Модель автоматизированной системы контроля качества изделий на основе нейросетей с неконтролируемым и частично контролируемым обучением

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.

1. Милушков В. И. Интеграция гибридного полуконтролируемого и контрастного обучения для автоматической классификации дефектов в производственных данных: повышение точности контроля качества продукции / В. И. Милушков, Н. Н. Лиманский, В. Е. Марлей // Перспективы науки. — 2024. — № 6(177). — С. 81–86. — EDN FBGAFM.

2. Стебаков И. Н. Интеллектуальная диагностика неисправностей роторных систем / И. Н. Стебаков, А. В. Корнаев, Е. П. Корнаева // Энерго- и ресурсосбережение — XXI век : Материалы XIX международной научно-практической конференции, Орёл, 10–12 ноября 2021 года / Под редакцией А. Н. Качанова, Ю. С. Степанова. — Орёл: Орловский государственный университет имени И. С. Тургенева, 2021. — С. 100–105. — EDN HBWIFY.

3. Щетинин Е. Ю. Автоматическое обнаружение аномалий в электрокардиограммах методами генеративного машинного обучения / Е. Ю. Щетинин // Вестник компьютерных и информационных технологий. — 2022. — Т. 19. — № 6(216). — С. 51–59. DOI: 10.14489/vkit.2022.06.pp.051-059. — EDN ERIQHA.

4. Бирюлин К. Г. Методы обучения нейронных сетей / К. Г. Бирюлин // Современное профессиональное образование: опыт, проблемы, перспективы : Материалы VIII Международной научно-практической конференции. В 2-х ч., Ростов-на-Дону, 22 марта 2021 года. Том Часть 1. — Ростов-на-Дону: Южный университет (ИУБиП) «Издательство ВВМ», 2021. — С. 53–56. — EDN CYSHGL.

5. Мухачев П. А. Современные методы машинного обучения для анализа технического состояния космических аппаратов по данным телеметрической информации / П. А. Мухачев, Т. Р. Садретдинов, Д. А. Притыкин [и др.] // Автоматика и телемеханика. — 2021. — № 8. — С. 3–38. DOI: 10.31857/S0005231021080018. — EDN QNLLZZ.

6. Милушков В. И. Применение методов автоматического обнаружения аномалий в автоматизированном промышленном контроле изображений: возможности и перспективы / В. И. Милушков // Актуальные решения проблем водного транспорта : сборник материалов III Международной научно-практической конференции., Астрахань, 29–31 мая 2024 года. — Астрахань: Волжский государственный университет водного транспорта, 2024. — С. 85–88. — EDN XLELVP.

7. Милушков В. И. Обзор применения методов полуавтоматического и неуправляемого обучения для повышения эффективности автоматического промышленного контроля изображений / В. И. Милушков // 74-я Международная студенческая научно-техническая конференция : Материалы, Астрахань, 08–13 апреля 2024 года. — Астрахань: Астраханский государственный технический университет, 2024. — С. 597–598. — EDN NYEBIR.

8. Цыба Е. Н. Опыт применения автоэнкодеров при решении задач обнаружения аномалий во временных рядах измерительной информации / Е. Н. Цыба, О. А. Волкова, Н. А. Вострухов // Альманах современной метрологии. — 2024. — № 2(38). — С. 150–160. — EDN KITLEM.

9. He K. Momentum Contrast for Unsupervised Visual Representation Learning / K. He, H. Fan, Y. Wu, S. Xie, R. Girshick // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2020.

10. He K. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2016.

11. Hinton G. E. A Fast Learning Algorithm for Deep Belief Nets / G. E. Hinton, S. Osindero, Y-W. Teh // Neural Computation. — 2006. — Vol. 18. — Is. 7. — Pp. 1527–1554. DOI: 10.1162/neco.2006.18.7.1527.

12. Hu G. Unsupervised fabric defect detection based on a deep convolutional generative adversarial network / G. Hu, J. Huang, Q. Wang, J. Li, Z. Xu, X. Huang // Textile Research Journal. — 2020. — Vol. 90. — Is. 3–4. — Pp. 247–270. DOI: 10.1177/0040517519862880.

13. Tan Y. An Encoder-Decoder Based Approach for Anomaly Detection with Application in Additive Manufacturing / Y. Tan, B. Jin, A. Nettekoven, Y. Chen, Y. Yue, U. Topcu, A. Sangiovanni-Vincentelli // 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA) — 2019. — С. 1008–1015. DOI: 10.1109ICMLA.2019.00171.

14. Oh S. Automatic Detection of Welding Defects Using Faster R-CNN / S. Oh, M. Jung, C. Lim, S. Shin // Applied Sciences. — 2020. — Vol. 10. — Is. 23. DOI: 10.3390/app10238629.

15. Wan Y. Semi-Supervised Defect Detection Method with Data-Expanding Strategy for PCB Quality Inspection / Y. Wan, L. Gao, X. Li, Y. Gao // Sensors. — 2022. — Vol. 22. — Is. 20. DOI: 10.3390/s22207971.

16. Wang X. A new method for deep learning detection of defects in X-ray images of pressure vessel welds / X. Wang, F. He, X. Huang // Scientific Reports. — 2024. — Vol. 14. — Is. 1. — Pp. 6312.