В.А. Емельянов1, Г.В. Феклин2, Н.Ю. Емельянова3

1-3 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

Постановка проблемы. Для решения задач контроля качества металлов на производстве применяются объективные физические методы диагностики их состояния объектов, к которым относятся неразрушающие методы и металлографический анализ. Повышение требований, предъявляемых к качеству черных металлов разных групп и классов, влечет за собой необходимость разработки моделей и средств автоматизированной диагностики состояния металлов и качества продукции. В проведенных ранее исследованиях при разработке рекомендаций по автоматизации металлографического контроля качества была установлена необходимость использования программных анализаторов изображений при обработке микроструктуры металла и отмечался недостаточный уровень автоматизации центральных заводских лабораторий промышленных предприятий. Так как с помощью используемых в настоящее время средств автоматизированной диагностики состояния металлов и качества продукции решить вопросы комплексной автоматизированной диагностики состояния металлов по всем характеристикам (химический состав, структура, свойства) невозможно, эта проблема остается актуальной.

Цель. Разработать средства для автоматизированной диагностики металлов по всем характеристикам, включая анализ химического состава, анализ структурной составляющей и свойств металла.

Результаты. Представлен алгоритм для автоматизации металлографического контроля качества металлов, основанный на использовании нейронных сетей для распознавания изображений микроструктур металлов и метода прецедентов для определения марки металла. Описан подход к предварительной обработке изображений микроструктур металлов. Предложена структура нейронной сети для определения количественных характеристик металлов и приведены результаты ее функционирования. Отмечена высокая точность определения характеристик металлов с помощью нейронных сетей. Разработано программное обеспечение для автоматизированного распознавания изображений микроструктур металлов и определения марки металла. Проведен сравнительный металлографический анализ с помощью разработанных средств.

Практическая значимость. Применение предложенных технологий искусственного интеллекта для оценки качества металлов на производстве позволяет сократить время анализа металлографических изображений в три раза, а также повысить точность определения количественных характеристик металлов.

Емельянов В.А., Феклин Г.В., Емельянова Н.Ю. Применение технологий искусственного интеллекта для оценки качества металлов на производстве // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 5. С. 28-35. DOI: https://doi.org/10.18127/j19998554-202205-03

1. Smallman R.E., Ashbee K.H.G. Modern Metallography: The Commonwealth and International Library: Metallurgy Division. Elsevier. 2013. 224 p.
2. Gordon Y., Kumar S., Freislich M., Yaroshenko Y. The modern technology of iron and steel production and possible ways of their development // Steel in Translation. 2015. V. 45. № 9. Р. 627-634.
3. Colpaert H. Metallography of Steels: Interpretation of Structure and the Effects of Processing // ASM International. USA. 2018. 699 p.
4. Martyushev N., Skeeba V. The method of quantitative automatic metallographic analysis // Journal of Physics: Conference Series. 803. 012094. 2017. DOI:10.1088/1742-6596/803/1/012094.
5. DeCost B.L., Holm E.A. A computer vision approach for automated analysis and classification of microstructural image data // Computational Materials Science. 2015. № 110. Р. 126-133.
6. Bezyazychnyi V.F., Palamar’ I.N., Azikov N.S. Automation of Analysis of the Structure of a Material with Details Based on Controlled Functional Systems // Journal of Machinery Manufacture and Reliability. 2020. № 49. Р. 341–346.
7. Wu W.-H., Lee J.-C., Wang Y.-M. A Study of Defect Detection Techniques for Metallographic Images // Sensors. 2020. № 20. Р. 5593.
8. Dali Chen, Yang Liu, Shixin Liu, Fang Liu, Yangquan Chen. Framework of Specific Description Generation for Aluminum Alloy Metallographic Image Based on Visual and Language Information Fusion // Symmetry. 2020. № 12. Р. 771.
9. Niezgoda S.R., Kanjarla A.K., Kalidindi S.R. Novel microstructure quantification framework for databasing, visualization, and analysis of microstructure data // Integrating Materials and Manufacturing Innovation. 2013. V. 2. № 1. Р. 1-27.
10. Lin J., Ma L., Yao Y. Segmentation of casting defect regions for the extraction of microstructural properties // Eng. Appl. Artif. Intell. 2019. V. 85. Р. 150–163.
11. Azimi S.M., Britz D., Engstler M., Fritz M., Mücklich F. Advanced steel microstructure classification by deep learning methods // Sci. Rep. 2018. № 8. Р. 2128.
12. Ma B., Ban X., Huang H., Chen Y., Liu W., Zhi Y. Deep learning-based image segmentation for al-la alloy microscopic images // Symmetry. 2018. № 10. Р. 107.
13. Инюхин М.В., Коржавый А.П., Максимов В.В., Шаталов В.К. Эффективная технология извлечения цветных металлов из жидких отходов производства // Наукоемкие технологии. 2021. Т. 22. № 1. С. 13−20.