Детальная информация

Данная работа посвящена созданию прототипа системы автоматического обнаружения дефектов на производственной линии на основе современных подходов глубокого обучения для обеспечения баланса между точностью и скоростью обработки. Задачи, которые решались в ходе исследования: Анализ традиционных методов компьютерного зрения и архитектур свёрточных нейронных сетей (Faster R-CNN, YOLO) с акцентом на точность и быстродействие. Подбор и предобработка открытого датасета NEU-DET (1800 изображений металлических поверхностей с шестью типами дефектов), включая масштабирование до 640×640, нормализацию, CLAHE и аугментацию (геометрические и фотометрические преобразования, Mosaic, MixUp). Обучение и сравнение моделей YOLOv8 и Faster R-CNN по метрикам точности (Precision, Recall, mAP@0.5) и скорости обработки (FPS). Разработка программного прототипа на базе PyTorch и OpenCV, пригодного для интеграции в производственную среду. В рамках настоящего исследования был использован открытый датасет NEU-DET, на основе которого собраны экспериментальные данные, включающие результаты обучения и тестирования двух моделей. Расчётные результаты наглядно продемонстрировали, что YOLOv8 достигает целевых показателей (точность >85%, FPS ≥10), обеспечивая работу в реальном времени, тогда как Faster R-CNN даёт более высокую точность, но уступает в скорости. В ходе анализа были применены методы глубокого обучения и компьютерного зрения с использованием библиотек PyTorch (построение и обучение нейронных сетей) и OpenCV (предобработка изображений). В конечном итоге был проведён сравнительный анализ двух архитектур — YOLOv8 и Faster R-CNN — по критериям точности и производительности. Предложены эффективные алгоритмические решения для автоматического контроля качества, включая конвейер аугментации данных и постобработку результатов детекции. На основе результатов моделирования для промышленного внедрения рекомендована модель YOLOv8 как обеспечивающая наилучший компромисс между точностью и скоростью в условиях реального времени. Для достижения указанных результатов в данном исследовании были использованы следующие информационные технологии, включая программное обеспечение, библиотеки и наборы данных: язык программирования Python 3, фреймворк PyTorch, библиотека компьютерного зрения OpenCV, средства аугментации (Albumentations), датасет NEU-DET, а также инструменты анализа метрик (например, matplotlib, pandas). Вычисления проводились на GPU с поддержкой CUDA.

This work is devoted to the development of a prototype system for automatic visual defect detection on a production line using deep learning techniques, with an emphasis on balancing accuracy and processing speed. Tasks solved during the research: Analysis of traditional computer vision approaches and modern convolutional neural network architectures (Faster R-CNN, YOLO) focusing on the trade-off between precision and speed. Selection and preprocessing of the public NEU-DET dataset (1800 images of metallic surfaces with six types of defects: cracks, inclusions, patches, pitted surfaces, rolled-in scale, and scratches), including scaling to 640×640, normalisation, CLAHE, and augmentation (geometric and photometric transformations, Mosaic, MixUp). Training and comparison of YOLOv8 and Faster R-CNN models based on accuracy metrics (Precision, Recall, mAP@0.5) and processing speed (FPS). Development of a software prototype based on PyTorch and OpenCV suitable for integration into a production environment. Within the framework of this study, the public NEU-DET dataset was used. Experimental data were collected, including training and testing results for both models. The calculated results clearly demonstrated that YOLOv8 meets the target indicators (accuracy >85%, FPS ≥10), ensuring real-time operation, while Faster R-CNN provides higher accuracy but is inferior in speed. The analysis employed deep learning and computer vision methods using the PyTorch library (building and training neural networks) and OpenCV (image preprocessing). Ultimately, a comparative analysis of the two architectures — YOLOv8 and Faster R-CNN — was performed based on accuracy and performance criteria. Effective algorithmic solutions for automatic quality control were proposed, including a data augmentation pipeline and post-processing of detection results. Based on the simulation results, the YOLOv8 model is recommended for industrial deployment as it provides the best compromise between accuracy and speed in real-time conditions. To achieve the indicated results, the following information technologies, including software, libraries, and datasets, were used in this research: Python 3 programming language, PyTorch framework, OpenCV computer vision library, Albumentations augmentation tools, the NEU-DET dataset, as well as metric analysis tools (e.g., matplotlib, pandas). Computations were performed on a GPU with CUDA support.