Применение нейронных сетей в распознавании индикаций при магнитопорошковом контроле деталей железнодорожного транспорта
EDN: AEOTJK
Аннотация
В статье рассмотрены вопросы применения сверточных нейронных сетей для обнаружения и классификации дефектов, выявляемых при магнито-порошковом контроле деталей и составных частей подвижного состава железных дорог. Предложен вариант алгоритма построения нейронной сети на базе существующей среды программирования Google Colab, библиотек Tensor Flow и Keras и языка программирования Python.
Об авторах
А. Г. Отока
Белорусский государственный университет транспорта
(БелГУТ); Гомельское вагонное депо РУП «Гомельское отделение Белорусской железной дороги»
Беларусь
Беларусь
Отока Александр Генрикович, аспирант кафедры «Вагоны»; начальник пункта технического обслуживания вагонов Гомель-пассажирский
Р. Р. Икака
ОАО «СтанкоГомель»
Беларусь
Беларусь
Икака Ричард Робертович, инженер-конструктор
О. В. Холодилов
Белорусский государственный университет транспорта
(БелГУТ)
Беларусь
Беларусь
Холодилов Олег Викторович, доктор технических наук, профессор кафедры «Вагоны»
Список литературы
1. Alex Krizhevsky lya Sutskever Geoffrey E. Hinton ImageNet Classification with Deep Convolutional Neural Networks //Advances in Neural Information Processing Systems 25; Edited by: F. Pereira and C.J. Burges and L. Bottou and K.Q. Weinberger (NIPS 2012), pp. 1097-1105.
2. Jaswal, Deepika & Vishvanathan, Sowmya & Kp, Soman. Image Classification Using Convolutional Neural Networks. International Journal of Scientific and Engineering Research. 5, рp. 1661-1668. 10.14299/ijser.2014.06.002.
3. Chauhan, Rahul & Ghanshala, Kamal & Joshi, R. (2018). Convolutional Neural Network (CNN) for Image Detection and Recognition, pp. 278-282. 10.1109/ICSCCC.2018.8703316.
4. Назаренко, С. Ю. Применение искусственных нейронных сетей в радиационном неразрушающем контроле / С. Ю. Назаренко, В. А. Удод. - Текст : непосредственный // Дефектоскопия. - 2019. - № 6. - С. 54-70.
5. Поляков, А. В. О применении сверточных нейронных сетей при решении задачи неразрушающего контроля изделий / А. В. Поляков. - Текст : непосредственный // Успехи современной науки. - 2017. - Т. 1, № 5. - C. 200-210.
6. Стенюшкин, В. В. Применение искусственных нейронных сетей в задачах ультразвукового неразрушающего контроля / В. В. Стенюшкин, Г. Ю. Гуськов, В. В. Шишкин. - Текст : непосредственный // Теоретические и практические аспекты развития отечественного авиастроения: тезисы Всероссийской научно-технической конференции. - Ульяновск : УлГТУ. - 2016. - С. 43-45.
7. Возможность применения искусственных нейронных сетей для распознавания АЭ образов / С. К. Фомичев и [др.]. - Текст : непосредственный // J. of Mech. Eng. NTUU «Kyiv Polytechnic Institute». - 2011. - Т. 1, № 61. - С. 199-203.
8. Применение нейронных сетей для распознавания конструктивных элементов рельсов на магнитных и вихретоковых дефектограммах / Е. В. Кузьмин и [др.]. - Текст : непосредственный // Моделирование и анализ информационных систем. - 2018. - № 25(6). - С. 667-679.
9. Вавилов, В. П. Активный тепловой контроль композиционных материалов с использованием нейронных сетей / В. П. Вавилов, Д. А. Нестерук. - Текст : непосредственный // Дефектоскопия. - 2011. - №10. - С. 10-18.
10. Huipeng Yu, Maodong KANG, Chengyang Ding et al. An automated fluorescent defect detection system in precision castings by convolutional neural network, 15 September 2023, PREPRINT (Version 1) available at Research Square. - doi:org/10.21203/rs.3.rs-3337794/v1.
