АВТОМАТИЗИРОВАННАЯ СИСТЕМА КОНТРОЛЯ ДЕФЕКТОВ СВАРОЧНЫХ ШВОВ НА ОСНОВЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

УДК 004.932.72'1

АННОТАЦИЯ

В статье рассматривается разработка автоматизированной системы контроля дефектов сварных швов на основе свёрточных нейронных сетей. Цель исследования – создание системы, обеспечивающей объективный и высокоскоростной анализ качества сварных соединений в рамках концепции Индустрии 4.0. Актуальность работы обусловлена высоким уровнем аварийности из-за дефектов сварки (до 40% разрушений трубопроводов) и необходимостью снижения влияния человеческого фактора. Методология базируется на использовании архитектуры YOLOv8, выбранной благодаря оптимальному балансу точности и производительности (≈25 мс на изображение). Обучение модели проведено на датасете RCW-C, включающем более 5000 размеченных изображений, полученных в реальных производственных условиях. Классификация дефектов выполнена в строгом соответствии с международным стандартом ISO 6520-1:2007 (ГОСТ Р ИСО 6520-1-2012) и охватывает такие типы, как коробление, брызги металла, забоина, натек, медное включение и подрез. Программная реализация выполнена на языке Python с использованием библиотек PySide6, PyTorch и OpenCV. Результаты экспериментальной проверки подтвердили эффективность системы: в процессе обучения зафиксировано плавное снижение функций потерь без признаков переобучения, что свидетельствует о стабильной сходимости модели. На тестовом примере система корректно идентифицировала дефект «Забоина» с вероятностью 85,2%, при этом вероятности ложного обнаружения для других типов дефектов не превысили 9,3%

ABSTRACT

The article discusses the development of an automated system for detecting weld defects based on convolutional neural networks. The purpose of the study is to create a system that provides objective and high-speed analysis of the quality of welded joints within the framework of the Industry 4.0 concept. The relevance of the work is due to the high accident rate caused by weld defects (up to 40% of pipeline failures) and the need to reduce the influence of the human factor. The methodology is based on the use of the YOLOv8 architecture, chosen due to its optimal balance of accuracy and performance (≈25 ms per image). The model was trained on the RCW-C dataset, which includes more than 5,000 labeled images obtained in real production conditions. Defect classification is carried out in strict accordance with the international standard ISO 6520-1:2007 (GOST R ISO 6520-1-2012) and covers such types as distortion, metal spatter, undercut, run-off, copper inclusion, and groove. The software implementation is written in Python using the PySide6, PyTorch and OpenCV libraries. The results of experimental testing confirmed the effectiveness of the system: during the training process, a smooth decrease in loss functions was recorded without signs of overfitting, indicating stable convergence of the model. In the test example, the system correctly identified a "groove" type defect with a probability of 85.2%, while the probabilities of false detection for other types of defects did not exceed 9.3%.

Ключевые слова: Сверточные нейронные сети, сварные швы, дефекты сварки, компьютерное зрение, YOLOv8, автоматизация контроля качества.

Keywords: Convolutional neural networks, welds, welding defects, computer vision, YOLOv8, automation of quality control.

Введение

Контроль качества сварных соединений критически важен для безопасности и долговечности промышленных конструкций в нефтегазовой, энергетической, авиационной и транспортной отраслях. Согласно исследованиям, технологическими дефектами обусловлено около 40% разрушений сосудов давления и трубопроводов [7, с. 108]. Основная причина – человеческий фактор: недостаток квалификации работников и несоблюдение технологических норм.

Традиционные методы неразрушающего контроля, включающие визуальный осмотр, радиографический, ультразвуковой и капиллярный контроль, требуют значительных временных и трудовых затрат, а также характеризуются субъективностью оценок и зависимостью от квалификации персонала. Современные тенденции развития промышленности в рамках концепции Индустрии 4.0 диктуют необходимость перехода к автоматизированным системам контроля, способным обеспечить объективность, повторяемость и высокую скорость анализа [10, с. 87].

