Все статьи автора в журнале: Демченко А.А.

1. Сверточная нейронная сеть в задаче идентификации и классификации дефектов на цилиндрических поверхностях

   Convolutional neural network in problem of identification and classification of defects on cylindrical surfaces

   Номер: 2023 / 11

   Башарина Т.А. | Basharina T.A. | Демченко А.А. | Demchenko A.A. | Ельцов И.С. | Eltsov I.S. | eltsov@interpolyaris.rueltsov@interpolyaris.ru

   Авторы статьи

   Authors

   Башарина Т.А.

   Basharina T.A.

   Демченко А.А.

   Demchenko A.A.

   Ельцов И.С.

   Eltsov I.S.

   eltsov@interpolyaris.ru

   eltsov@interpolyaris.ru

   ---

   Сверточная нейронная сеть в задаче идентификации и классификации дефектов на цилиндрических поверхностях

    

   УДК 621

   DOI: 10.36652/1813-1336-2023-19-11-526-528

    

   Представлены результаты экспериментальных исследований поверхностной дефектоскопии металлических цилиндрических изделий оптическим методом с применением сверточного нейросетевого алгоритма, показаны достоинства метода и выбран оптимальный порог достоверности, являющийся компромиссом между точностью и полнотой прогнозирования дефекта, а также проведена валидация работы системы с дефектами, расположенными под разными углами относительно оси изделия.

   ---

   Ключевые слова

   обработка изображений, сверточная нейронная сеть, поверхностные дефекты, неразрушающий контроль, дефектоскопия

   Convolutional neural network in problem of identification and classification of defects on cylindrical surfaces

   In all industries, an important characteristic of product quality is the integrity of the structure and the absence of mechanical damage, which determines the relevance of the development of flaw detection methods that meet the requirements for the safety and reliability of products. The article presents the results of experimental studies of surface flaw detection of metal cylindrical products by the optical method using a convolutional neural network algorithm, presents the advantages of the method and selects the optimal confidence threshold, which is a compromise between accuracy and completeness of defect prediction, and also validates the operation of the system with defects located at different angles relative to the axis of the product.

   ---

   Keywords

   imag e processing, convolutional neural network, surface defects, non-destructive testing, flaw detection