Милушков Виталий Игоревич — ассистент.
191023, Санкт-Петербург, наб. канала Грибоедова, 30–32
Vitaliy I. Milushkov — Assistant Lecturer Saint Petersburg State University of Economics.
30–32 Griboedov Canal Emb., St. Petersburg, 191023
В работе рассмотрена задача автоматизации визуального контроля качества сварных и корпусных конструкций в судостроении, когда надежность продукции и безопасность эксплуатации напрямую зависят от своевременного выявления дефектов. Показано, что традиционный оптический контроль основан на субъективной оценке экспертов и плохо масштабируется, а классические методы компьютерного зрения ограничены дефицитом размеченных данных и высокой вариативностью производственных условий. Для преодоления этих ограничений предложена строгая математическая модель, сочетающая механизмы неконтролируемого и частично контролируемого обучения. Архитектура включает три ключевых компонента: сверточный автоэнкодер, обучаемый на бездефектных эталонных образцах и обеспечивающий реконструктивное выявление аномалий; двухэтапную процедуру со скользящим окном и двумя порогами, позволяющую разделять слабовыраженные дефекты и шумы при контролируемом уровне ложных срабатываний; полуконтролируемую классификацию, основанную на контрастном обучении и графовых алгоритмах псевдоразметки (k-NN и распространение меток), что обеспечивает вовлечение масштабных массивов неразмеченных данных. Совместная оптимизация задач реконструкции и дискриминативного представления признаков позволяет согласовать критерии «нормальности» и устойчивой классификации. Экспериментальный анализ подтверждает, что предложенный подход позволяет выявить как ярко выраженные, так и малозаметные дефекты, снижает зависимость от ручной аннотации и легко интегрируется в цикл промышленного контроля качества. Научная новизна исследования заключается в разработке комплексной модели автоматизированного контроля качества промышленных изображений, интегрирующей реконструктивные, контрастивные и графовые методы. Практическая значимость состоит в возможности применения модели в судостроительном производстве для повышения воспроизводимости процедур контроля, снижения трудозатрат и обеспечения надежности выпускаемой продукции.
This paper addresses the problem of automated visual inspection of welded and hull structures in shipbuilding, where product reliability and operational safety critically depend on the timely and accurate detection of defects. Traditional optical inspection is limited by subjective human assessment and poor scalability, while conventional computer vision techniques suffer from data scarcity and variability of industrial environments. To overcome these limitations, an integrated mathematical framework is proposed that combines unsupervised and semi-supervised learning approaches. The architecture includes: (i) a convolutional autoencoder trained on defect-free reference samples for reconstruction-based anomaly detection; (ii) a two-stage sliding-window algorithm with dual thresholds for distinguishing weak defects from background noise under controlled false alarm rates; and (iii) a semi-supervised classification module that integrates contrastive learning with graph-based pseudo-labeling methods (k-NN and label propagation) to leverage large-scale unlabeled datasets. Joint optimization of reconstruction and discriminative representation aligns normality criteria with stable classification boundaries. Experimental validation confirms that the proposed method reliably detects both prominent and subtle defects, minimizes dependence on manual labeling, and can be seamlessly integrated into industrial quality assurance workflows. The main contribution lies in the development of a unified inspection model that fuses reconstruction-based, contrastive, and graph-driven approaches, demonstrating potential for improving reproducibility, reducing labor intensity, and enhancing the reliability of shipbuilding production.
The authors declare that there are no conflicts of interest present.