したパッチ画像化プロセス２００を使って画像データベース２０５を作成する。ステップS301では、画像データベース２０５から、欠陥データベース３０４に記憶されている既知の欠陥を含むパッチのトレーニング画像データ集合が選択される。ステップS302において、MLモデルは、選択されたトレーニング画像データ集合に基づいてトレーニングされ、次いで、最適な結果が達成されたとステップS303aにおいて判定されるまで、ステップS303において欠陥データベース３０４と突き合わせて評価される。その後、結果として得られたトレーニングされたMLモデル３０６は、工程S305において、生産環境における欠陥検出プロセス４００に展開される準備が整う。

図８に示される欠陥検出プロセス４００において、ステップS401において、上述のパッチ画像化プロセス２００を使って得られた画像データベース２０５に記憶された画像が分析のために選択される。ステップ402では、画像によって表わされる構造または材料における欠陥を識別するために、画像は、事前トレーニングされたMLモデル３０６に入力される。ステップS403では、新たに検出された欠陥は、さらなる分析のために欠陥データベース３０４に記録される。

ここで、図９および図１０を参照して、本発明を具現する画像処理方法の具体的な適用について説明する。

例示の目的で、ファイバーグラス管９０を試験対象として考える。ファイバーグラスは、高い強度および耐久性を有する一方で軽量であることから利益を得る大型構造物の製造に広く使用されている。ファイバーグラスの初期の応用は、航空および航空宇宙産業に始まり、航空機設計のために行われた。今日では、船体、パイプ、サーフボード、風力タービンブレード、自動車の車体部品、ウォータースライド、棒高跳び用の棒などを含む他の多くの用途がある。そのような物体におけるいかなる製造上の異常も、その構造的健全性に重大な影響をもちうる。

超音波NDTスキャンは、プローブ９１のアレイによって実行され、プローブ９１は、パイプ構造９０の内部を伝搬する音波を発し、その前後の壁との相互作用から生じるエコーを受信する（図９）。エコーの振幅は、パイプ９０の長さに平行な方向に測定される長さxおよび時間tの二つの次元方向に沿って測定される。得られたデータは、エコー振幅をもつ数値マトリクスとして表わすことができ、各行iは所与の伝搬時間t_iに対応し、各列jは所与の水平位置x_jに対応する。上述したように、生のデータ・マトリクスは、スキャン・データ・サンプル視覚化９２に示されるように、（たとえば、色勾配をエコーの振幅値にマッピングすること（たとえば、深い青色から暗い赤色への勾配）によって）視覚化されることができる。

試験対象の前後の構造は、前記視覚化において、容易に識別可能である。なぜなら、かかる構造が生成するエコーの振幅は、通例、暗い色の領域として目立つため、欠陥の検査を容易にするからである。ファイバーグラス層におけるしわなどの欠陥は、背後の構造の領域における不連続性または曲率などの、スキャンにおける明確な視覚パターンをもたらす。

図１０は、図９に示したセットアップを使って得られた超音波スキャン・データに、上述したパッチ・フィルタリングおよび画像化プロセスを適用した例を示している。図１０（ａ）は、生のスキャン・データの一部の視覚化を示しており、試験対象の前後の構造が、視覚化において、最も暗い線で表現されている。この例では、生のスキャン・データは、サブマトリクスが生のスキャン・データのマトリクスから導出され、集計関数が各サブマトリクスのエコー振幅値に適用されてそれぞれのベクトルv_patchを導出するパッチ・フィルタリング・プロセス１００を受ける。図１０（ｂ）は、集計関数がサブマトリクスに適用された後のベクトルv_patchの値のプロットを示す。図１０（ｂ）では、最も暗い部分は、t_startからt_endまでの時間期間にわたる正の振幅値の最大のシーケンスを表わし、それはこの場合、試験対象の背後構造から受信されたエコーに対応する。スキャン閾値t_scanは、ベクトルv_patchについて得られたt_endのすべての値の中で、t_endの最大値を決定することによって導出される。図１０（ｃ）は、パッチ画像化プロセス２００に従って、スキャン閾値t_scanを使って、データの望まれない部分をフィルタ除去した後の、生のスキャン・データの視覚化を示している。

