Т.Ю. Цибизова1, А. Абдерразек 2
1,2 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
Постановка проблемы. При изготовлении изделий и конструкций в современных технологических процессах используются различные методы сварного соединения. Актуальным является вопрос проверки качества сварных соединений. В данной статье рассматривается вопрос контроля качества сварных соединений с использованием методов интеллектуальных вычислений и алгоритмов машинного и глубокого обучения.
Цель. Разработать методики, основанные на компьютерных вычислениях, обеспечивающие безопасные бесконтактные и неразрушающие методы контроля качества сварных соединений. К таким методам можно отнести метод неразрушающего контроля получения изображения, метод выделения признаков для извлечения и преобразования признаков из изображения, классификатор для проведения процедуры классификации сварных соединений.
Результаты. Собрана база данных изображений сварных соединений. Изучена возможность использования сверточных нейросетевых моделей VGGNET и ALEXNET для классификации изображений сварных соединений. Созданы архитектуры сверточных моделей. Проведено обучение и тестирование моделей в среде MATLAB. Определена эффективность VGGNET и ALEXNET с точки зрения точности и скорости выполнения задач.
Практическая значимость. Показана возможность применения сверточных нейросетевых моделей ALEXNET и VGGNET для классификации сварных соединений, обеспечивая высокую точность контроля качества.
Цибизова Т.Ю., Абдерразек Абдесселлем. Использование сверточных сетей ALEXNET и VGGNET в задаче классификации изображений сварных соединений // Динамика сложных систем. 2022. Т. 23. № 2. С. 52−58. DOI: 10.18127/j19997493-202202-06
- Алешин Н.П., Гладков Э.А., Гаврилов А.И., Перковский Р.А., Рахматуллин Т.А. Реализация адаптивных технологий сварки кольцевых стыков магистральных трубопроводов // Сварка и диагностика. 2011. № 5. С. 49–53.
- Цибизова Т.Ю., Гузева Т.А. Системы автоматического управления технологическими процессами отверждения изделий из полимерных композитов // Клеи. Герметики. Технологии. 2015. № 5. С. 35–40.
- Гаврилов А.И., Гладков Э.А., Мин М.Т., Ситу А.С., Тхет А. Применение технологий цифровой обработки изображений в нейросетевых системах управления сварочным оборудованием // Интернет-журнал Науковедение. 2015. Т. 7. № 1 (26). С. 61.
- Овчинников В.В. Контроль качества сварных соединений: учебник для студ. учреждений сред. проф. образования. Изд. 5-е, стер. М.: Издательский центр «Академия». 2016. 208 с.
- Гладков Э.А., Перковский Р.А., Галкин В.А., Гецкин Б.Л., Гаврилов А.И., Бродягин В.Н. Автоматизированный комплекс для многослойной сварки кольцевых стыков труб магистральных трубопроводов со средствами адаптации и прогнозирования качества сварки // Наука и техника в газовой промышленности. 2009. № 4 (40). С. 77–86.
- Sudheera K., Nandhitha, N.M. Computer Aided Radiograph Interpretation Tool for Defect Characterization from Weld Plates. Russian Journal of Nondestructive Testing. 2019. V. 55. P. 481–488.
- Никишечкин А.П., Абдерразек А. Формирование примеров обучающей и тестовой выборки нейронной сети на принципах планирования экспериментов // Евразийский союз ученых. 2016. № 3–1 (24). С. 153–156.
- Искра Н.А. Подход к анализу изображений для систем технического зрения // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2020. Т. 18. № 2. С. 62–70.
- Rawat W., Wang Z. Deep convolutional neural networks for image classification: A comprehensive review // Neural computation. 2017. Т. 29. № 9. С. 2352–2449.
- Сергеев А.П. Тарасов Д.А. Введение в нейросетевое моделирование: учеб. пособие / Под общ. ред. А.П. Сергеева. Изд. 2-е, стер. М.: ФЛИНТА; Екатеринбург: Изд-во Уральского университета. 2020. 128 с.
- Yadav S.S., Jadhav S.M. Deep convolutional neural network based medical image classification for disease diagnosis. Journal of Big Data. 2019. Т. 6. №1. С. 113.