Статья
DOI:
Полный текст:
Представлены результаты разработанной модели детектирования объектов на рентгеновских снимках сварных соединений с использованием искусственной нейронной сети YOLOv5. Рационально выбранная модель позволила достичь наибольшей точности обнаружения объектов на рентгеновских снимках сварных швов. Подобрана метрика оценки точности работы нейросетевой модели. Обучение модели выполнялось на наборе данных, размеченных с помощью приложения “label-studio”. В результате получена модель, выполняющая детектирование маркировочных знаков на рентгеновских снимках с порогом обнаружения объектов 0,65 и значениями точность-полнота (Precision-Recall) на уровне 0,978. Точность (Precision) распознавания маркировочных знаков составила 97 %. Исследование показало, что предложенная модель может быть использована в программных решениях для автоматизиро-ванного радиационного неразрушающего контроля, повышая эффективность и достоверность оценки качества сварных соединений.
Бадалян В. Г., Вопилкин А. Х. Применение нейронных сетей в ультразвуковом неразру-шающем контроле (Обзор). Контроль. Диагностика, 2022, т. 25, № 5, c. 12–25.
Badalian V. G., Vopilkin A. Kh. Application of neural networks in ultrasonic non-destructive testing (review). Testing. Diagnostics. 2022, vol. 25, no. 5, pp. 12–25. (In Russ.)
Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. Москва: Финансы и статистика. 2004. 176 с.
Barskii A. B. Neural networks: recognition, control, decision making. Moscow: Finansy i statistika. 2004. 176 p. (In Russ.)
Брекоткин И. А., Рабовская М. Я. Применение нейронной сети для распознавания свароч-ных дефектов. Молодой ученый, 2024, № 19 (518), с. 9–13.
Brekotkin I. A., Rabovskaia M. Ia. Application of a neural network for recognition of welding defects. Young Scientist, 2024, no. 19 (518), pp. 9–13. (In Russ.)
Воробейчиков С. Э., Фокин В. А., Удод В. А., Темник А. К. Исследование двух алгоритмов распознавания образов для классификации дефектов в объекте контроля по его цифровому изображению. Дефектоскопия, 2015, № 10, с. 54–63.
Vorobeichikov S. E., Fokin V. A., Udod V. A., Temnik A. K. A study of two image recognition algorithms for the classification of flaws in a test object according to its digital image. Russian Journal of Nondestructive Testing, 2015, no. 10, pp. 54–63. (In Russ.)
Воробейчиков С. Э., Фокин В. А., Удод В. А., Темник А. К. Оценка эффективности двух алгоритмов сегментации цифрового радиационного изображения объекта контроля. Дефекто-скопия, 2017, № 2, с. 60–67.
Vorobeichikov S. E., Fokin V. A., Udod V. A., Temnik A. K. Estimating the efficiency of two segmentation algorithms of digital radiation images of test objects. Russian Journal of Nondestructive Testing, 2017, no. 2, pp. 60–67. (In Russ.)
Жигулин В. И., Шумилов К. А., Алфимов В. А. Анализ скорости работы и рекомендации при работе с нейронными сетями. Инженерно-строительный вестник Прикаспия, 2023,
№ 4 (46), с. 92–95.
Zhigulin V. I., Shumilov K. A., Alfimov V. A. Speed analysis and recommendations for working with neural networks. Engineering and Construction Bulletin of the Caspian Region, 2023,
no. 4 (46), pp. 92–95. (In Russ.)
Копылов Д. А., Агешин Е. С., Хомутская О. В. Формирование синтетических данных для обучения системы компьютерного зрения. Автоматизация и моделирование в проектировании и управлении, 2022, № 4 (18), с. 18–28.
Kopylov D. A., Ageshin E. S., Khomutskaia O. V. Forming synthetic data for training a computer vision system. Automation and Modeling in Design and Management, 2022, no. 4 (18), pp. 18–28. (In Russ.)
Корчагин В. Д., Кувшинников В. С., Ковшов Е. Е. Критериальный анализ моделей обра-ботки данных радиационного неразрушающего контроля. International Journal of Open Infor-mation Technologies, 2024, т. 12, № 4, с. 23–31.
Korchagin V. D., Kushinnikov V. S., Kovshov E. E. Criterion analysis of radiation nondestructive testing data processing models. International Journal of Open Information Technologies, 2024, vol. 12, no. 4, pp. 23–31. (In Russ.)
Косач А. А., Ковшов Е. Е. Автоматизация обработки данных неразрушающего контроля на основе искусственной нейронной сети. Cloud of Science, 2018, т. 5. № 3, с. 524–531.
Kosach A. A., Kovshov E. E. Automation of nondestructive testing data processing based on ar-tificial neural network. Cloud of Science, 2018, vol. 5, no. 3, pp. 524–531. (In Russ.)
