Экспертно-ориентированный многоэтапный конвейер обработки изображений с поддержкой искусственного интеллекта для точного обнаружения дефектов сварных швов на радиографических снимках: пример применения в металлообрабатывающей промышленности

Expert-aware multi-stage AI-assisted image processing pipeline for accurate weld defect detection from radiographs: a use case for metal fabrication industries
Avishek Mukherjee, Surjya Kanta Pal, Umesh Paswan, Nisith Ranjan Mandal, Tapas Roy
2025-10-26

YOLO v11мультиметочная классификациянеразрушающий контрольрадиографические изображенияобнаружение дефектов сварных швов
Радиографический неразрушающий контроль имеет ключевое значение в судостроительной, автомобильной и аэрокосмической промышленности, однако ручная инспекция требует значительных трудозатрат и подвержена ошибкам. Хотя глубокое обучение обеспечивает автоматизацию, ему часто недостает объяснимости и экспертного уровня интерпретации. В статье представлен многоэтапный экспертно-ориентированный конвейер на основе искусственного интеллекта (ИИ) для автоматического обнаружения дефектов сварных швов на радиографических изображениях. Система ориентирована на выявление пяти распространенных дефектов: газовой раковины, пористости, червоточины, непровара и включения. Радиографические 16-битные изображения в формате Digital Imaging and Communications in Medicine (DICOM) улучшаются и преобразуются в 8-битные изображения в формате Portable Network Graphics (PNG) с использованием гистограммной коррекции контраста, управляемой предметно-ориентированными порогами. Зоны сварных швов обнаруживаются с помощью модели YOLOv11 (точность 97,2%) и разделяются на квадратные фрагменты. Каждый фрагмент проходит бинарную классификацию с использованием трансферного обучения (F1-мера: 97%) для различения дефектных и бездефектных областей. Дефектные фрагменты дополнительно анализируются многометочной классификацией для определения конкретных типов дефектов. Вторая модель YOLOv11 (точность 93,1%) локализует дефекты; затем они кластеризуются и оцениваются в соответствии со стандартами ISO/NES. Конвейер объединяет логику на основе правил, моделируемое зрительное внимание и обучение с учителем, воспроизводя методы экспертной инспекции. Точность системы составляет 96% по сравнению с оценками специалистов по контролю сварных соединений; это обеспечивает надежное, интерпретируемое и учитывающее специфику предметной области решение для автоматизированной оценки качества сварки.
1
Экспертно-ориентированный многоэтапный ИИ-конвейер автоматизирует обнаружение дефектов сварных швов на радиограммах, используя правила и имитацию визуального внимания.
2
Гистограммное улучшение преобразует 16-битные DICOM-радиограммы в 8-битные PNG-изображения, после чего YOLO v11 обнаруживает зоны сварных швов с точностью 97,2%.
3
Полный конвейер достигает точности 96% по сравнению с экспертами по контролю сварных швов и оценивает сгруппированные дефекты по стандартам ISO/NES.
4
Система предназначена для выявления пяти типов дефектов: газовых раковин, пористости, червоточин, непровара и включений.
5
Классификация на основе переноса обучения выявляет дефектные фрагменты с F1-мерой 97%, а вторая модель YOLO v11 локализует дефекты с точностью 93,1%.

дефекты сварных соединений изготовленных металлических конструкций на радиографических изображениях

автоматическое обнаружение, классификация, локализация и оценка дефектов сварных соединений на основе стандартов

Publication Details
Publication Date
2025-10-26
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Avishek Mukherjee
Surjya Kanta Pal
Umesh Paswan
Nisith Ranjan Mandal
Tapas Roy
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%