аспирант
Россия
сотрудник
Россия
УДК 656.073 Управление грузовыми перевозками
Представлено исследование о применении модели нейронной сети YOLOv11 при радиографическом контроле. Цель: обоснование возможности применения YOLOv11 для автоматического обнаружения и визуализации дефектов на рентгенографических снимках сварных соединений. Методы: анализ современных инструментов и технологий, включая нейронные сети, а также представительные выборки порядка 100 размеченных изображений с различными типами дефектов и индикаторами качества изображения, дополненная аугментацией и предварительной фильтрацией снимков. Результаты: показано, что за счет использования усовершенствованного Backbone с модулями C3k2 и блока пространственного внимания C2PSA модель обеспечивает высокие значения показателей mAP@0,5–0,95 и уверенно распознает как крупные, так и слабоконтрастные малые дефекты при приемлемом времени обработки одного изображения. Практическая значимость: состоит в возможности интеграции YOLO11 в действующие системы неразрушающего контроля сварных швов.
нейронная сеть, рентгенографический контроль, дефектограммы, распознавание
1. Khanam R., Hussain M. YOLOv11: An Overview of the Key Architectural Enhancements // ArXiv. 2024. Vol. 2410.17725. 9 p. DOI:https://doi.org/10.48550/arXiv.2410.17725.
2. Ultralytics YOLO11. URL: http://docs.ultralytics.com/models/yolo11 (дата обращения: 01.12.2025).
3. Ultralytics YOLO11. Model Card. URL: http://huggingface.co/Ultralytics/YOLO11 (дата обращения: 01.12.2025).
4. Research on Object Detection and Recognition in Remote Sensing Images Based on YOLOv11 / L.-H. He [et al.] // Scientific Reports. 2025. Vol. 15. Art. 14032. 25 p. DOI:https://doi.org/10.1038/s41598-025-96314-x. EDN: https://elibrary.ru/EKHKDE
5. Кретов Е. Ф. Ультразвуковая дефектоскопия в энергомашиностроении. 4 е изд., перераб. СПб.: СВЕН, 2014. 312 с.
6. Kotthapalli M., Ravipati D., Bhatia R. YOLOv1 to YOLOv11: A Comprehensive Survey of Real-Time Object Detection Innovations and Challenges // ArXiv. 2025. Vol. 2508.02067. 13 p. DOI:https://doi.org/10.48550/arXiv.2508.02067.
7. Maity A., Ghosh T. Comparative Analysis of Object Detection Algorithms for Surface Defect Detection // ArXiv. 2025. Vol. 2510.21811. 14 p. DOI:https://doi.org/10.48550/arXiv.2510.21811.
8. Применение показателей достоверности для валидации методик неразрушающего контроля / Г. Я. Дымкин, В. Н. Коншина, К. Нокеманн, Г.-Р. Тиллак // Дефектоскопия. 2000. № 3. С. 75–84. EDN: https://elibrary.ru/MPGOKR
9. ГОСТ 7512–82. Контроль неразрушающий. Соединения сварные. Радиографический метод = Nondestructive testing. Welded joints. Radiography method: межгосударственный стандарт: введен в действие постановлением Государственного комитета СССР по стандартам от 20 декабря 1982 г. № 4923: дата введения: 1984-01-01. М.: Стандартинформ, 2008. 19 с.
10. Брехт Э. А., Коншина В. Н. Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте. 2022. № 2 (30). С. 41–47. DOI:https://doi.org/10.24412/2413-2527-2022-230-41-47. EDN: https://elibrary.ru/ZRAQDL
11. Pan K., Hu H., Gu P. WD-YOLO: A More Accurate YOLO for Defect Detection in Weld X-ray Images // Sensors. 2023. Vol. 23, iss. 21. Art. 8677. 16 p. DOI:https://doi.org/10.3390/s23218677. EDN: https://elibrary.ru/VXYRYT
12. ГОСТ 33514–2015. Продукция железнодорожного назначения. Правила верификации методик неразрушающего контроля = Railway application. Verification of nondestructive testing techniques. межгосударственный стандарт: введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 29 октября 2015 г. № 1662-ст: дата введения: 2016-08-01. М.: Стандартинформ, 2016. 16 с.