Крылова Е. В., Орлов А. А., Пыткина Е. А. Повышение надежности и достоверности обна-ружения аномалий и дефектов при тепловом автоматизированном неразрушающем контроле металлических изделий сложной формы и внутренней структуры (на примере лопаток га-зотурбинных агрегатов). Тяжелое машиностроение, 2023, № 5–6, с. 17–22.
Krylova E. V., Orlov A. A., Pytkina E. A. Improving the reliability and accuracy of detecting anomalies and defects during thermal automated nondestructive testing of metal products of complex shape and internal structure (using the example of gas turbine engine blades). Heavy Engineering, 2023, no. 5–6, pp. 17–22. (In Russ.)
Кудояров Р. У., Багин А. С., Могильнер Л. Ю. Повышение выявляемости дефектов свар-ных швов труб большого диаметра в условиях заводов-изготовителей. Наука и технологии трубопроводного транспорта нефти и нефтепродуктов, 2016, № 4 (24), с. 78–83.
Kudoiarov R. U., Bagin A. S., Mogilner L. Iu. Improving detectability of welded joint defects in large pipes at the manufacturing site. Science & Technologies: Oil and Oil Products Pipeline Trans-portation, 2016, no. 4 (24), pp. 78–83. (In Russ.)
Маркевич А. В., Полякова М. А., Конищев А. В. О необходимости количественной оценки достоверности определения внутренних дефектов металлопроката. Контроль. Диагностика, 2025, том 28, № 2 (320), с. 30–37.
Markevich A. V., Poliakova M. A., Konishchev A. V. Assessment of the reliability while deter-mining internal defects in metal products. Testing. Diagnostics, 2025, vol. 28, no. 2 (320), pp. 30–37. (In Russ.)
Назаренко С. Ю., Удод В. А. Применение искусственных нейронных сетей в радиационном неразрушающем контроле. Дефектоскопия, 2019, № 6, с. 53–64.
Nazarenko S. Iu., Udod V. A. Application of artificial neural networks in radiation nondestructive testing. Russian Journal of Nondestructive Testing, 2019, no. 6, pp. 53–64. (In Russ.)
Соловьев А. Н., Соболь Б. В., Васильев П. В., Сеничев А. В., Новикова А. И. Идентифика-ция дефектов в клине с покрытием на основе методов ультразвукового неразрушающего кон-троля и сверточных нейронных сетей. Вестник ПНИПУ. Механика, 2023, № 1, с. 111–124.
Soloviev A. N., Sobol B. V., Vasiliev P. V., Senichev A. V., Novikova A. I. Identification of de-fects in a coating wedge based on ultrasonic non-destructive testing methods and convolutional neural networks. PNRPU Mechanics Bulletin. Mechanics, 2023, no. 1, pp. 111–124. (In Russ.)
Сотников А. Л., Муховатый А. А., Орлов А. А. Классификация методов неразрушающего контроля сварных соединений из меди, полученных сваркой трением с перемешиванием. Сварка и Диагностика, 2022, № 3, с. 19–24.
Sotnikov A. L., Mukhovaty A. A., Orlov A. A. Classification of nondestructive testing methods for copper welds obtained by friction stirring. Welding and Diagnostics, 2022, no. 3, pp. 19–24. (In Russ.)
Тетерин Д. А., Хабибулин Р. Ш., Гудин С. В. Обзор применения искусственных нейронных сетей в управлении социальными и экономическими системами. Научные ведомости. Серия: Экономика. Информатика, 2018, т. 45, № 3, с. 574–583.
Teterin D. A., Khabibulin R. Sh., Gudin S. V. Review of application of artificial neural networks in the management of social and economic systems. Belgorod State University. Scientific Bulletin. Series: Economics. Information technologies, 2018, vol. 45, no. 3, pp. 574–583. (In Russ.)
Троешестова Д. А., Абруков В. С. Решение прямых и обратных задач оптики на основе неполных данных. Вестник Чувашского университета, 2013, № 3, с. 63–67.
Troeshestova D. A., Abrukov V. S. Solution of direct and inverse problems of optics on incom-plete data. Bulletin of Chuvash University, 2013, no. 3, pp. 63–67. (In Russ.)
Троицкий В. А. Новые возможности радиационного контроля качества сварных соединений. Автоматическая сварка, 2015, № 7 (743), с. 56–60.
Troitskii V. A. New possibilities of radiation quality control of welded joints. Automatic welding, 2015, no. 7 (743), pp. 56–60. (In Russ.)
Что такое Google Colab и кому он нужен. Skillfactory media. Честные истории о карьере в IT. URL: (дата об-ращения: 05.03.2025).
What is Google Colab and Who Needs It. Skillfactory media. Honest IT career stories. Available at: (accessed: 05.03.2025). (In Russ.)
