УДК 004.932
ОБНАРУЖЕНИЕ ДЕФЕКТОВ КЕРАМИЧЕСКИХ ПОКРЫТИЙ МЕЛКОГАБАРИТНЫХ ИЗДЕЛИЙ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОМЫШЛЕННОГО КОНТРОЛЯ КАЧЕСТВА
С. В. Спицын, к.т.н., ведущий инженер-программист АО «Моринсис-Агат-КИП», доцент кафедры САПР ВС РГРТУ Рязань, Россия;
orcid.org/0000-0001-6468-5043, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
С. С. Румянцев, начальник отдела обеспечения ГОЗ АО «Моринсис-Агат-КИП», Рязань, Россия;
orcid.org/0009-0006-6102-3902, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Рассматривается технология применения свёрточных нейронных сетей для автоматизированного обнаружения и классификации дефектов на керамических покрытиях мелкогабаритных изделий в условиях промышленного контроля качества. Приведены результаты экспериментов, подтверждающие эффективность предложенного подхода, включая метрики оценки качества ML-модели и их численные показатели. Также представлены характеристики видеокамеры, использованной для получения изображений, размеры обучающей, тестовой и валидационной выборок. Актуальность исследования обусловлена необходимостью повышения эффективности контроля качества в масштабе промышленного производства, где традиционные методы визуального осмотра являются достаточно трудоемкими и дающими субъективный результат. Целью работы является повышение точности и скорости контроля качества мелкогабаритных керамических изделий путем использования передовых методов машинного обучения. В ходе исследования решались следующие задачи: сбор и разметка датасета изображений керамических покрытий, полученных с монохромной видеокамеры высокого разрешения по интерфейсу GigE Vision; обучение ML-модели для поиска трещин, сколов, пятен и других видов дефектов кера-мики, оптимизация гиперпараметров модели; оценка качества работы модели с использованием общепринятых метрик классификации и регрессии, таких как показатель средней точности mAP, precision, recal, и F1-score. Полученные результаты демонстрируют достаточно высокую эффективность предложенной технологии для автоматизации контроля качества мелкогабаритных керамических изделий, что позволяет значительно сократить время проверки изделия по сравнению с «ручным» осмотром.
Ключевые слова: машинное обучение, обнаружение дефектов, промышленный контроль качества, компьютерное зрение, свёрточные нейронные сети.