ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ КОНТРОЛЯ КАЧЕСТВА ДЕТАЛЕЙ В МАШИНОСТРОЕНИИ

В современных условиях высоких скоростей производственных линий и возрастающих требований к качеству продукции традиционный подход к контролю технологических процессов при помощи «человеческого глаза» становится малоэффективным. Ручная инспекция деталей на конвейере характеризуется высокой степенью субъективности и утомляемостью персонала. На смену ручному труду приходит полностью автоматический визуальный контроль с использованием технологий машинного зрения, способный повысить пропускную способность линий без ущерба для качества [1, с. 27].

Автоматизация процессов на основе цифровых технологий охватывает все уровни управления производством. Внедрение передовых средств компьютерного зрения является приоритетным направлением для развития и совершенствования систем контроля качества, позволяя практически полностью исключить человеческий фактор при выявлении микродефектов на поверхности металла [2, с. 46].

Практика внедрения подобных систем на крупных машиностроительных предприятиях подтверждает их эффективность. Например, опыт цифровой трансформации управления качеством в ПАО «ОДК-Сатурн» (система машинного зрения «Точка контроля») показывает, что автоматизированная инспекция лопаток газотурбинных двигателей многократно снижает нагрузку на контролеров и сводит к минимуму риск пропуска бракованных изделий на следующие этапы сборки [3, с. 114].

С технической точки зрения основу современных систем автоматической дефектоскопии составляют сверточные нейронные сети (CNN). Наибольшую популярность в промышленности приобрели алгоритмы семейства YOLO (You Only Look Once), которые позволяют в один проход не только классифицировать тип дефекта (царапина, трещина, окалина), но и точно локализовать его границы. Исследования доказывают, что применение моделей на базе YOLO обеспечивает высокую точность распознавания поверхностных дефектов на стальном прокате в режиме реального времени [4, p. 5].

Дальнейшее развитие данной архитектуры, в частности внедрение моделей поколения YOLOv8, позволило достичь высокоточных результатов. Усовершенствованные алгоритмы демонстрируют показатель средней точности (mAP — mean Average Precision) на уровне 98% при скорости обработки одного кадра менее 20 миллисекунд. Это позволяет беспрепятственно интегрировать их в высокоскоростные производственные потоки, где традиционные лазерные сканеры просто не успевают обрабатывать объем данных [5, p. 58].

Для наглядного сопоставления эффективности в таблице представлены усредненные технические характеристики различных методов дефектоскопии, полученные по результатам современных исследований.

Таблица 1.

Сравнительная характеристика методов контроля качества поверхностей

Анализ данных таблицы подтверждает, что технологии компьютерного зрения на базе современных нейросетей обеспечивают наилучший баланс между скоростью работы и точностью выявления брака. Несмотря на некоторую чувствительность камер к бликам и изменениям освещенности, скорость инференса алгоритмов в сотни раз превышает возможности аппаратных 3D-установок, а стоимость внедрения значительно ниже.

Подводя итоги, следует отметить, что применение систем компьютерного зрения в машиностроении является объективной необходимостью для конкурентоспособных предприятий. Дальнейшие исследования целесообразно направить на разработку легковесных нейросетевых архитектур, адаптированных для работы на маломощных периферийных контроллерах непосредственно у конвейерных линий.