Lempitsky V., Kohli P, Rother C, Sharp T. Image Segmentation with a Bounding Box Prior. No-vember 2009 Proceedings. IEEE International Conference on Computer Vision. IEEE Xplore. 2009. 9 p.
Badalian V. G., Vopilkin A. Kh. Application of neural networks in ultrasonic non-destructive testing (review). Testing. Diagnostics. 2022, vol. 25, no. 5, pp. 12–25. (In Russ.)
Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. Москва: Финансы и статистика. 2004. 176 с.
Barskii A. B. Neural networks: recognition, control, decision making. Moscow: Finansy i statistika. 2004. 176 p. (In Russ.)
Брекоткин И. А., Рабовская М. Я. Применение нейронной сети для распознавания свароч-ных дефектов. Молодой ученый, 2024, № 19 (518), с. 9–13.
Brekotkin I. A., Rabovskaia M. Ia. Application of a neural network for recognition of welding defects. Young Scientist, 2024, no. 19 (518), pp. 9–13. (In Russ.)
Воробейчиков С. Э., Фокин В. А., Удод В. А., Темник А. К. Исследование двух алгоритмов распознавания образов для классификации дефектов в объекте контроля по его цифровому изображению. Дефектоскопия, 2015, № 10, с. 54–63.
Vorobeichikov S. E., Fokin V. A., Udod V. A., Temnik A. K. A study of two image recognition algorithms for the classification of flaws in a test object according to its digital image. Russian Journal of Nondestructive Testing, 2015, no. 10, pp. 54–63. (In Russ.)
Воробейчиков С. Э., Фокин В. А., Удод В. А., Темник А. К. Оценка эффективности двух алгоритмов сегментации цифрового радиационного изображения объекта контроля. Дефекто-скопия, 2017, № 2, с. 60–67.
Vorobeichikov S. E., Fokin V. A., Udod V. A., Temnik A. K. Estimating the efficiency of two segmentation algorithms of digital radiation images of test objects. Russian Journal of Nondestructive Testing, 2017, no. 2, pp. 60–67. (In Russ.)
Жигулин В. И., Шумилов К. А., Алфимов В. А. Анализ скорости работы и рекомендации при работе с нейронными сетями. Инженерно-строительный вестник Прикаспия, 2023,
№ 4 (46), с. 92–95.
Zhigulin V. I., Shumilov K. A., Alfimov V. A. Speed analysis and recommendations for working with neural networks. Engineering and Construction Bulletin of the Caspian Region, 2023,
no. 4 (46), pp. 92–95. (In Russ.)
Копылов Д. А., Агешин Е. С., Хомутская О. В. Формирование синтетических данных для обучения системы компьютерного зрения. Автоматизация и моделирование в проектировании и управлении, 2022, № 4 (18), с. 18–28.
Kopylov D. A., Ageshin E. S., Khomutskaia O. V. Forming synthetic data for training a computer vision system. Automation and Modeling in Design and Management, 2022, no. 4 (18), pp. 18–28. (In Russ.)
Корчагин В. Д., Кувшинников В. С., Ковшов Е. Е. Критериальный анализ моделей обра-ботки данных радиационного неразрушающего контроля. International Journal of Open Infor-mation Technologies, 2024, т. 12, № 4, с. 23–31.
Korchagin V. D., Kushinnikov V. S., Kovshov E. E. Criterion analysis of radiation nondestructive testing data processing models. International Journal of Open Information Technologies, 2024, vol. 12, no. 4, pp. 23–31. (In Russ.)
Косач А. А., Ковшов Е. Е. Автоматизация обработки данных неразрушающего контроля на основе искусственной нейронной сети. Cloud of Science, 2018, т. 5. № 3, с. 524–531.
Kosach A. A., Kovshov E. E. Automation of nondestructive testing data processing based on ar-tificial neural network. Cloud of Science, 2018, vol. 5, no. 3, pp. 524–531. (In Russ.)
Крылова Е. В., Орлов А. А., Пыткина Е. А. Повышение надежности и достоверности обна-ружения аномалий и дефектов при тепловом автоматизированном неразрушающем контроле металлических изделий сложной формы и внутренней структуры (на примере лопаток га-зотурбинных агрегатов). Тяжелое машиностроение, 2023, № 5–6, с. 17–22.
Krylova E. V., Orlov A. A., Pytkina E. A. Improving the reliability and accuracy of detecting anomalies and defects during thermal automated nondestructive testing of metal products of complex shape and internal structure (using the example of gas turbine engine blades). Heavy Engineering, 2023, no. 5–6, pp. 17–22. (In Russ.)
Кудояров Р. У., Багин А. С., Могильнер Л. Ю. Повышение выявляемости дефектов свар-ных швов труб большого диаметра в условиях заводов-изготовителей. Наука и технологии трубопроводного транспорта нефти и нефтепродуктов, 2016, № 4 (24), с. 78–83.