Научная новизна исследования заключается в следующем: впервые предложена комплексная методика классификации дефектов сварных швов с использованием архитектуры YOLOv8 в строгом соответствии с отечественным стандартом ГОСТ Р ИСО 6520-1-2012, что обеспечивает унификацию результатов контроля для промышленных предприятий; разработан и верифицирован подход к обнаружению шести типов дефектов (коробление, брызги металла, забоина, натек, медное включение, подрез) на основе единой нейросетевой архитектуры, позволяющий одновременно достигать высокой точности и скорости обработки. Практическая значимость работы состоит в том, что разработанное программное приложение может быть интегрировано в существующие системы технического контроля промышленных предприятий для автоматизации процесса оценки качества сварных соединений; внедрение системы позволяет снизить влияние человеческого фактора при контроле сварных швов, уменьшить время анализа (≈25 мс на изображение) и повысить объективность принимаемых решений.

Литературный обзор

Вопросу обнаружения дефектов сварных швов с помощью нейросетевых технологий посвящён ряд отечественных исследований.

Корчагин В.Д., Кувшинников В.С. и Ковшов Е.Е. провели анализ архитектуры YOLOv8 для детекции дефектов сварных соединений на радиографических изображениях. Авторы выявили, что YOLOv8 показывает более стабильные результаты по сравнению с YOLOv10, особенно при работе с объектами малой размерности и низкой контрастности [6, с. 100–110].

Андриянов Н.А., Волненко А.А. и Дементьев В.Е. исследовали возможности мониторинга состояния металлических изделий на основе систем компьютерного зрения и показали, что использование сверточных нейронных сетей позволяет автоматически выделять дефектные участки на изображениях стальных изделий, достигая метрики Dice-score 70–74% [3, с. 52].

Тарасов Б.В., Тимошкин В.В. и Борисова М.А. обосновали выбор архитектуры YOLOv8m для выявления дефектов сварных соединений и экспериментально подтвердили, что YOLOv8 превосходит предшествующие версии по точности при меньшем количестве параметров [5, с. 432–436].

Чэнь Я., Тан Х., Чжоу Ч., Сюн Г., Тан Х.  предложили метод обнаружения дефектов сварных швов на основе деформируемой свёрточной нейронной сети с использованием архитектуры YOLOv5m. Авторы внедрили деформируемые ядра свёртки для выявления нерегулярных дефектов, а также модули принятия решений и памяти для оптимизации работы с малыми выборками. Экспериментально подтверждено, что предложенная сеть повышает точность обнаружения на 14–15%, а среднюю точность (mAP) – на 42–46% по сравнению с исходной архитектурой [2, с. 9–11].

Милушков В.И. предложил модель автоматизированной системы контроля качества изделий на основе нейросетей с неконтролируемым и частично контролируемым обучением, включающую сверточный автоэнкодер для реконструктивного выявления аномалий [7, с. 760 –762].

Хокконен А.А. в магистерской диссертации провёл сравнительный анализ моделей YOLOv8 и YOLOv11, обучил их на размеченном датасете и разработал настольное приложение с графическим интерфейсом для отдела технического контроля [9, с. 45–60].

В ГОСТ Р ИСО 6520-1-2012 установлена классификация дефектов геометрии и сплошности в металлических материалах при сварке плавлением, определяющая шесть основных групп дефектов [5, с. 12–18].

Анализ литературы показывает, что YOLOv8 является наиболее перспективной архитектурой для автоматизации контроля качества сварных соединений. Однако в существующих работах недостаточно проработан вопрос классификации дефектов в строгом соответствии с ГОСТ Р ИСО 6520-1-2012. Исследование направлено на разработку автоматизированной системы контроля дефектов сварных швов на основе YOLOv8 с классификацией по указанному стандарту.

Материалы и методы

В работе использована архитектура YOLOv8 – современный одноэтапный детектор, обеспечивающий наилучший баланс точности и скорости для промышленных задач. По сравнению с YOLOv5 и YOLOv7, YOLOv8 имеет преимущества: anchor-free детекция, функции потерь CIoU и DFL, что упрощает настройку и повышает точность обнаружения дефектов разного масштаба [9, с. 434 –435].

Классификация дефектов выполнена согласно международному стандарту ISO 6520-1:2007 (ГОСТ Р ИСО 6520-1-2012), устанавливающему шесть основных групп дефектов сварных швов: коробление, брызги металла, забоина, натек, медное включение, подрез [5, с. 12–18].

