«Приоритет 2030»: Ученые Московского Политеха учат нейросеть распознавать опасные трещины в металле
Нейросеть в связке с алгоритмами нечеткой логики сможет автоматически выявлять трещины и другие дефекты в литых металлических деталях прямо в ходе производства — точнее и быстрее, чем это делает человек. Такую систему разрабатывает доцент Московского Политеха Сергей Кузовов. О проекте рассказывает издание Газета.ru.
Контроль качества отливок в машиностроении до сих пор во многом держится на ручном осмотре. Инспектор смотрит на деталь, оценивает поверхность — и либо пропускает её дальше, либо отправляет в брак. Метод ненадежный: глаз устает, освещение меняется, трещина на сложной текстуре поверхности легко остается незамеченной. А горячая трещина в литой детали — это не косметический изъян. В авиации, автомобилестроении или энергетике такой дефект, пропущенный при контроле, может обернуться аварией уже в эксплуатации. При этом объемы производства на современных заводах таковы, что вручную проверить каждую деталь с нужной тщательностью практически невозможно.
Простые алгоритмы компьютерного зрения с этой задачей справляются лишь частично. Они неплохо работают в стабильных условиях, но теряются, как только ситуация усложняется: поверхность окислена, материал неоднороден, граница дефекта размыта или трещина маскируется под естественный рельеф детали. Результат — либо ложные срабатывания, либо пропущенные дефекты. Оба варианта дорого обходятся производству.
«Мы объединяем сверточную нейронную сеть, которая анализирует изображение детали, с нечеткой логикой, которая умеет работать с неопределенностью. Система не просто фиксирует трещину — она оценивает степень ее опасности с учётом контекста: характера поверхности, степени окисления, типа материала. Это принципиально другой уровень диагностики по сравнению с тем, что есть сейчас», — пояснил Сергей Кузовов.
В основе проекта — архитектуры глубокого обучения, хорошо зарекомендовавшие себя в анализе изображений. Нейросеть будет обучаться на размеченной базе снимков дефектных деталей: исследователи собирают и аннотируют изображения, фиксируя расположение, форму и характер каждого дефекта. Чем богаче и разнообразнее эта база, тем увереннее модель ведет себя на новых данных. Нечеткая логика возьмет на себя пограничные случаи — те, где стандартный алгоритм дал бы однозначный, но неверный ответ. Вместо жесткого «дефект есть» или «дефекта нет» система выдает взвешенную оценку с учетом всех факторов неопределенности.
Отдельная задача — научить систему не просто находить трещину, но и оценивать ее реальную опасность. Два дефекта одинакового размера могут представлять совершенно разную угрозу в зависимости от того, где именно они расположены, в каком материале и при каких нагрузках будет работать деталь. Интеграция нечеткой логики как раз и позволяет учитывать этот контекст, а не сводить все к простому пороговому значению.
По итогам работы должна появиться полностью интегрированная система, готовая к развертыванию в реальных производственных условиях: с документацией, руководством по использованию и подтверждёнными метриками точности. Исследование выполнялось при поддержке гранта конкурса молодежных научных проектов имени В. Е. Фортова.
Справка: грантовый конкурс имени В.Е. Фортова проводится в рамках федеральной программы «Приоритет 2030», в которой Московский Политех участвует со стратегическими проектами «Модульная платформа компактных электромобилей» и «Локализация автокомпонентов».