本発明の実施形態は、ハードウェアで、または一つまたは複数のプロセッサで動作するソフトウェア・モジュールとして、またはそれらの組み合わせで実現されてもよい。すなわち、当業者は、実際には上述の機能の一部または全部を実装するためにマイクロプロセッサまたはディジタル信号プロセッサ（DSP）が使用されてもよいことを理解するであろう。

本発明はまた、本明細書に記載される方法の一部または全部を実施するための一つまたは複数のデバイスまたは装置プログラム（たとえば、コンピュータ・プログラムおよびコンピュータ・プログラム・プロダクト）として具現されてもよい。本発明を具現するそのようなプログラムは、コンピュータ可読可能媒体上に記憶されてもよく、あるいは、たとえば、一つまたは複数の信号の形であってもよい。そのような信号は、インターネット・ウェブサイトからダウンロード可能なデータ信号であってもよいし、あるいは搬送波信号上で提供されてもよいし、あるいは他のいかなる形であってもよい。

図１１は、本発明を具現し、本発明を具現する方法のステップの一部または全部を実装し、一実施形態の装置のタスクの一部または全部を実行するために使用されうるデータ記憶サーバーのようなコンピューティング装置のブロック図である。たとえば、図１１の計算装置を使って、図１Ａに示される欠陥検出方法のすべてのステップを実装し、図１Ｂに示される欠陥検出装置の超音波スキャン・データ・プロセッサ１０および欠陥検出器４０００のすべてのタスクを実行してもよく、あるいは図１Ａの欠陥検出方法の一部のステップのみを実行し、図１Ｂに示される欠陥検出装置の一部のタスクのみを実行してもよい。

コンピューティング装置は、プロセッサ９９３およびメモリ９９４を有する。任意的に、コンピューティング装置はまた、他のそのようなコンピューティング装置と、たとえば発明実施形態の他のコンピューティング装置と通信するためのネットワーク・インターフェース９９７をも含む。

たとえば、ある実施形態は、そのようなコンピューティング装置のネットワークから構成されてもよい。任意的に、コンピューティング装置は、キーボードおよびマウス９９６のような一つまたは複数の入力機構および一つまたは複数のモニタ９９５のような表示ユニットをも含む。これらの構成要素は、バス９９２を介して互いに接続可能である。

メモリ９９４は、たとえばt_scan、MLモデル３０６、パッチ・データベース１０４、画像データベース２０５および／または欠陥データベース３０４を記憶するはたらきをしうるが、コンピュータ可読媒体であってもよい。コンピュータ可読媒体という用語は、コンピュータ実行可能命令を担持するか、あるいはデータ構造がその上に記憶されるように構成された単一の媒体または複数の媒体（たとえば、中央集中型または分散型のデータベースおよび／または関連するキャッシュおよびサーバー）を指しうる。コンピュータ実行可能命令は、たとえば、汎用コンピュータ、特殊目的コンピュータ、または特殊目的処理装置（たとえば、一つまたは複数のプロセッサ）によってアクセス可能であり、それに一つまたは複数の機能または動作を実行させる命令およびデータを含みうる。このように、用語「コンピュータ可読記憶媒体」は、機械による実行のための命令の集合を記憶する、エンコードするまたは担持することができ、かつ機械に本開示の方法の任意の一つまたは複数を実行させる任意の媒体をも含みうる。よって、用語「コンピュータ可読記憶媒体」は、固体メモリ、光学媒体および磁気媒体を含むが、これらに限定されないと解釈されうる。限定ではなく例として、そのようなコンピュータ可読媒体は、ランダムアクセスメモリ（RAM）、読み出し専用メモリ（ROM）、電気的に消去可能なプログラム可能型読み出し専用メモリ（EEPROM）、コンパクトディスク読み出し専用メモリ（CD-ROM）または他の光ディスク記憶、磁気ディスク記憶または他の磁気記憶装置、フラッシュメモリ・デバイス（たとえば、固体メモリ・デバイス）を含む非一時的なコンピュータ可読記憶媒体を含みうる。

