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

1. 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.
2. Цибизова Т.Ю., Гузева Т.А. Системы автоматического управления технологическими процессами отверждения изделий из полимерных композитов // Клеи. Герметики. Технологии. 2015. № 5. С. 35–40.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. Rawat W., Wang Z. Deep convolutional neural networks for image classification: A comprehensive review // Neural computation. 2017. Т. 29. № 9. С. 2352–2449.
10. 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.
11. 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.