Система обнаружения дефектов сварных соединений с использованием машинного зрения и сверточных нейронных сетей

В исследовании рассматривается применение системы машинного зрения, интегрированной со сверточной нейронной сетью (CNN), для обнаружения и классификации дефектов сварных соединений. Использование методов глубокого обучения направлено на повышение эффективности и надежности классификации дефектов. Предлагаемый метод не только снижает зависимость от участия человека, но и создает основу для автоматизированных систем контроля качества сварки. Разработана система машинного зрения на основе CNN для классификации дефектов сварных соединений на радиографических изображениях. В частности, для определения наиболее эффективного метода обнаружения и классификации дефектов сварки были применены и оценены два алгоритма трансферного обучения — ResNet-18 и ResNet-50. Набор данных включал три класса дефектов сварных соединений: трещины, непровар и пористость. Эффективность каждой модели CNN на основе ResNet оценивалась с использованием метрик качества и методов визуализации. Модель ResNet-50 показала наилучшие результаты и наиболее сильный отклик в областях дефектов сварных соединений, достигнув средней точности 96,061%. Модель продемонстрировала эффективность обнаружения и классификации дефектов, подтвердив свой потенциал для значительного повышения надежности и автоматизации их выявления и распознавания.