|
DOI: 10.14489/td.2024.06.pp.060-071
Клейзер М. П., Кувшинников В. С., Ковшов Е. Е.
ПРИМЕНЕНИЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ ОБРАБОТКЕ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В НЕРАЗРУШАЮЩЕМ КОНТРОЛЕ
(c. 60-71)
Аннотация. Представлен обзор российских и зарубежных литературных источников по использованию технологий компьютерного зрения и сверточных искусственных нейронных сетей в технологических операциях визуального контроля. Рассмотрены научные статьи по методам и алгоритмам компьютерного зрения и искусственных нейросетевых моделей, методам предварительной обработки и расширения исходного набора данных для обучения рассматриваемых моделей и проверке корректности работы алгоритмов машинного зрения. Освещаются возможные подходы для автоматизации оценки визуального контроля качества в разных областях промышленности, представлены результаты исследований, работы алгоритмов машинного зрения, нейросетевых моделей и их показатели точности и эффективности, а также области и возможные сценарии применения алгоритмических решений. Приведены отдельные результаты работы алгоритмов машинного зрения, нейросетевых моделей, их показатели точности и эффективности.
Ключевые слова: автоматизация контроля, обнаружение дефектов, сверточные искусственные нейронные сети, неразрушающий контроль, машинное зрение, NDE 4.0.
Kleizer M. P., Kuvshinnikov V. S., Kovshov E. E.
CONVOLUTIONAL NEURAL NETWORKS USAGE FOR RASTER IMAGE PROCESSING IN NON-DESTRUCTIVE TESTING
(pp. 60-71)
Abstract. An overview of Russian and foreign literature sources on the use of computer vision technologies and convolutional artificial neural networks in technological operations of visual control is presented. Methods and algorithms review of computer vision and artificial neural network models used by the authors of scientific articles, methods of preprocessing and expanding the initial data set for models training under consideration and verifying the correctness of machine vision algorithms is carried out. Possible approaches for automating the assessment of visual quality control in various fields of industry are highlighted, research results, results of machine vision algorithms, neural network models, their accuracy and efficiency indicators are presented, as well as areas and possible scenarios for the application of the presented algorithmic solutions. Some results of machine vision algorithms, neural network models, their accuracy and efficiency indicators are presented.
Keywords: testing automation, defect detection, convolutional artificial neural networks, non-destructive testing, machine vision, NDE 4.0.
М. П. Клейзер (ФГБОУ ВО «МИРЭА – Российский технологический университет», Москва, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
В. С. Кувшинников, Е. Е. Ковшов (АО «Научно-исследовательский и конструкторский институт монтажной технологии – Атомстрой», Москва, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
M. P. Kleizer (Federal State Budget Education Institution of Higher Education “MIREA – Russian Technical University”, Moscow, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
V. S. Kuvshinnikov, E. E. Kovshov (Joint-Stock Company “Research and Development Institute of Construction Technology – Atomstroy”, Moscow, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Ковшов Е. Е., Кувшинников В. С., Казаков Д. Ф. Применение моделей цифровых двойников при формировании радиографического изображения в среде виртуальной реальности // Контроль. Диагностика. 2023. Т. 26, № 9. С. 4 – 15. DOI: 10.14489/td.2023.09.pp.004-015
2. Beskopylny A. N., Shcherban’ E. M., Stel’makh S. A., et al. Discovery and Classification of Defects on Facing Brick Specimens Using a Convolutional Neural Network // Appl. Sci. 2023. V. 13. P. 5413.
3. Xu S., Deng J., Huang Y., et al. Research on Insulator Defect Detection Based on an Improved MobilenetV1-YOLOv4 // Entropy. 2022. V. 24. P. 1588.
4. Hongyan Xu, Xiu Su, Yi Wang, et al. Automatic Bridge Crack Detection Using a Convolutional Neural Network // Appl. Sci. 2019. V. 9, No. 14. P. 2867.
5. Amini A., Gan T.-H. A Computer Vision-Based QualityAssessment Technique for R2RPrinted Silver Conductors on FlexiblePlastic Substrates // Appl. Sci. 2023. V. 13, No. 2. P. 1084.
6. Du F.-J., Jiao S.-J. Improvement of Lightweight Convolutional Neural Network Model Based on YOLO Algorithm and Its Research in Pavement Defect Detection // Sensors. 2022. V. 22, No. 9. P. 3537.
