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

234 ситета Иннополис для «Газстройпрома» анализирует рентгенограммы сварных швов, обнаруживая дефекты от 0,1 мм с точностью ≥ 98 %, ускоряя процесс в 30 раз [5]. В энергетике БПЛА с YOLO-системами автоматизируют инспек- цию ЛЭП, обнаруживая дефекты изоляторов и проводов с mAP@0.5 до 0,97 [2]. В производстве электроники YOLOv5 достигает mAP 99,74% при контроле пай- ки и монтажа на печатных платах, используя продвинутые техники аугментации [7]. В строительстве YOLO применяется для обнаружения повреждений (тре- щин, сколов) на фасадах и конструкциях по фото/видео с земли или БПЛА [3]. Инновационные подходы расширяют применение YOLO. Ученые МАИ использовали синтетические данные для обучения модели, которая успешно решает задачи дефектоскопии труб ТЭЦ и считывания показаний приборов с БПЛА [6]. Исследователи из Нанкина разработали мультимодальный алго- ритм (видимый + ИК диапазон) для обнаружения объектов с БПЛА с mAP 99,6 % [2]. Результаты обобщены в табл. 1. Таблица 1 Примеры эффективности YOLO в задачах промышленной дефектоскопии Отрасль / Задача Используемая версия / Подход Ключевые результаты (Точность) Контроль сварных швов (Нефтегаз) СИА (на базе ИИ) Точность ≥ 98 % (дефекты от 0,1 мм), скорость ×30 Диагностика ЛЭП (Энергетика) YOLOv3, YOLOv4 mAP@0.50 = 0,97 ± 0,03 Контроль печатных плат (Электроника) YOLOv5 mAP = 99,74 % Обнаружение объектов с БПЛА Мультимодальный YOLO mAP = 99,6 % Обследование фасадов (Строительство) YOLO + CNN Эффективное обнаружение повреждений Мониторинг приборов (ТЭЦ) YOLO (обучен на синтетике) Успешное распознавание показаний Внедрение ИИ не устраняет человека, а трансформирует его роль в сторо- ну человеко-машинного взаимодействия. ИИ становится помощником, беря на себя рутинный поиск дефектов. Специалист фокусируется на задачах высшего уровня [5]: верификация результатов ИИ (особенно в сложных или критических случаях), анализ нетипичных дефектов, выявление причин их появления и уп- равление жизненным циклом ИИ-системы (обратная связь, дообучение). Это требует от дефектоскопистов новых компетенций: понимания принципов ИИ, умения работать с автоматизированными системами и критически оценивать их результаты (рис. 1). Несмотря на успехи, существуют и вызовы. Требуются большие и каче- ственно размеченные наборы данных, создание которых дорого. Развиваются методы для снижения этой зависимости: обучение на малых данных, без учите- ля, трансферное обучение и использование синтетических данных [6]. Другой