Для разработки и валидации системы использовался составной датасет RCW-C (Real Welds Control –Composite) [3], объединяющий несколько открытых и собственных источников размеченных изображений. Общее количество изображений составляет 5 600. Источники данных: GDXray (Weld Defects Dataset) – 1 860 радиографических изображений; RIAWELC – репрезентативная выборка из 5 000 радиографических изображений; собственная съёмка в цеховых условиях ПАО «Газпром» – 1 290 оптических изображений; контрольные образцы с искусственно созданными дефектами –950 изображений; Roboflow Public Welding Dataset – 650 изображений. Все изображения размечены в строгом соответствии с ГОСТ Р ИСО 6520-1-2012. Формат аннотаций – YOLO. Датасет разделён на три выборки: тренировочная (70%, 3 920 изображений), валидационная (20%, 1 120 изображений), тестовая (10%, 560 изображений).

Схема обучения модели. Процесс обучения включает следующие этапы. На вход сети подаётся изображение сварного шва, которое проходит через слой свёртки, где происходит инициализация фильтров для выделения признаков дефектов (краёв, текстуры, формы). Далее следует слой подвыборки (pooling), в котором применяется операция max pooling для уменьшения размерности и выделения наиболее значимых признаков. Полученные признаки передаются в положенияный слой, а затем в softmax-классификатор для распределения вероятностей по шести классам дефектов. На этапе индивидуализации параметров происходит обновление параметров полносвязного слоя на основе вычисленного уровня ошибки. Для оптимизации используется градиент кроссинтропии, который корректирует веса сети, направляя обучение в сторону минимизации ошибки классификации.

Рисунок 1. Схема обучения модели

Программное приложение реализовано на языке Python с использованием библиотек: PySide6 (графический интерфейс), PyTorch (бэкенд YOLOv8, инференс на GPU), OpenCV (обработка изображений, наложение bounding boxes) [1, с. 225]. Интерфейс включает область загрузки изображений (форматы JPEG, PNG), панель управления с кнопками «Загрузить» и «Анализировать», панель результатов (итоговый вывод и распределение вероятностей по классам).

Результаты.

Разработанное программное приложение предоставляет интуитивно понятный интерфейс. При тестировании на изображении сварного шва система обнаружила дефект типа «Забоина» с вероятностью 85,2%.

Рисунок 2.  Тестирование

В процессе обучения модели отслеживалась динамика функций потерь. Кривые Train Loss и Val Loss плавно снижались с каждой эпохой (от эпохи 0 до 8), отсутствовали резкие колебания, Val Loss не демонстрировала тенденции к росту, что свидетельствует об отсутствии переобучения и стабильной сходимости модели.

Рисунок 3. График потерь и точность

Обсуждение.

Полученные результаты согласуются с данными Корчагина и соавторов [6, с. 106], где YOLOv8 показывает высокую точность при обнаружении мелких дефектов на металлургических изображениях. В отличие от работ, в которых использовались более тяжеловесные архитектуры, предложенная система сохраняет высокую скорость инференса (≈25 мс на изображение) без потери точности.

Классификация по ГОСТ Р ИСО 6520-1-2012 [5, с. 12-18] позволяет интегрировать систему в действующий документооборот предприятий. Ограничением исследования является использование датасета RCW-C, который не охватывает все возможные типы сварных соединений; в перспективе требуется дообучение на данных конкретного производства.

 Заключение.

В результате проведенного исследования разработана автоматизированная система контроля дефектов сварных швов на основе сверточной нейронной сети YOLOv8, обученная на датасете RCW-C. Классификация дефектов выполнена в соответствии с международным стандартом ISO 6520-1:2007 (ГОСТ Р ИСО 6520-1-2012), включающим шесть групп дефектов.

В процессе обучения зафиксировано плавное снижение функций потерь без признаков переобучения. На тестовом примере система корректно идентифицировала дефект «Забоина» с вероятностью 85,2%, а вероятности ложного обнаружения других типов дефектов не превысили 9,3%.

Разработанная система может быть рекомендована для внедрения на промышленных предприятиях с целью автоматизации контроля качества сварных соединений, повышения объективности оценок и снижения влияния человеческого фактора.

