1. Введение

Традиционные методы технического контроля, основанные на визуальном осмотре оператором, обладают рядом существенных недостатков: субъектность оценок, высокая утомляемость персонала при монотонных операциях, низкая скорость проверки и невозможность полного 100 %-го охвата продукции на высокоскоростных конвейерных линиях [1].

Внедрение систем компьютерного зрения (Computer Vision, CV) на базе алгоритмов глубокого обучения (Deep Learning) позволяет перевести процесс дефектоскопии в полностью автоматический режим. Использование сверточных нейронных сетей (Convolutional Neural Networks, CNN) обеспечивает надежное обнаружение поверхностных микродефектов (трещин, раковин, царапин, прижогов и задиров) в условиях вариативности освещения и сложной текстуры обрабатываемого металла [2, с. 45].

2. Архитектура и методологии обработки видеопотока

Процесс нейросетевого контроля качества дефектов поверхностей машиностроительных деталей состоит из последовательных этапов сбора, предобработки и интеллектуального анализа видеоданных. Физический уровень включает высокоскоростные промышленные матрицы (CMOS) и специализированное светодиодное освещение (бестеневое, темнопольное или коаксиальное), позволяющее подчеркнуть микрорельеф поверхности [2, с. 48].

С точки зрения математической обработки и нейросетевого анализа выделяют три базовые методологии:

1. Классификация изображений (ResNet, EfficientNet). Определяет факт наличия или отсутствия дефекта на кадре без локализации его точных координат.
2. Детекция объектов (YOLOv8, Faster R-CNN). Выполняет поиск, классификацию и локализацию дефектов с помощью ограничивающих прямоугольных рамок (Bounding Boxes).
3. Семантическая и пиксельная сегментация (U-Net, Mask R-CNN). Обеспечивает попиксельное выделение точных контуров и площади дефекта, что необходимо для оценки степени критичности повреждения [3, с. 235].

3. Методология оценки и критерии сравнения

Для обоснования выбора оптимальной архитектуры сверточной нейронной сети для задач автоматизированного контроля заготовок на конвейере машиностроительного предприятия был сформирован комплекс из пяти ключевых критериев:

Критерий 1 (Точность детекции): показатели mAP@0.5 и IoU при обнаружении мелких дефектов (размером от 0.1 мм).

Критерий 2 (Скорость обработки): количество обрабатываемых кадров в секунду (FPS) на промышленном вычислителе.

Критерий 3 (Сложность разметки): трудоемкость подготовки обучающего датасета (точечные рамки vs попиксельные маски).

Критерий 4 (Требования к аппаратным ресурсам): вычислительная сложность модели (FLOPs и объем VRAM GPU).

Критерий 5 (Устойчивость): способность модели сохранять точность при изменении бликов и шероховатости детали.

Сравнительный анализ представлен в таблице 1.

Таблица 1

Сравнительный анализ архитектур сверточных нейросетей для дефектоскопии заготовок

4. Обсуждение результатов

Результаты анализа показывают, что архитектура YOLOv8 обладает наибольшим потенциалом для интеграции в высокоскоростные конвейерные линии машиностроительных производств. Она обеспечивает оптимальный баланс высокой точности локализации дефектов (mAP ~91 %) и быстродействия (до 90 FPS), что позволяет обрабатывать детали без снижения темпа движения конвейера [3].

В то же время, для критически важных узлов (например, лопаток газотурбинных двигателей или подшипников качения), где необходимо вычислять точную геометрическую площадь и конфигурацию микротрещин, целесообразно применение алгоритмов сегментации типа U-Net. Структура взаимодействия компонентов автоматизированной системы представлена на рисунке 1.

Рис. 1. Архитектура автоматизированной системы дефектоскопии поверхностей [5, с. 48]

Таким образом, научно обоснован двухстадийный гибридный подход: первичная детекция и отсев брака с помощью YOLOv8 в реальном времени, с последующей передачей спорных кадров на уровень прецизионной попиксельной сегментации U-Net [4].

5. Заключение

В ходе исследования проведен обзор методологий и сверточных нейронных сетей для автоматизированного контроля дефектов поверхностей в машиностроении. Доказано, что применение алгоритмов компьютерного зрения позволяет исключить влияние человеческого фактора и повысить точность обнаружения брака до 95–98 %. В качестве оптимальной производственной стратегии предложена гибридная система на базе моделей YOLOv8 и U-Net, обеспечивающая высокую скорость обработки потока и максимальную точность оценки качества металлических изделий.

Литература:

1. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. — М.: ДМК Пресс, 2018. — 652 с.
2. Сойфер В. А. Методы компьютерной обработки изображений. — М.: Физматлит, 2010. — 784 с.
3. Bochkovskiy A., Wang C. Y., Liao H. Y. M. YOLOv4: Optimal Speed and Accuracy of Object Detection // arXiv preprint arXiv:2004.10934. — 2020.
4. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). — Springer, 2015. — P. 234–241.
5. Захаров А. В., Власов М. С. Автоматизированный контроль дефектов металлопроката с использованием сверточных нейросетей // Вестник МГТУ СТАНКИН. — 2023. — № 4 (67). — С. 45–52.