¿Puede la IA encontrar precursores de fatiga metálica a partir de imágenes (de rayos X) ?

Cuando los ingenieros inspeccionan componentes metálicos, buscan pistas visuales sutiles que anticipen fallos mecánicos. ¿Puede la moderna imagen por rayos X, potenciada por inteligencia artificial, revelar estas señales de advertencia temprana antes de que se conviertan en costosas fracturas? La promesa de esta tecnología radica en detectar anomalías subsuperficiales que a menudo pasan desapercibidas para el ojo humano.

Background

Las primeras indicaciones de fatiga del metal detectables mediante imágenes de rayos X de alta resolución incluyen microgrietas, vacíos y cambios de textura que preceden a la falla. Los avances recientes emplean modelos de aprendizaje profundo —específicamente redes neuronales convolucionales y aprendizaje débilmente supervisado— para señalar regiones de interés en escáneres industriales de tomografía computarizada sin requerir anotaciones perfectas en píxeles para cada tipo de defecto. En estudios controlados, estos enfoques han igualado o superado a los inspectores humanos, aunque aún exigen datos de entrenamiento extensos, específicos del dominio, y una calibración cuidadosa para minimizar falsos positivos, especialmente en geometrías complejas. La estandarización y validación en diversos materiales y configuraciones de imagen siguen siendo desafíos activos para una implementación confiable (NDT & E International, 2023).