Молодежь и наука - третье тысячелетие: Материалы студенческой научно-практической конференции с международным участием

233 А. А. Харламов Институт передовых информационных технологий, IV курс (очная форма) Научный руководитель – А. Н. Привалов ТРАНСФОРМАЦИЯ ПРОМЫШЛЕННОЙ ДЕФЕКТОСКОПИИ С АЛГОРИТМАМИ YOLO Контроль качества и безопасности – основа современного производства и эксплуатации инфраструктуры. Своевременное выявление дефектов в раз- личных отраслях предотвращает значительные потери и риски. Традиционно дефектоскопия опиралась на опыт специалистов, однако этот подход имеет не- достатки: субъективность, ошибки из-за усталости, ограниченная скорость ос- мотра и высокие затраты на подготовку кадров. Эти ограничения стимулировали разработку автоматизированных систем, где прорыв обеспечили технологии ис- кусственного интеллекта (ИИ), особенно алгоритмы глубокого обучения для компьютерного зрения. Среди них выделяется семейство YOLO (You Only Look Once), кардинально меняющее подходы к промышленной дефектоскопии [5]. Алгоритмы YOLO – это однопроходные детекторы, анализирующие изоб- ражение целиком за один проход нейросети для одновременной локализации объектов и определения их классов. Изображение делится на сетку, и каждая ячейка предсказывает ограничивающие рамки (bounding boxes), оценку уверен- ности и вероятности классов для объектов, центры которых в нее попадают. Главное преимущество YOLO – высокая скорость работы, позволяющая обра- батывать десятки и сотни кадров в секунду на GPU, что идеально для интегра- ции в скоростные производственные линии и анализа видеопотоков в реальном времени (например, с конвейеров или БПЛА). Анализ всего изображения помо- гает учитывать глобальный контекст, снижая ложные срабатывания по сравне- нию с методами, обрабатывающими участки независимо [1, 2]. Семейство YOLO непрерывно развивается с 2015 года (с YOLOv2, YOLOv8 до YOLOv12), улучшая архитектуру сетей и методы обучения. Разра- ботчики ищут баланс между точностью (mAP), скоростью (FPS) и размером модели, предлагая варианты (n/s/m/l/x) для разных задач и платформ. Совре- менные версии часто поддерживают сегментацию экземпляров (точное опреде- ление контуров дефекта) и отслеживание объектов (мониторинг развития де- фекта или перемещения изделия). Для объективной оценки качества моделей YOLO используется метрика mAP (mean Average Precision) – средняя точность по всем классам дефектов, аг- регирующая производительность модели при разных порогах уверенности. Также важны Precision (Точность) и Recall (Полнота). В дефектоскопии часто критична максимизация полноты (минимизация пропущенных дефектов, FN), даже ценой некоторого снижения точности. Выбор модели и порога – компро- мисс, зависящий от задачи и цены ошибки [4]. Практика подтверждает высокую эффективность YOLO в промышленнос- ти. В нефтегазовой отрасли система искусственного анализа (СИА) от Универ-