УДК 681.518.3:621.791
DOI: 10.36871/2618­-9976.2025.11.010

Авторы

Дмитрий Анатольевич Сергеев,
Кандидат экономических наук, доцент, Санкт-­Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия
Дмитрий Григорьевич Родионов,
Доктор экономических наук, доцент, Санкт­-Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия
Прохор Александрович Поляков,
Специалист НИЛ «Политех Инвест», Санкт­-Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия
Олеся Дмитриевна Старченкова,
Соискатель, Санкт­-Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия
Евгений Александрович Конников,
Кандидат экономических наук, доцент, Санкт-­Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия

Аннотация

В работе рассматривается применение методов искусственного интеллекта (ИИ) для анализа результатов активной лазерно­термографической  диагностики (АЛТД) изделий аддитивного производства. АЛТД представляет собой метод неразрушающего контроля, при котором поверхность изделия нагревается внешним лазерным воздействием, а инфракрасная камера регистрирует тепловой отклик; наличие внутренних дефектов (поры, непровары слоёв, трещины и пр.) проявляется в виде  локальных  аномалий  температуры.  Современные  аддитивные  технологии  порождают  сложные  внутренние  дефекты,  трудновыявимые  традиционными  методами  контроля качества. В связи с этим АЛТД  получает  всё большее распространение  как  один  из  ключевых  подходов  НК  для  аддитивных изделий. Центральное место в статье занимают три взаимосвязанных этапа (представлены в виде блок­схем) интеграции АЛТД с ИИ: планирование и выбор способа тепловой стимуляции/наблюдения; съём данных, их предобработка, выделение  признаков  и  нейросетевой  анализ;  принятие  решений  по качеству изделия, формирование обратной связи и обеспечение  трассируемости.  Проведен  обзор  современной  литературы,  преимущественно  в  журналах  MDPI,  посвящённой  использованию машинного  обучения  и  глубоких  нейросетей  в инфракрасной  термографии  и  дефектоскопии.  Отдельное  внимание  уделено  переходу  от  традиционных  физикоориентированных методов обработки термограмм (например, термографической  реконструкции  сигнала, фазовой  термографии,  анализа  скорости  охлаждения)  к  методам  глубинного обучения (сегментация и обнаружение дефектов с помощью CNN, U­Net, Vision Transformers и др.), а также вопросам  доверия  к  подобным  системам (калибровка  неопределённости и надёжности выводов). Приведены примеры, демонстрирующие, что объединение физических методов обработки  с  ИИ­моделями  позволяет  значительно  повысить  точность  и  достоверность  автоматического  обнаружения дефектов.  В  заключение  подчеркивается,  что  сочетание АЛТД  с  интеллектуальными  алгоритмами  обеспечивает  эффективный 100%­ный  контроль  критичных аддитивных компонентов  без  разрушения  изделия,  что  является  необходимым условием для сертификации и широкой промышленной реализации аддитивных технологий.

Ключевые слова

активная термография
лазерный нагрев
аддитивное производство
неразрушающий контроль
дефектоскопия
машинное обучение
глубокое обучение
сегментация
доверие к ИИ
неопределённость

Список литературы

[1] Конников Е.А., Поляков П.А., Старченкова О.Д., Сергеев Д.А. Инфометрический  метод  определения  эффективной  точки  сброса  гуманитарного  груза  с  БПЛА  в  условиях  ограниченности  вычислительных  ресурсов  //  Программные  системы  и  вычислительные методы. URL: https://nbpublish.com/library_read_ar­ticle.php?id=75338.

[2] Родионов Д.Г., Сергеев Д.А., Конников Е.А., Пашинина П.А. Анализ пространственновременных  закономерностей  движения  на  аэрофотоснимках  с  использованием  оптического  потока  //  Программные  системы  и  вычислительные  методы. 2025. № 2.  С. 204–216. DOI: 10.7256/2454­0714.2025.2.73781 EDN: BSDPGV URL: https:// nbpublish.com/library_read_article.php?id=73781.

[3] Родионов Д.Г., Сергеев Д.А., Конников Е.А., Попова С.Д. Метод анализа аэрофотоснимков  с  БПЛА  на  основе  SSIM  и  MSE  для  оценки  надежности  технических  систем  //  Программные  системы  и  вычислительные  методы. 2025.  №  2.  С. 217–230. DOI: 10.7256/2454­0714.2025.2.73765 EDN: BSPENZ URL: https://nbpublish.com/library_ read_article.php?id=73765.

[4] Сергеев Д.А., Родионов Д.Г., Поляков П.А., Голиков Г.И., Старченкова О.Д., Дмитриев Н.Д., Конников Е.А. Интеллектуальная система мониторинга и адаптации маршрута беспилотных летательных аппаратов на  основе нейросетевого анализа  объектов риска // Программные системы и вычислительные методы. 2025. № 1. С. 55­70. DOI: 10.7256/ 2454­0714.2025.1.73255 EDN: UZVYID URL: https://nbpublish.com/library_read_article.php?id=73255.

[5] Fang Q., Ibarra­Castanedo C., Garrido I., Duan Y., Maldague X. (2023). Automatic Detection and Identification of Defects by Deep Learning Algorithms from Pulsed Thermography Data. Sensors, 23(9), 4444.

[6] Garcia Rosa R., Barella B.P., Garcia Vargas I., Tarpani J.R., Herrmann H., Fernandes H. (2025). Advanced Thermal Imaging Processing and Deep Learning Integration for Enhanced Defect Detection in Carbon Fiber­Reinforced Polymer Laminates. Materials, 18(7), 1448.

[7] Garrido I., Erazo­Aux J., Lagüela S., Sfarra S., Ibarra­Castanedo C., Pivarčiová E., Gargiulo G., Maldague X., Arias P. (2021). Introduction of Deep Learning in Thermographic Monitoring of Cultural Heritage and Improvement by Automatic Thermogram Pre­Processing Algorithms. Sensors, 21(3), 750.

[8] Peng S., Addepalli S., Farsi M. (2025). Machine Learning in Thermography NonDestructive Testing: A Systematic Review. Applied Sciences, 15(17), 9624.

[9] Rodionov D., Lyamin B., Konnikov E., Obukhova E., Golikov G., Polyakov P. Integration of Associative Tokens into Thematic Hyperspace: A Method for Determining Semantically Significant Clusters in Dynamic Text Streams. Big Data Cogn. Comput. 2025, 9, 197. https://doi.org/10.3390/bdcc9080197.

[10] Rodríguez­Martín M., Fueyo J.G., Gonzalez­Aguilera D., Madruga F.J., García­Martín R., Muñoz Á.L., Pisonero J. (2020). Predictive Models for the Characterization of Internal Defects in Additive Materials from Active Thermography Sequences Supported by Machine Learning Methods. Sensors, 20(14), 3982.

[11] Szymanik B., Psuj G., Hashemi M., Lopato P. (2021). Detection and Identification of Defects in 3D­Printed Dielectric Structures via Thermographic Inspection and Deep Neural Networks. Materials, 14(15), 4168.