Выксунский завод ОМК, Выкса, Россия

М. Н. Шамшин, начальник лаборатории Инженерно-технологического центра (ИТЦ), эл. почта: Shamshin_MN@omk.ru
И. В. Михеев, главный специалист по внедрению продуктов ИТЦ, эл. почта: miheev_iv@omk.ru
А. В. Рыбаков, главный специалист по компьютерному зрению ИТЦ, канд. физ.-мат. наук, эл. почта: rybakov_av1@omk.ru

Астраханский государственный университет им. В. Н. Татищева, Астрахань, Россия

Р. Ю. Демина, доцент, канд. техн. наук, эл. почта: raisa.demina.91@mail.ru

Технологически сложные и потенциально опасные производства, к которым относят черную металлургию, имеют ряд задач, которые потенциально могут быть решены с использованием методов искусственного интеллекта. Одной из таких задач является проблема своевременного обнаружения поверхностных дефектов труб большого диаметра. К модели компьютерного зрения, предназначенной для облегчения труда дефектоскописта, выдвигают ряд требований: своевременность детектирования, правильность классификации и низкое число ложных срабатываний. Представлена методика разработки системы детектирования и классификации поверхностных дефектов на основе компьютерного зрения для труб большого диаметра. В результате анализа публикаций по тематике распознавания дефектов методами компьютерного зрения и на основе данных, полученных в реальных производственных условиях на площадке окончательного осмотра труб участка отделки Выксунского завода ОМК, сформулированы общие подходы к проектированию программного обеспечения, метрикам оценки моделей детектирования и классификации и последовательности действий персонала. В рамках работы представлен сравнительный анализ различных подходов к построению моделей компьютерного зрения. Предложена схема расчета разрешения и числа камер для эффективного использования технических мощностей. Архитектура программного обеспечения в совокупности с предложенным подходом к разметке обучающего множества позволяют более продуктивно и оперативно собирать обучающее множество. Разработанные методы и подходы в настоящий момент проходят апробацию и способствуют накоплению данных для последующей оценки их эффективности.

1. Zinyagin A. G., Muntin A. V., Tynchenko V. S., Zhikharev P. I. et al. Recurrent neural network (RNN)-based approach to predict mean flow stress in industrial rolling // Metals. 2024. Vol. 14. 1329. DOI: 10.3390/met14121329
2. Muravyov S. V., Pogadaeva E. Yu. Computer-aided recognition of defects in welded joints during visual inspections based on geometric attributes // Russ. J. Nondestruct. Test. 2020. Vol. 56, Iss. 3. P. 259–267. DOI: 10.1134/S1061830920030055
3. Sun J., Li C., Wu X. J., Palade V., Fang W. An effective method of weld defect detection and classification based on machine vision // IEEE Trans. Industr. Inform. 2019. Vol. 15, Iss. 12. P. 6322–6333. DOI: 10.1109/TII.2019.2896357
4. Fan X., Gao X., Liu G., Ma N., Zhang Y. Research and prospect of welding monitoring technology based on machine vision // Int. J. Adv. Manuf. Technol. 2021. Vol. 115. P. 3365–3391. DOI: 10.1007/s00170-021-07398-4
5. Li L., Xiao L., Liao H., Liu S., Ye B. Welding quality monitoring of high frequency straight seam pipe based on image feature // J. Mater. Process Technol. 2017. Vol. 246. P. 285–290. DOI: 10.1016/j.jmatprotec.2017.03.031
6. Hou W., Zhang D., Wei Y., Guo J., Zhang X. Review on computer aided weld defect detection from radiography images // Appl. Sci. 2020. Vol. 10, Iss. 5. 1878. DOI: 10.3390/app10051878
7. Boaretto N., Centeno T. M. Automated detection of welding defects in pipelines from radiographic images DWDI // NDT & E International. 2017. Vol. 86. P. 7–13. DOI: 10.1016/j.ndteint.2016.11.003
8. Valavanis I., Kosmopoulos D. Multiclass defect detection and classification in weld radiographic images using geometric and texture features // Expert Syst. Appl. 2010. Vol. 37, Iss. 12. P. 7606–7614. DOI: 10.1016/j.eswa.2010.04.082
9. Kazantsev I., Lemahieu I., Salov G. I., Denys R. Statistical detection of defects in radiographic images in nondestructive testing // Signal Proces. 2002. Vol. 82. P. 791–801. DOI: 10.1016/S0165-1684(02)00158-5
10. Zou Y., Du D., Chang B., Ji L., Pan J. Automatic weld defect detection method based on Kalman filtering for real-time radiographic inspection of spiral pipe // NDT & E International. 2015. Vol. 72. P. 1–9. DOI: 10.1016/j.ndteint.2015.01.002
11. Емельянова М. Г., Смаилова С. С., Бакланова О. Е. Обнаружение поверхностных дефектов сварных соединений при визуальном контроле методами машинного зрения // Компьютерная оптика. 2023. № 1. — URL: https://cyberleninka.ru/article/n/obnaruzhenie-poverhnostnyhdefektov-svarnyh-soedineniy-pri-vizualnom-kontrole-metodamimashinnogo-zreniya (дата обращения: 19.09.2024).
12. Severstal: Steel Defect Detection. — URL: https://www.kaggle.com/competitions/severstal-steel-defect-detection/overview (дата обращения: 19.09.2024).
13. Severstal: Steel Defect Detection. — URL: https://www.kaggle.com/competitions/severstal-steel-defect-detection/discussion/114254 (дата обращения: 19.09.2024).
14. Система распознавания дефектов. — URL: https://statanly.com/home/case/6 (дата обращения: 19.09.2024).
15. Контроль дефектов при горячей резке металла компьютерным зрени-ем. — URL: https://atomvestnik.ru/2024/04/01/umnaja-sistema-ml-senseot-nord-clan-na-predprijatii-rosatoma/ (дата обращения: 19.09.2024).
16. Ultralytics YOLOv8. — URL: https://docs.ultralytics.com/ru/models/yolov8/ (дата обращения: 19.09.2024).
17. Zhou M., Lu W., Xia J., Wang Y. Defect detection in steel using a hybrid attention network // Sensors. 2023. Vol. 23. 6982.
18. CVAT Documentation. — URL: https://docs.cvat.ai/docs (дата обращения: 19.09.2024).
19. Resnet101. — URL: https://pytorch.org/vision/main/models/generated/torchvision.models.resnet101.html (дата обращения: 19.09.2024).