Nieniszczące badanie materiałów (NDI) przechodzi fundamentalną transformację od inspekcji manualnej do w pełni zautomatyzowanego podejścia, w którym algorytmy uczenia głębokie rozpoznają defekty zamiast ludzi. Artykuł ze źródła arXiv przeanalizował szerokie spektrum literatury akademickiej, aby opisać ewolucję tego pola poprzez cztery wymiary: algorytmy obliczeniowe, techniki fizyczne, aplikacje przemysłowe oraz cele badawcze. Autorzy wykazali, że ultrasonografia i inspekcja wizualna pozostają głównymi technikami fizycznymi, podczas gdy sztuczna inteligencja i modele generatywne zaczynają dominować w automatyzacji rozpoznawania anomalii.
Przejście ku NDE 4.0 - cztemu pokoleniu tego paradygmatu - napotyka jednak znaczące przeszkody. Brak standaryzowanych zbiorów danych dostępnych publicznie utrudnia trening nowych modeli, zaś "czarna skrzynka" współczesnych algorytmów AI budzi obawy w przemyśle dotyczące bezpieczeństwa i zaufania do automatycznych decyzji inspekcyjnych. Problem jest szczególnie istotny w sektorach krytycznych infrastrukturalno-przemysłowych, gdzie dokładność badania wpływa na bezpieczeństwo ludzi.
Artykuł wskazuje na konkretne luki w badaniach, wymieniając potrzebę wyjaśnialnej sztucznej inteligencji (XAI) oraz ustandaryzowanych protokołów cyfrowych bliźniaków. Autorzy proponują strategię, w której przyszłe prace badawcze powinny skupiać się na inteligentnej, autonomicznej fuzji danych inspekcyjnych z zaawansowanymi technologiami sensorowymi, zintegrowanymi z zarządzaniem cyklem życia aktywów. To podejście mogłoby sprawić, że automatyczne badania staną się bardziej przejrzyste, godne zaufania i powszechnie przyjęte w praktyce przemysłowej.