В Новосибирске разработана нейросеть для автоматического выявления дефектов металла
Ученые Новосибирского государственного технического университета (НГТУ) создали интеллектуальную систему контроля качества для промышленности на основе искусственного интеллекта, способную с точностью 87% обнаруживать дефекты на стальных поверхностях. Технология позволяет автоматически идентифицировать трещины, вмятины и пятна коррозии по фотографиям, сделанным обычной камерой.
Ключевым преимуществом новой разработки является ее способность работать с минимальным объемом подготовительных данных. В отличие от классических систем визуального контроля, требующих идеальных условий съемки, или современных нейросетей, для обучения которых необходимы тысячи размеченных изображений, сибирская система основана на триплетной нейронной сети. Для ее эффективного обучения достаточно всего нескольких фотографий каждого типа дефекта, даже если они сделаны при неидеальном освещении и в разном масштабе.
Как пояснил руководитель проекта Егор Антонянц, система использует архитектуру, которая учится понимать суть дефекта, а не просто запоминать конкретные изображения. Это позволяет инструменту быстро адаптироваться к новым, редко встречающимся видам повреждений без длительной и дорогостоящей процедуры переразметки данных.
На тестовых данных система продемонстрировала точность обнаружения дефектов более 87%, что существенно превосходит результаты традиционных методов машинного обучения, основанных на ручном описании признаков. Это делает ее экономически выгодным решением для предприятий, где сбор обширной базы примеров брака затруднен.
По словам разработчиков, технология предназначена для внедрения в системы контроля качества и предиктивного обслуживания на промышленных предприятиях, прежде всего в металлургии и машиностроении. Она позволит автоматизировать контроль стальных поверхностей, определять необходимость обслуживания оборудования по ранним признакам износа и повышать общую надежность производственных линий.
В перспективе систему можно адаптировать для мониторинга состояния критической инфраструктуры, такой как мосты и трубопроводы. Как отметил один из разработчиков Виталий Заозернов, испытания на публичной базе снимков дефектов стали подтвердили высокую точность распознавания различных видов повреждений и практическую ценность использованного подхода.
Фото: Shutterstock.com
