Детальная информация

Дорожное строительство играет ключевую роль в развитии страны, поддерживая национальные проекты, такие как "Безопасные качественные дороги". Однако сохранение качества и долговечности дорожных покрытий требует исключения ошибок, часто возникающих из-за устаревших стандартов оценки адгезии битума с минеральными материалами. Визуальные методы, закрепленные в ГОСТах прошлого века, не всегда обеспечивают высокую точность и объективность, приводя к значительным финансовым потерям при ремонте дорог. В связи с этим коллектив авторов разрабатывает цифровой сканирующий прибор для оценки образцов после адгезионных испытаний, используя машинное зрение и искусственный интеллект. Эта система минимизирует влияние человеческого фактора и увеличивает надежность результатов, что экономит ресурсы и время. Для достижения цели необходимо создать эффективный датасет, включающий разнообразные параметры материалов, условия испытаний и результаты в формате высококачественных изображений. Качество данных с точки зрения полноты, разнообразия и актуальности играет критическую роль в обучении нейросетевой модели. Такой подход к разработке обеспечит создание точной и надежной системы, способной существенно улучшить анализ адгезии и разработки в области материаловедения.

Road construction plays a crucial role in the development of a country, supporting national projects such as "Safe and High-Quality Roads." However, maintaining the quality and durability of road surfaces requires the elimination of errors, often arising from outdated standards for assessing the adhesion of bitumen with mineral materials. Visual methods, enshrined in last century's government`s standards, do not always provide high accuracy and objectivity, leading to significant financial losses in road repairs. In response, a team of authors is developing a digital scanning device for evaluating samples after adhesion tests, leveraging machine vision and artificial intelligence. This system minimizes human factor influence and increases result reliability, saving resources and time. Achieving the goal requires creating an effective dataset that includes diverse material parameters, testing conditions, and results in high-quality image format. The quality of data in terms of completeness, diversity, and relevance is critical to training the neural network model. This approach to development will ensure the creation of an accurate and reliable system, capable of significantly enhancing adhesion analysis and advancements in materials science.

"Современные подходы в системном инжиниринге и цифровом моделировании сложных производственных систем", Всероссийская научно-практическая конференция (Санкт-Петербург). Современные подходы в системном инжиниринге и цифровом моделировании сложных производственных систем: сборник трудов Всероссийской научно-практической конференции, 27–28 февраля 2025 года / Санкт-Петербургский политехнический университет Петра Великого; [редколлегия М. В. Болсуновская (ответственный редактор) [и др.]. — Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025. — 1 файл (13,9 Мб). — Загл. с титул. экрана. — Электронная копия печатной публикации 2025 г. — Доступ по паролю из сети Интернет (чтение, печать). — <URL:http://elib.spbstu.ru/dl/2/i26-189.pdf>. — DOI 10.18720/SPBPU/2/i26-189. — Текст: электронный