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

235 вызов – интерпретируемость моделей («черные ящики»), важная для критиче- ских приложений. Развитие объяснимого ИИ (XAI) и повышение робастности моделей к изменению условий съемки являются приоритетами. Ограничением остаются и вычислительные ресурсы, особенно для встраиваемых систем (Edge AI). Решения ищутся в оптимизации сетей и разработке энергоэффективных ускорителей. Рис. 1. Упрощенная схема взаимодействия оператора и системы дефектоскопии на базе YOLO Будущее дефектоскопии с YOLO связано с синергией нескольких направ- лений: совершенствование алгоритмов (точность, скорость, робастность, ин- терпретируемость); развитие мультимодальных систем, объединяющих данные с разных сенсоров; тесная интеграция с БПЛА, роботами, IoT, облачными платформами и цифровыми двойниками; улучшение человеко-машинных ин- терфейсов, возможно, с использованием AR/MR [2, 3, 6]. Алгоритмы YOLO стали катализатором прогресса в промышленной дефек- тоскопии. Обеспечивая высокую скорость и точность, они повышают эффек- тивность контроля качества, снижают издержки и повышают скорость обработ- ки снимков. Успешные внедрения в разных отраслях доказывают их практиче- скую значимость. Ключевой аспект – трансформация роли специалиста в сто- рону сотрудничества с ИИ. Дальнейшее развитие YOLO и их интеграция с дру- гими технологиями обещают новые прорывы, способствуя надежности и кон- курентоспособности промышленности. Литература 1. Астапова М. А., Уздяев М. Ю. Детектирование дефектов неисправных элементов линий электропередач при помощи нейронных сетей семейства YOLO // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4. URL: https://moitvivt.ru/ru/journal/pdf?id=1115 (дата обращения: 27.03.2025).