УДК 620.179.147
DOI: 10.34661/TM.2026.290.8.058
Е. В. СОЛДАТОВА, студент, А. О. КАТАСОНОВ, канд. техн. наук, доцент Алтайский государственный университет, г. Барнаул, С. А. ВОЙНАШ, мл. науч. сотр., Н. А. ЧЕРНЕЦКАЯ, канд. техн. наук, доцент Рубцовский индустриальный институт (филиал) ФГБОУ ВО "Алтайский государственный технический университет им. И. И. Ползунова", г. Рубцовск, Г. Е. КОКИЕВА, д-р техн. наук, доцент Бурятская государственная сельскохозяйственная академия им. В. Р. Филиппова, г. Улан-Удэ, Арктический государственный агротехнологический университет, г. Якутск, В. А. СОКОЛОВА, канд. техн. наук, доцент Санкт-Петербургский государственный университет промышленных технологий и дизайна, г. Санкт-Петербург
E-mail: sergey_voi@mail.ru
Нейронные сети и компьютерное зрение в неразрушающем вихретоковом контроле материалов
Статья посвящена разработке программно-аппаратного комплекса для вихретокового неразрушающего контроля материалов с интеграцией методов компьютерного зрения и нейросетевой обработки сигналов. Актуальность работы обусловлена возрастающими требованиями к тотальному контролю качества изделий в авиастроении, машиностроении и электронной промышленности, а также необходимостью не только обнаружения, но и классификации дефектов с определением их геометрических параметров. Для решения поставленной задачи авторы предлагают использовать сверхминиатюрный трансформаторный вихретоковый преобразователь с коническим ферритовым сердечником, обеспечивающим высокую локальность магнитного поля, а также автоматизированную систему позиционирования на базе трехосевого картезианского манипулятора. Особенность разработанного комплекса заключается в применении сверточной нейронной сети с архитектурой U-net для сегментации дефектных областей, что позволяет автоматизировать процесс идентификации неоднородностей и повысить достоверность контроля. В работе описана конструкция преобразователя, включающая генераторную, измерительную и компенсационную обмотки, а также представлены различные способы визуализации результатов сканирования (гистограммы, двумерные и трехмерные карты распределения амплитуды сигнала). Проведено обучение нейронной сети на датасете реальных измерений, показавшее высокую точность предсказания дефектов, и выполнен анализ износа ножа сельскохозяйственной техники с боридным упрочняющим покрытием. Полученные результаты свидетельствуют о высокой эффективности предложенного подхода и открывают перспективы для создания полностью автономных систем неразрушающего контроля, способных автоматически обнаруживать, классифицировать и визуализировать дефекты в реальном времени.
The article is devoted to the development of a software and hardware system for eddy current non-destructive testing of materials, integrating computer vision methods and neural network signal processing. The relevance of the work is driven by the increasing requirements for total quality control of components in the aerospace, mechanical engineering, and electronics industries, as well as the need not only to detect but also to classify defects while determining their geometric parameters. To solve this problem, the authors propose using a subminiature transformer-type eddy current probe with a conical ferrite core, which ensures high locality of the magnetic field, along with an automated positioning system based on a three-axis Cartesian manipulator. A unique feature of the developed system lies in the application of a convolutional neural network with the U-Net architecture for defect area segmentation, which enables automation of the anomaly identification process and enhances testing reliability. The paper describes the probe design, which includes exciting, sensing, and compensating coils, and presents various methods for visualizing scanning results (histograms, two-dimensional, and three-dimensional signal amplitude distribution maps). The neural network was trained on a dataset of real-world measurements, demonstrating high defect prediction accuracy, and an analysis of agricultural machinery knife wear with a boride hardening coating was performed. The results obtained indicate the high efficiency of the proposed approach and open up prospects for creating fully autonomous non-destructive testing systems capable of automatically detecting, classifying, and visualizing defects in real time.
Ключевые слова: вихретоковый контроль, ножи, нейронные сети, автоматизация
Key words: eddy current testing, knives, neural networks, automation