Kudoiarov R. U., Bagin A. S., Mogilner L. Iu. Improving detectability of welded joint defects in large pipes at the manufacturing site. Science & Technologies: Oil and Oil Products Pipeline Trans-portation, 2016, no. 4 (24), pp. 78–83. (In Russ.)
Маркевич А. В., Полякова М. А., Конищев А. В. О необходимости количественной оценки достоверности определения внутренних дефектов металлопроката. Контроль. Диагностика, 2025, том 28, № 2 (320), с. 30–37.
Markevich A. V., Poliakova M. A., Konishchev A. V. Assessment of the reliability while deter-mining internal defects in metal products. Testing. Diagnostics, 2025, vol. 28, no. 2 (320), pp. 30–37. (In Russ.)
Назаренко С. Ю., Удод В. А. Применение искусственных нейронных сетей в радиационном неразрушающем контроле. Дефектоскопия, 2019, № 6, с. 53–64.
Nazarenko S. Iu., Udod V. A. Application of artificial neural networks in radiation nondestructive testing. Russian Journal of Nondestructive Testing, 2019, no. 6, pp. 53–64. (In Russ.)
Соловьев А. Н., Соболь Б. В., Васильев П. В., Сеничев А. В., Новикова А. И. Идентифика-ция дефектов в клине с покрытием на основе методов ультразвукового неразрушающего кон-троля и сверточных нейронных сетей. Вестник ПНИПУ. Механика, 2023, № 1, с. 111–124.
Soloviev A. N., Sobol B. V., Vasiliev P. V., Senichev A. V., Novikova A. I. Identification of de-fects in a coating wedge based on ultrasonic non-destructive testing methods and convolutional neural networks. PNRPU Mechanics Bulletin. Mechanics, 2023, no. 1, pp. 111–124. (In Russ.)
Сотников А. Л., Муховатый А. А., Орлов А. А. Классификация методов неразрушающего контроля сварных соединений из меди, полученных сваркой трением с перемешиванием. Сварка и Диагностика, 2022, № 3, с. 19–24.
Sotnikov A. L., Mukhovaty A. A., Orlov A. A. Classification of nondestructive testing methods for copper welds obtained by friction stirring. Welding and Diagnostics, 2022, no. 3, pp. 19–24. (In Russ.)
Тетерин Д. А., Хабибулин Р. Ш., Гудин С. В. Обзор применения искусственных нейронных сетей в управлении социальными и экономическими системами. Научные ведомости. Серия: Экономика. Информатика, 2018, т. 45, № 3, с. 574–583.
Teterin D. A., Khabibulin R. Sh., Gudin S. V. Review of application of artificial neural networks in the management of social and economic systems. Belgorod State University. Scientific Bulletin. Series: Economics. Information technologies, 2018, vol. 45, no. 3, pp. 574–583. (In Russ.)
Троешестова Д. А., Абруков В. С. Решение прямых и обратных задач оптики на основе неполных данных. Вестник Чувашского университета, 2013, № 3, с. 63–67.
Troeshestova D. A., Abrukov V. S. Solution of direct and inverse problems of optics on incom-plete data. Bulletin of Chuvash University, 2013, no. 3, pp. 63–67. (In Russ.)
Троицкий В. А. Новые возможности радиационного контроля качества сварных соединений. Автоматическая сварка, 2015, № 7 (743), с. 56–60.
Troitskii V. A. New possibilities of radiation quality control of welded joints. Automatic welding, 2015, no. 7 (743), pp. 56–60. (In Russ.)
Что такое Google Colab и кому он нужен. Skillfactory media. Честные истории о карьере в IT. URL: (дата об-ращения: 05.03.2025).
What is Google Colab and Who Needs It. Skillfactory media. Honest IT career stories. Available at: (accessed: 05.03.2025). (In Russ.)
Lempitsky V., Kohli P, Rother C, Sharp T. Image Segmentation with a Bounding Box Prior. No-vember 2009 Proceedings. IEEE International Conference on Computer Vision. IEEE Xplore. 2009. 9 p.
Ключевые слова:
машинное обучение, компьютерное зрение, нейронные сети, оптимизаторы, маркировочный знак, детектирование объектов, рентгеновский снимок, сварное соединение, радиационный контроль
Для цитирования:
Сотников А. Л., Ковальчик Р. В., Орлов А. А. Разработка интеллектуальной системы распознавания объектов на рентгеновских снимках сварных соединений. Вестник Череповецкого государственного университета, 2026, № 1 (130), с. 47–65. https://doi.org/10.23859/1994-0637-2026-1-130-4; EDN: AZNZGI
Контент доступен под лицензией Creative Commons Attribution 4.0 License.