プロセッサ９９３は、コンピューティング装置を制御し、処理動作を実行するよう構成され、たとえば、メモリ９９４に記憶されたコンピュータ・プログラム・コードを実行して、図１Ａ、図２、図５、図７および／または図８を参照して説明し、請求項に定義された方法を実装する。たとえば、そのようなコンピュータ・プログラム・コードは、パッチ・フィルタ１０００、パッチ視覚化器２０００、MLプロセス・トレーナー３０００、および図１Ｂに描かれ前述した欠陥識別器４０００のうちの少なくとも一つを実装してもよい。メモリ９９４は、プロセッサ９９３によって読み書きされるデータを記憶する。本明細書で言及されるところでは、プロセッサは、マイクロプロセッサ、中央処理ユニット等のような一つまたは複数の汎用処理装置を含んでいてもよい。プロセッサは、複雑命令セット・コンピューティング（CISC）マイクロプロセッサ、縮小命令セット・コンピューティング（RISC）マイクロプロセッサ、超長命令語（VLIW）マイクロプロセッサ、または他の命令セットを実装するプロセッサもしくは命令セットの組み合わせを実装するプロセッサを含んでいてもよい。プロセッサはまた、特定用途向け集積回路（ASIC）、フィールドプログラマブルゲートアレイ（FPGA）、ディジタル信号プロセッサ（DSP）、ネットワーク・プロセッサなどのような一つまたは複数の特殊目的の処理装置を含んでいてもよい。一つまたは複数の実施形態では、プロセッサは、本明細書で論じられる動作およびステップを実行するための命令を実行するよう構成される。

表示ユニット９９５は、コンピューティング装置によって記憶されたデータの表現を表示してもよく、また、ユーザーとコンピューティング装置に記憶されたプログラムおよびデータとの間の対話を可能にするカーソルおよびダイアログボックスおよびスクリーンをも表示してもよい。入力機構９９６は、ユーザーがデータおよび命令をコンピューティング装置に入力することを可能にする。

ネットワーク・インターフェース（ネットワークI/F）９９７は、インターネットなどのネットワークに接続され、ネットワークを介して他のそのようなコンピューティング装置に接続可能である。ネットワークI/F ９９７は、ネットワークを介して他の装置から／へのデータの入力／出力を制御してもよい。

マイクロフォン、スピーカー、プリンター、電源ユニット、ファン、ケース、スキャナー、トラッカーボール等のような他の周辺装置がコンピューティング装置に含まれていてもよい。

本発明を具現する方法は、図１１に示されるようなコンピューティング装置で実行されてもよい。そのようなコンピューティング装置は、図１１に示すすべてのコンポーネントを有する必要はなく、それらのコンポーネントの部分集合から構成されていてもよい。本発明を具現する方法は、ネットワークを介して一つまたは複数のデータ記憶サーバーと通信する単一のコンピューティング装置によって実行されてもよい。コンピューティング装置は、データの少なくとも一部を記憶するデータ記憶装置自身であってもよい。

本発明を具現する方法は、互いに協調して動作する複数のコンピューティング装置によって実行されてもよい。複数のコンピューティング装置のうちの一つまたは複数は、データの少なくとも一部を記憶するデータ記憶サーバーであってもよい。

本発明の上述の実施形態は、前記実施形態のうちの他のどれとも無関係に、または前記実施形態のうちの一つまたは複数の他の実施形態との任意の実現可能な組み合わせにおいて有利に使用されてもよい。

Claims (15)

