В Москве научили ИИ искать опасные трещины в металле во время производства
Специалисты Московского Политеха научили нейросеть автоматически выявлять трещины и другие дефекты в литых металлических деталях прямо в ходе производства. Сейчас этим занимаются люди, но нейросеть сможет делать это точнее и быстрее, рассказали "Газете.Ru" в университете.
Контроль качества отливок в машиностроении до сих пор во многом держится на ручном осмотре. Инспектор смотрит на деталь, оценивает поверхность — и либо пропускает ее 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 учетом контекста: характера поверхности, степени окисления, типа материала. Это принципиально другой уровень диагностики по сравнению с тем, что есть сейчас", — пояснил автор разработки Сергей Кузовов.
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.
По итогам работы должна появиться полностью интегрированная система, готовая к развертыванию в реальных производственных условиях: с документацией, руководством по использованию и подтвержденными метриками точности.