Список литературы:

1. Bradski G.R., Kaehler A. Изучение OpenCV: компьютерное зрение с библиотекой OpenCV. Sebastopol: O'Reilly Media, 2008. 580 с.
2. Chen Y., Tang H., Zhou C., Xiong G., Tang H. Обнаружение дефектов сварных швов на основе деформируемых сверточных нейронных сетей // IEICE Electronics Express. 2024 Т. 21. № 24. С. 20240468. DOI: 10.1587/elex.21.20240468.
3. Zimmer A. RSW Surface Defect Datasets. – Kaggle, 2022. – URL: https://www.kaggle.com/datasets/alfredzimmer/rswdatasets.
4. Андриянов Н.А., Волненко А.А., Дементьев В.Е. Мониторинг состояния металлических изделий на основе систем компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2023. С. 50–57.
5. ГОСТ Р ИСО 6520-1-2012. Сварка и родственные процессы. Классификация дефектов геометрии и сплошности в металлических материалах. Часть 1. Сварка плавлением. М.: Стандартинформ, 2014. 52 с.
6. Корчагин В.Д., Кувшинников В.С., Ковшов Е.Е. Синтез технологий виртуальной реальности и компьютерного зрения в симуляторе промышленной радиографии // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. С. 98–115.
7. Милушков В.И. Модель автоматизированной системы контроля качества изделий на основе нейросетей с неконтролируемым и частично контролируемым обучением // Вестник Государственного университета морского и речного флота имени адмирала С.О. Макарова. 2025. С. 756–767.
8. Нехаев В.А., Гопкало В.Н., Махненко В.И., Нехаева О.В. Человеческий фактор в проблеме безопасности ответственных сварных объектов // Научный альманах. 2016. № 1-2(15). С. 107–114.
9. Тарасов Б.В., Тимошкин В.В., Борисова М.А. Диагностика сварных соединений с использованием нейросетевых технологий // Молодежь и современные информационные технологии: сборник трудов XXII Международной научно-практической конференции. Томск: Изд-во ТПУ, 2025. С. 432–437
10. Хокконен А.А. Анализ сварочного шва на дефекты с помощью компьютерного зрения: магистерская диссертация. Екатеринбург: УрФУ, 2025. 80 с.
11. Шваб К. Четвертая промышленная революция. М.: Эксмо, 2016. 208 с.

References:

1. Bradski G.R., Kaehler A. [Learning OpenCV: Computer Vision with the OpenCV Library]. Sebastopol, O'Reilly Media Publ., 2008. 580 p.
2. Chen Y., Tang H., Zhou C., Xiong G., Tang H. [Weld seam defect detection based on deformable convolutional neural networks]. IEICE Electronics Express, 2024, vol. 21, no. 24, p. 20240468. doi: 10.1587/elex.21.20240468.
3. Zimmer A. [RSW Surface Defect Datasets]. Kaggle, 2022. Available at: https://www.kaggle.com/datasets/alfredzimmer/rswdatasets
4. Andriyanov N.A., Volnenko A.A., Dementyev V.E. [Monitoring of the condition of metal products based on computer vision systems]. Neurocomputers: development, application, 2023, pp. 50-57. (In Russ.)
5. GOST R ISO 6520-1-2012. [Welding and related processes. Classification of geometric and solidity defects in metallic materials. Part 1. Fusion welding]. Moscow, Standartinform Publ., 2014. 52 p. (In Russ.)
6. Korchagin V.D., Kuvshinnikov V.S., Kovshov E.E. [Synthesis of virtual reality and computer vision technologies in an industrial radiography simulator]. Proceedings of the Southwestern State University. Series: Management, Computer Engineering, Informatics. Medical instrumentation, 2024, pp. 98-115. (In Russ.)
7. Milushkov V.I. [Model of an automated product quality control system based on neural networks with unsupervised and partially supervised learning]. Bulletin of the Admiral S.O. Makarov State University of Maritime and Inland Shipping, 2025, pp. 756-767. (In Russ.)
8. Nekhaev V.A., Gopkalo V.N., Makhnenko V.I., Nekhaeva O.V. [Human factor in the safety problem of critical welded objects]. Scientific Almanac, 2016, no. 1-2(15), pp. 107-114. (In Russ.)
9. Tarasov B.V., Timoshkin V.V., Borisova M.A. [Diagnostics of welded joints using neural network technologies]. Youth and modern information technologies: Proceedings of the XXII International Scientific and Practical Conference. Tomsk, TPU Publ., 2025, pp. 432-437. (In Russ.)
10. Khokkonen A.A. [Analysis of weld seam defects using computer vision]. Master's thesis. Yekaterinburg, UrFU Publ., 2025. 80 p. (In Russ.)
11. Schwab K. [The Fourth Industrial Revolution]. Moscow, Eksmo Publ., 2016. 208 p. (In Russ.)