УДК 621.74:004.932.2
DOI: 10.36871/26189976.2026.03-3.013

Авторы

Ренат Минзашарифович Хамитов,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

Рассмотрены вопросы интеграции алгоритмов компьютерного зрения на основе глубокого обучения в системы контроля качества литых изделий. Разработана архитектура программно-аппаратного комплекса автоматизированного рентгеновского контроля, обеспечивающего обработку данных в реальном времени. Предложена методика оптимизации нейронных сетей для развёртывания на периферийных вычислительных устройствах с сохранением точности обнаружения дефектов. Показана возможность масштабирования решения для различных типов литейного производства и интеграции с существующими MES/ERP-системами предприятий. Внедрение системы позволяет повысить эффективность контроля качества, снизить уровень брака иобеспечить соответствие продукции требованиям современных стандартов. Перспективы применения разработанного подхода включают адаптацию под задачи контроля сварных соединений, композитных материалов иаддитивных технологий.

Ключевые слова

контроль качества
компьютерное зрение
литейное производство
нейронные сети
автоматизированный контроль
рентгеновский контроль
Edge AI

Список литературы

[1] Горошков Б. И., Савинов А. В. Автоматизация контроля качества в литейном производстве. Челябинск: Изд-во ЮУрГУ; 2019. 245 с.

[2] ФГАУ «ЦИТ». Реестр наборов данных. Набор данных «Отливки». Версия 1. URL: https:// registry.cit.gov.ru/datasets/4ac572b3–5c6a‑4059–9035–98eb237ef27a (дата обращения: 26.02.2026).

[3] Шелепов В. Ю., Козлов Д. В. Рентгеновский контроль качества литых изделий в современном машиностроении // Литейное производство. 2020. № 5. С. 12–18.

[4] ASTM E94/E94M‑21. Standard Guide for Radiographic Examination. West Conshohocken: ASTM International; 2021.

[5] Bradski G. The OpenCV Library // Dr. Dobb’s Journal of Software Tools. 2000. Vol. 25, no. 11. P. 120–125.

[6] Campbell J. Complete Casting Handbook: Metal Casting Processes, Metallurgy, Techniques and Design. 2nd ed. Oxford: Butterworth-Heinemann; 2015. 832 p.

[7] Hinton G., Vinyals O., Dean J. Distilling the Knowledge in a Neural Network. arXiv preprint arXiv:1503.02531. 2015.

[8] Howard A. G., Zhu M., Chen B. et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv preprint arXiv:1704.04861. 2017.

[9] ISO 17636–1:2013. Non-destructive testing of welds. Radiographic testing. Part 1: X- and gamma-ray techniques with film. Geneva: ISO; 2013

[10] Jocher G. YOLOv5 by Ultralytics. GitHub repository. 2020. URL: https://github.com/ ultralytics/yolov5 (дата обращения: 26.02.2026)

[11] Jocher G., Chaurasia A., Qiu J. YOLOv8 by Ultralytics. GitHub repository. 2023. URL: https:// github.com/ultralytics/ultralytics (дата обращения: 26.02.2026)

[12] Mery D., Filbert D. Automated flaw detection in aluminum castings based on the tracking of potential defects in a radioscopic image sequence // IEEE Transactions on Robotics and Automation. 2002. Vol. 18, no. 6. P. 890–901. https://doi.org/10.1109/TRA.2002.805649

[13] Paszke A., Gross S., Massa F. et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library // Advances in Neural Information Processing Systems 32. 2019. P. 8024– 8035.

[14] Porter M. E., Heppelmann J. E. How Smart, Connected Products Are Transforming Competition // Harvard Business Review. 2014. Vol. 92, no. 11. P. 64–88.

[15] Schwab K. The Fourth Industrial Revolution. Geneva: World Economic Forum; 2016. 172 p.

[16] Stefanescu D. M. Science and Engineering of Casting Solidification. 3rd ed. Cham: Springer; 2015. 530 p.

[17] Stefanescu D. M., Wills A., Massone J., Evans L. Digitalization of Foundries: Current Status and Future Trends // International Journal of Metalcasting. 2021. Vol. 15, № 3. P. 789–807.

[18] Tabernik D., Šela S., Skvarč J., Skočaj D. Segmentation-based deep-learning approach for surface-defect detection. Journal of Intelligent Manufacturing. 2020;31(3):759–776. https:// doi.org/10.1007/s10845–019–01476‑x

[19] Wang P., Zhang H., Patel V. M. Deep learning for defect detection and classification in manufacturing: A review. Journal of Manufacturing Systems. 2022;63:1–18. https://doi. org/10.1016/j.jmsy.2022.03.001

[20] Zhang L., Zhang L., Zhang K., Tao D. Deep learning for industrial image inspection: A review // IEEE Transactions on Industrial Informatics. 2023. Vol. 19, no. 2. P. 1234–1245. https:// doi.org/10.1109/TII.2022.3141592.