1. 物体中の欠陥を検出するための欠陥検出方法であって、当該方法は：
   対象となる物体の超音波スキャンから導出された超音波スキャン・データを取得するステップであって、前記超音波スキャン・データは、ある空間的および時間的点における超音波スキャンの間に前記物体から受信されたエコーの振幅を表わすエコー振幅値の集合の形である、ステップと；
   所定の閾値時間後に受信されたエコー振幅値を除去するために前記超音波スキャン・データを処理するステップと；
   処理された超音波スキャン・データから少なくとも一つの画像を生成するステップと；
   各生成された画像を、自動化された欠陥認識プロセスにかけて、その画像によって表わされる前記物体の部分に欠陥があるかどうかを判定するステップと；
   欠陥が見出されたか否かを示す通知を発するステップと；
   欠陥が見出された場合、前記自動化された欠陥認識プロセスの結果を欠陥データベースに記憶するステップとを含む、
   方法。
2. 当該方法が、前記超音波スキャン・データの前記処理の前に、エコー振幅値の前記集合を複数の部分集合に分割することをさらに含み、
   前記超音波スキャン・データを処理することが、各部分集合から前記所定の閾値時間の後に受信されたエコー振幅値を除去することを含む、
   請求項１記載の方法。
3. 前記超音波スキャン・データを処理することが、使用される前記閾値時間の値を決定することをさらに含む、請求項２記載の方法。
4. 前記閾値時間の値を決定することが：
   各部分集合について、その部分集合内の振幅値から、その部分集合内の各時点についての代表的な振幅値を含むベクトルを導出し；
   各ベクトルにおいて、正の代表的な振幅値の最大シーケンスの終了時点を同定し；
   諸ベクトルについて同定されたすべての終了時点のうちから、最大の値をもつ終了時点またはその終了時点を使って計算された値を、前記閾値時間の値として選択することを含む、
   請求項３記載の方法。
5. ベクトルを導出することは、集計関数を含む数学的関数を、同時に受信されたエコーに対応する前記部分集合内の振幅値に適用することを含む、請求項４記載の方法。
6. 前記数学的関数がさらに平滑化関数を含む、請求項５記載の方法。
7. 前記対象となる物体は、製造された物体および製造において使用される物体の少なくとも一つである、請求項１ないし６のうちいずれか一項記載の方法。
8. 前記物体において検出された欠陥を使って、前記物体の少なくとも一部を形成する材料の構造的健全性、および前記物体の少なくとも一部を形成する材料の欠陥のうちの少なくとも一方を決定することをさらに含む、請求項１ないし７のうちいずれか一項記載の方法。
9. コンピュータ上で実行されると、そのコンピュータに請求項１ないし８のうちいずれか一項記載の方法を実行させるコンピュータ・プログラム。
10. 物体中の欠陥を検出するための欠陥検出装置であって、当該装置は：
    対象となる物体の超音波スキャンから導出された超音波スキャン・データを処理するための超音波スキャン・データ・プロセッサを有しており、前記超音波スキャン・データは、ある空間的および時間的点における超音波スキャンの間に前記物体から受信されたエコーの振幅を表わすエコー振幅値の集合の形であり、前記超音波スキャン・データ・プロセッサは少なくとも：
    所定の閾値時間後に受信されたエコー振幅値を前記超音波スキャン・データから除去するための振幅フィルタ；および
    フィルタリングされた超音波スキャン・データから少なくとも一つの画像を生成するための画像生成器を実装するよう動作し、
    当該装置はさらに、
    各生成された画像に対して自動化された欠陥認識プロセスを実行して、その画像によって表わされる前記物体の部分に欠陥があるかどうかを判定し、欠陥が見出されたか否かを示す通知を発し、欠陥が見出された場合、前記自動化された欠陥認識プロセスの結果を欠陥データベースに記憶する欠陥検出器を有する、
    装置。
11. 前記超音波スキャン・データ・プロセッサは、前記振幅フィルタによる前記超音波スキャン・データの処理の前に、エコー振幅値の前記集合を複数の部分集合に分割するデータ部分集合作成器を実装するようさらに動作し、前記振幅フィルタは、各部分集合から前記所定の閾値時間の後に受信されたエコー振幅値を除去する、請求項１０記載の装置。
12. 前記超音波スキャン・データ・プロセッサはさらに、使用される前記閾値時間の値を決定するための閾値決定器を実装するよう動作する、請求項１１記載の装置。
13. 前記閾値決定器は、前記閾値時間の値を決定することを：
    各部分集合について、その部分集合内の振幅値から、その部分集合内の各時点についての代表的な振幅値を含むベクトルを導出し；
    各ベクトルにおいて、正の代表的な振幅値の最大シーケンスの終了時点そ同定し；
    諸ベクトルについて同定されたすべての終了時点のうちから、最大の値をもつ終了時点またはその終了時点を使って計算された値を、前記閾値時間の値として選択することによって、実行する、
    請求項１２記載の装置。
14. 前記閾値決定器は、ベクトルを導出することを、集計関数を含む数学的関数を、同時に受信されたエコーに対応する前記部分集合内の振幅値に適用することによって実行する、請求項１３記載の装置。
15. 前記数学的関数は、平滑化関数をさらに含む、請求項１４記載の装置。

Images