РАСПОЗНАВАНИЕ ДЕФЕКТОВ НА ПОВЕРХНОСТИ МЕТАЛЛА С ИСПОЛЬЗОВАНИЕМ МЕТОДА МАШИННОГО ОБУЧЕНИЯ

В связи с увеличением требований к качеству продукции в металлургической и машиностроительной промышленностях возникает необходимость внедрения современных технологий для автоматического контроля качества. Поверхностные дефекты металлических изделий (трещины, царапины и включения) напрямую влияют на надежность и долговечность продукции. Традиционные методы визуального и оптического контроля требуют значительных временных и трудовых затрат, подвержены влиянию человеческого фактора и не всегда обеспечивают достаточную точность. В рамках исследования был проведен обзор современных публикаций, в которых рассматриваются подходы к автоматической классификации дефектов, а также обсуждаются возможности и ограничения архитектур нейронных сетей. Анализ источников позволил выявить тенденции развития в рассматриваемой области и обосновать выбор архитектуры модели. Предлагается подход к распознаванию дефектов на изображениях металлических поверхностей с использованием сверточных нейронных сетей. Разработана архитектура модели, включающая три сверточных слоя и полносвязные нейроны, оптимизированные с использованием функции активации ReLU, слоя Dropout и выходного слоя Softmax. Для обучения модели использовали открытый набор данных, содержащий 1800 черно-белых изображений с шестью различными типами дефектов. Точность классификации составила 95,83 %, а значение функции потерь ‒ 0,0862. При проверке на тестовой выборке модель верно распознала 70 из 72 изображений. Проведенное исследование подтверждает эффективность нейронных сетей в задаче обнаружения визуальных дефектов. Представленная модель может быть использована в системах автоматизированного контроля качества и дополнительно адаптирована под различные промышленные условия. В дальнейшем планируется оптимизация архитектуры модели для повышения устойчивости к шумам и вариативности данных.

1. Huang Y., Yu T., Wan K., Yuan J. Detection and classification of metal workpiece surface defects based on machine vision. 2021 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA). 2021:983–987.

2. https://doi.org/10.1109/AEECA52519.2021.9574344

3. Bai J., Wu D., Shelley T., Schubel P., Twine D., Russell J., Zeng X., Zhang J. A comprehensive survey on machine learning driven material defect detection: challenges, solutions, and future prospects. ACM Computing Surveys. 2024. https://doi.org/10.48550/arXiv.2406.07880

4. Zhou C., Lu Z., Lv Z. et al. Metal surface defect detection based on improved YOLOv5. Scientific Reports. 2023;13:20803.

5. https://doi.org/10.1038/s41598-023-47716-2

6. Chen S., Zhou F., Gao G., Ge X., Wang R. Unleashing the power of AI in detecting metal surface defects: an optimized YOLOv7-tiny model approach. PeerJ. Computer science. 2024;10:e1727. https://doi.org/10.7717/peerj-cs.1727

7. Huang Y.C., Hung K.C., Lin J.C. Automated machine learning system for defect detection on cylindrical metal surfaces. Sensors. 2022;22(24):9783. https://doi.org/10.3390/s22249783

8. Балеев И.А., Земцов А.Н., Зыбин М.И., Смирнов В.А. Распознавание дефектов на металлических сплавах с помощью алгоритмов компьютерного зрения OpenCV. Инженерный вестник Дона. 2021;3(75):78–87.

9. Погадаева Е.Ю. Распознавание дефектов сварных соединений по фотоизображению для проведения визуального контроля. Молодой ученый. 2020;43(333):5–9.

10. Румановский И.Г., Калинников Н. А., Никитин Н.А. Применение нейросетевых технологий для дефектоскопии железнодорожных путей. Вестник Тихоокеанского государственного университета. 2023; 4(71):25–40.

11. Dean K. Argonne scientists use AI to detect hidden defects in stainless steel. Nuclear News, 2025. URL: https://www.ans.org/news/article-6706/argonne-scientists-use-ai-to-detect-hidden-defects-in-stainless-steel. (Дата обращения: 10.04.2025).

12. Панова В.С., Кузнецова В.А., Панченко И.А. Применение нейронных сетей для прогнозирования свойств высокоэнтропийных сплавов. В кн.: Ультрамелкозернистые и наноструктурные материалы: Сборник трудов открытой школы-конференции стран СНГ. Уфимский университет науки и технологий. 2024:154.

13. Искусственный интеллект в металлургии: как его используют для обнаружения де-фектов. 2024. URL: https://indpages.ru/prom/ iskusstvennyj-intellekt-v-metallurgii-kak-ego-ispolzuyut-dlya-obnaruzheniya-defektov/ (Дата обращения: 10.04.2025).

14. Wang S., Xia X., Ye L., Yang B. Automatic detection and classification of steel surface defect using deep convolutional neural networks. Metals. 2021;11(3):388.

15. https://doi.org/10.3390/met11030388

16. Suh S. Optimal surface defect detector design based on deep learning for 3D geometry. Scientific Reports. 2025;15:5527.

17. https://doi.org/10.1038/s41598-025-88112-2

18. Keshinro B. Image detection and classification: a machine learning approach. 2022. http://dx.doi.org/10.2139/ssrn.4281011

19. Рыбаков К.М., Хамитов Р.М. Проблемы поверхностной дефектоскопии металлов с использованием машинного обучения и пути их решения. International Journal of Advanced Studies. 2024; 14(1):196–204. https://doi.org./10.12731/2227-930X-2024-14-1-289

20. Metal Surface Defects Dataset. Kaggle. URL: https://www.kaggle.com/datasets/fantacher/neu-metal-surface-defects-data/data?select =NEU+Metal+Surface+Defects+Data (Дата обращения: 25.03.2025).

21. Lv Q., Zhang S., Wang Y. Deep Learning Model of Image Classification Using Machine Learning. Advances in Multimedia. 2022; 3351256. https://doi.org/10.1155/2022/3351256

22. Pilyay A. I. Detection of defects in building materials using artificial intelligence systems. Construction and Architecture. 2023;11(1):20. https://doi.org/10.29039/2308-0191-2022-11-1-20-20

23. Cherkasov N., Ivanov S., Ivanov M., Ulanov A. Detection of defects in welded butt joints based on laser scanning: neural networks approach. In: International Ural conference on electrical power engineering (UralCon). 2023: 775–779. https://doi.org/10.1109/UralCon59258.2023.10291060

24. Al-Mamun A.M., Hossain M.R., Sharmin M.M. Detection and classification of metal surface defects using lite convolutional neural network (LCNN). Material Science & Engineering International Journal. 2024; 8(3): 72–76.

25. https://doi.org/10.15406/mseij.2024.08.00239