УДК 004.932.2:004.855.5:004.93
DOI: 10.36871/ek.up.p.r.2026.04.13.024

Авторы

Эльза Айндиевна Хамзатова,
Сумая Айндиевна Хамзатова,
Грозненский государственный нефтяной технический университет имени академика М.Д.Миллионщикова

Аннотация

В статье рассматривается задача повышения точности автоматического обнаружения дефектов промышленных изделий по изображениям, полученным в условиях нестабильного освещения и ограниченного числа примеров брака. Проблема не новая. Но в реальном производстве она проявляется довольно неприятно: модель показывает приемлемое качество на подготовленной выборке и заметно хуже работает после переноса на другой участок контроля.
Цель исследования — разработать и оценить метод повышения точности компьютерного зрения при выявлении поверхностных дефектов за счёт совместного использования синтетических данных и доменной адаптации. В качестве объекта исследования рассматриваются изображения промышленных изделий с царапинами, сколами края, локальными потемнениями и пятнами загрязнения.

Ключевые слова

омпьютерное зрение, промышленная дефектоскопия, нейронные сети, синтетические данные, доменная адаптация, сегментация изображений, визуальный контроль, машинное обучение, обнаружение дефектов, оценка точности

Список литературы

  1. Журо Д. В., Захаров М. В. Анализ состояния вопроса в области применения технического зрения для дефектоскопии // Международный журнал прикладных наук и технологий «Integral». — 2020. — № 4. — С. 231–234.
  2. Казначеева А. А., Захаркина С. В., Власенко О. М. и др. Разработка автоматизированной системы обнаружения дефектов на ткани с применением компьютерного зрения // Инженерный вестник Дона. — 2021. — № 12.
  3. Фарукшин И. К., Широков В. В., Звонарев Д. Ю. и др. Применение нейронной сети YOLO для определения дефектов на бесшовных кольцах // Вестник Южно-Уральского государственного университета. Серия: Металлургия. — 2024. — Т. 24, № 3. — С. 26–33. — DOI: 10.14529/met240303.
  4. Филиппов П. С., Греченева А. В., Никаноров М. С. Информационная система для обнаружения и классификации дефектов металлопрокатной продукции на базе искусственного интеллекта // Известия ТулГУ. Технические науки. — 2024. — Вып. 3. — С. 200–205.
  5. Малых Д. А., Ковалев И. А. Разработка структурной схемы программного модуля автоматизированного дефектоскопического анализа с применением компьютерного зрения // Вестник науки. — 2024. — № 5 (74). — С. 1449–1452. — EDN: VNPFCW.
  6. Кузнецова В. А., Маркидонов А. В. Распознавание дефектов на поверхности металла с использованием метода машинного обучения // Вестник Сибирского государственного индустриального университета. — 2025. — № 2 (52). — С. 85–91.
  7. Михалев О. Н., Янюшкин А. С. Машинное зрение и распознавание объектов с помощью нейронных сетей // Робототехника и техническая кибернетика. — 2022. — Т. 10, № 2. — С. 113–120. — DOI: 10.31776/RTCJ.10204.
  8. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. — Cham : Springer, 2015. — Lecture Notes in Computer Science. — Vol. 9351. — P. 234–241. — DOI: 10.1007/978-3-319-24574-4_28.
  9. Ganin Y., Ustinova E., Ajakan H. et al. DomainAdversarial Training of Neural Networks // Journal of Machine Learning Research. — 2016. — Vol. 17. — P. 1–35.
  10. Bergmann P., Fauser M., Sattlegger D. et al. MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. — 2019. — P. 9584–9592. — DOI: 10.1109/CVPR.2019.00982.