Н.А. Андриянов1, А.А. Волненко2, В.Е. Дементьев3

1,2 Финансовый университет при Правительстве РФ (Москва, Россия)

3 Ульяновский государственный технический университет (г. Ульяновск, Россия)

Постановка проблемы. В настоящее время мониторинг различных объектов с помощью неинвазивных, т.е. без прямого контакта с объектом, методов активно развивается. Однако такой подход, во-первых, требует качественного оборудования для фото- и видеосъемки, а, во-вторых, предъявляет различные высокие требования к алгоритмам, реализующим такой мониторинг. В частности, должна быть достаточно высокая точность распознавания дефектов на изображениях металлических изделий. Тем не менее на основе подобной информационно-измерительной системы можно будет предлагать управляющие решения по замене того или иного элемента конструкции, или выявлять брак при производстве.

Цель. Разработать алгоритмы сегментации изображений стали для повышения качества распознавания дефектов на изображениях металлических изделий за счет применения трансформерных архитектур компьютерного зрения.

Результаты. Предствлены алгоритмы сегментации изображений стали на основе сверточных нейронных сетей, обеспечивающих метрику Dice-score на уровне 70%. Предложено использовать архитектуру SegFormer для повышения качества сегментации. Разработан новый алгоритм обработки изображений на базе архитектуры SegFormer, позволивший увеличить метрику Dice-score до 74%.

Практическая значимость. Разработанные алгоритмы распознавания дефектов стальных изделий могут быть использованы в ряде прикладных задач анализа изображений, таких как мониторинг состояний металлических конструкций, информационные системы поддержки принятия решений о замене элементов конструкции, выявление бракованных стальных изделий и другие.

Андриянов Н.А., Волненко А.А., Дементьев В.Е. Мониторинг состояния металлических изделий на основе систем компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 5. С. 50-57. DOI: https://doi.org/10.18127/j19998554-202305-07

1. Федосов А.В., Гайнуллина Л.А. Методы неразрушающего контроля // Электротехнические и информационные комплексы и системы. 2015. Т. 11. № 2. С. 73–78.
2. Васильев А.А., Горин Л.Н., Игошин Д.Н. Неразрушающий контроль и возможность его применения в авторемонтном производстве // Academy. 2017. Т. 1. № 6(21). С. 32–33.
3. Lee S., Chung Y., Kim W. Defect Recognition and Morphology Operation in Binary Images Using Line-Scanning-Based Induction Thermography // Applied Sciences. 2022. V. 12. P. 6006. DOI 10.3390/app12126006.
4. Kou J., Wang J., Ding J., Ge X. Spatial Simulation and Prediction of Land Use/Land Cover in the Transnational Ili-Balkhash Basin // Remote Sensing. 2023. V. 15. P. 3059. DOI 10.3390/rs15123059.
5. Zhang Y., Dian Y., Zhou J., Peng S., Hu Y., Hu L., Han Z., Fang X., Cui H. Characterizing Spatial Patterns of Pine Wood Nematode Outbreaks in Subtropical Zone in China // Remote Sensing. 2021. V. 13. P. 4682. DOI 10.3390/rs13224682.
6. Andriyanov N.A., Vasiliev K.K. Use autoregressions with multiple roots of the characteristic equations to image representation and filtering // Proceedings of the International Conference on Information Technology and Nanotechnology. 2018. P. 273–281. DOI 10.18287/1613-0073-2018-2210-273-281.
7. Васильев К.К., Дементьев В.Е., Андриянов Н.А. Анализ эффективности оценивания изменяющихся параметров дважды стохастической модели // Радиотехника. 2015. № 6. С. 12–15.
8. Васильев К.К., Дементьев В.Е., Андриянов Н.А. Обнаружение протяженных сигналов на фоне дважды стохастических изображений // Радиотехника. 2016. № 9. С. 23–27.
9. Андреева О.В., Цилих А.С. Распознавание дефектов в стали с помощью нейронных сетей и задачи их классификации // Сборник материалов XXVI Междунар. науч.-техн. конф. «Информационные системы и технологии ИСТ–2020». Нижний Новгород: Нижегородский государственный технический университет им. Р.Е. Алексеева. 2020. C. 919–923.
10. Гайдар А.И., Якимов П.Ю., Викторенков А.Е., Шустанов А.В. Детектирование и распознавание дефектов внутренней поверхности металлических труб // Сборник трудов по материалам VI Междунар. конф. и молодёжной школы «Информационные технологии и нанотехнологии» (ИТНТ–2020). Самара: Самарский национальный исследовательский университет имени академика С.П. Королева. 2020. Т. 4. С. 741–749.
11. Girshick R. Fast R-CNN // IEEE International Conference on Computer Vision. Santiago, Chile. 2015. P. 1440–1448. DOI 10.1109/ICCV.2015.169.
12. Andriyanov N., Dementiev V., Tashlinsky A. Deep Markov Models of Multidimensional Random Fields // Procedia Computer Science. 2020. V. 176. P. 1289–1298. DOI 10.1016/j.procs.2020.09.138.
13. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention. 2015. V. 9351. P. 1202–1216. DOI 10.1007/978-3-319-24574-4_28.
14. Xie E., Wang W., Yu Z., Anandkumar A., Alvarez J.M., Luo P. SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers // ArXiv. 2021. V. abs/2105.15203.
15. Андриянов, Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139–159. DOI 10.18287/2412-6179-CO-922.
16. Severstal: Steel Defect Detection | Kaggle. [Электронный ресурс] – Режим доступа: https://www.kaggle.com/c/severstal-steel-defect-detection, дата обращения: 16.06.2023.