Автоматизированный контроль угловых сварных швов на основе глубокого обучения по двумерным изображениям

В работе представлена автоматизированная система контроля сварки на основе нейронной сети, обученной на серии двумерных изображений сварных швов, полученных в рамках данного исследования. Метод обнаружения объектов основан на модели геометрического глубокого обучения с использованием сверточных нейронных сетей. После подробного анализа доступных решений, алгоритмов и сетей, основанных на данной сверточной стратегии, было установлено, что алгоритм You Only Look Once версии 8 (YOLOv8) является наиболее подходящим для обнаружения объектов благодаря своим характеристикам и производительности. В связи с этим было обучено несколько моделей, позволяющих системе прогнозировать определенные характеристики сварных валиков. На первом этапе прогнозировалась технология, использованная для формирования сварного валика, с различением двух процессов: дуговой сварки порошковой проволокой (Flux-Cored Arc Welding, FCAW) и дуговой сварки металлическим электродом в среде защитного газа (Gas Metal Arc Welding, GMAW) — двух преобладающих сварочных процессов, применяемых во многих отраслях, включая судостроение, автомобилестроение и авиационную промышленность. В следующем эксперименте прогнозировалось различие между качественно выполненным и дефектным сварным валиком. В заключительном эксперименте система могла определить, был ли сварной шов выполнен качественно, с различением трех возможных видов сварочных дефектов. Исследование продемонстрировало высокую эффективность во всех трех экспериментах, обеспечив отличные результаты как при бинарной классификации (в первых двух экспериментах), так и при многоклассовой классификации (в третьем эксперименте). Средняя доля правильных прогнозов во всех трех экспериментах превысила 97%.