7. Емельянова М. Г., Смаилова С. С., Бакланова О. Е. Обнаружение поверхностных дефектов сварных соединений при визуальном контроле методами машинного зрения // Компьютерная оптика. 2023. Т. 47, № 1. С. 112 ‒ 117. DOI: 10.18287/2412-6179-CO-1137
8. Васильев М. Е., Коськин А. В., Шалимов А. С. Автоматизация обнаружения дефектов поверхностей изделий на основе сверточных нейронных сетей // Вестник компьютерных и информационных технологий. 2024. Т. 21, № 3. C. 30 – 36. DOI: 10.14489/vkit.2024.03.pp.030-036
9. Li L. F., Ma W. F., Li L., Lu C. Research on Detection Algorithm for Bridge Cracks Based on Deep Learning // Acta Autom. Sinica. 2019. V. 45, No. 9. P. 1727 – 1742.
10. Mingxing Tan, Ruoming Pang, Quoc V. Le EfficientDet: Scalable and Efficient Object Detection (arXiv:1911.09070 [cs.CV]) // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020.
11. Shu Liu, Lu Qi, Haifang Qin, et al. Path Aggregation Network for Instance Segmentation (arXiv:1803.01534 [cs.CV]). 2018.
12. Nixon M., Aguado A. Feature extraction and image processing for computer vision. 4th ed. Amsterdam: Elsevier, 2020. ISBN: 978-0-12-814976-8.
13. Корчагин В. Д., Кувшинников В. С., Ковшов Е. Е. Критериальный анализ моделей обработки данных радиационного неразрушающего контроля // International Journal of Open Information Technologies. 2024. Т. 12, № 4. С. 23 ‒ 31.
1. Kovshov E. E., Kuvshinnikov V. S., Kazakov D. F. (2023). The use of digital twins models while a radiographic image formation in a virtual reality environment. Kontrol'. Diagnostika, 26(9), 4 – 15. [in Russian language] DOI: 10.14489/td.2023.09. pp.004-015
2. Beskopylny A. N., Shcherban’ E. M., Stel’makh S. A. et al. (2023). Discovery and Classification of Defects on Facing Brick Specimens Using a Convolutional Neural Network. Applied Sciences, 13.
3. Xu S., Deng J., Huang Y. et al. (2022). Research on Insulator Defect Detection Based on an Improved MobilenetV1-YOLOv4. Entropy, 24.
4. Hongyan Xu, Xiu Su, Yi Wang et al. (2019). Automatic Bridge Crack Detection Using a Convolutional Neural Network. Applied Sciences, 9(14).
5. Amini A., Gan T.-H. (2023). A Computer Vision-Based QualityAssessment Technique for R2RPrinted Silver Conductors on FlexiblePlastic Substrates. Applied Sciences, 13(2).
6. Du F.-J., Jiao S.-J. (2022). Improvement of Light-weight Convolutional Neural Network Model Based on YO-LO Algorithm and Its Research in Pavement Defect Detection. Sensors, 22(9).
7. Emel'yanova M. G., Smailova S. S., Baklanova O. E. (2023). Detection of surface defects in welded joints during visual inspection using machine methods. Komp'yuternaya optika, 47(1), 112 ‒ 117. [in Russian language] DOI: 10.18287/2412-6179-CO-1137.
8. Vasil'ev M. E., Kos'kin A. V., Shalimov A. S. (2024). Automated defect detection on product surfaces based on convolutional neural networks. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, 21(3), 30 – 36. [in Russian language] DOI: 10.14489/vkit.2024.03.pp.030-036
9. Li L. F., Ma W. F., Li L., Lu C. (2019). Research on Detection Algorithm for Bridge Cracks Based on Deep Learning. Acta Automatica Sinica, 45(9), 1727 – 1742.
10. Mingxing Tan, Ruoming Pang, Quoc V. Le (2020). EfficientDet: Scalable and Efficient Object Detection. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). arXiv:1911.09070 [cs.CV].
11. Shu Liu, Lu Qi, Haifang Qin et al. (2018). Path Aggregation Network for Instance Segmentation. arXiv:1803.01534 [cs.CV].
12. Nixon M., Aguado A. (2020). Feature extraction and image processing for computer vision. 4th ed. Amsterdam: Elsevier. ISBN: 978-0-12-814976-8.
13. Korchagin V. D., Kuvshinnikov V. S., Kovshov E. E. (2024). Criteria analysis of radiation non-destructive testing data processing models. International Journal of Open Information Technologies, 12(4), 23 ‒ 31. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/td.2024.06.pp.060-071
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/td.2024.06.pp.060-071
and fill out the form
.
|
">
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»