11. Холичев, Д. Д. Исследование возможности применения нейронных сетей для решения задач капиллярной дефектоскопии / Д. Д. Холичев, Анваржон Ганижон угли Хоназаров. - Текст : непосредственный // Ресурсосберегающие технологии в контроле, управлении качеством и безопасности : сборник научных трудов XI Международной конференции школьников, студентов, аспирантов, молодых учёных «Ресурсоэффективные системы в управлении и контроле: взгляд в будущее», 8-10 ноября 2022 г., г. Томск. - Томск : Изд-во ТПУ. - 2023. - С. 259-263.
12. Чесноков, Д. В. Разработка алгоритмов автоматической обработки цифровых изображений в капиллярной дефектоскопии: магистерская диссертация / Д. В. Чесноков; Национальный исследовательский Томский политехнический университет (ТПУ), Институт неразрушающего контроля (ИНК), Кафедра физических методов и приборов контроля качества. - Томск, 2016. - 124 с. - Текст : непосредственный.
13. Отока, А. Г. Автоматизированный магнитопорошковый контроль колесных пар с использованием систем видеонаблюдения и нейросетевых технологий / А. Г. Отока, О. В. Холодилов, П. А. Дашук. - Текст : непосредственный // Механика. Исследования и инновации: международный сборник научных трудов. - Вып. 16. - Гомель: БелГУТ, 2023. - С. 153-158.
14. Отока, А. Г. Перспективы автоматизации магнитопорошкового контроля колесных пар с использованием систем видеонаблюдения и нейросетевых технологий / А. Г. Отока, О. В. Холодилов. - Текст : непосредственный // Транспортная наука и инновации: материалы международной научно-практической конференции, посвященной юбилею СамГУПС. - Самара, 2023. - С. 51-57 с.
15. Картер, Джейд Сверточные нейросети / Джейд Картер. - Москва : Литрес. - URL: https://www.litres.ru/book/dzheyd-karter/svertochnye-neyroseti-70965715/ (дата обращения: 30.12.2024). - Текст : электронный.
16. Michael Nielsen Neural Networks and Deep Learning. - URL: http://neuralnetworksanddeeplearning.com/index.html (дата обращения: 30.12.2024). - Текст : электронный.
17. Сверточные нейронные сети (CNN). - URL: https://yourtodo.ru/ru/posts/sverto-chnyie-nejronnyie-seti-cnn/ (дата обращения: 30.12.2024). - Текст : электронный.
18. Singh, S.A., Desai, K.A. Automated surface defect detection framework using machine vision and convolutional neural networks / J. Intell Manuf 34, 1995-2011 (2023). - doi:10.1007/s10845-021-01878-w.
19. Все символы в TensorFlow 2. - URL: https://www.tensorflow.org/api_docs/python/tf/all_symbols (дата обращения: 24.05.2024). - Текст : электронный.
20. Документация Keras 3 API. - URL: https://ke-ras.io/api/ (дата обращения: 24.05.2024). - Текст : электронный.
21. Словарь IT. Keras, 2023. - URL: https://blog.skillfactory.ru/glossary/keras/ (дата обращения: 24.05.2024). - Текст : электронный.
22. Применение нейронных сетей для распознавания конструктивных элементов рельсов на магнитных и вихретоковых дефектограммах / Е. В. Кузьмин, О. Е. Горбунов и [др.]. - Текст : непосредственный // Моделирование и анализ информационных систем. - 2018. - Т. 25, № 6. - С. 667-679. - doi: 10.18255/1818-1015-2018-6-667-679.
23. Сикорский, О. С. Обзор сверточных нейронных сетей для задачи классификации изображений / О. С. Сикорский. - Текст : непосредственный // Новые информационные технологии в автоматизированных системах. - 2017. - № 20. - С. 37-42.
24. Парасич, А. В. Формирование обучающей выборки в задачах машинного обучения / А. В. Парасич, В. А. Парасич, И. В. Парасич. - Текст : непосредственный // Обзор. Информационно-управляющие системы. - 2021. - № 4. - С. 61-70. - doi:10.31799/1684-8853-2021-4-61-70.
25. Свирина, А. Р. Классификация изображений с помощью сверточных нейронных сетей/ А. Р. Свирина. - Текст : непосредственный // Молодой учёный. - 2024. - № 24 (523). - С. 96-99.
26. Разделение данных на обучающую и тестовую выборки в Python: подробное руководство и практические примеры. - URL: https://zdrons.ru/veb-program-mirovanie/razdelenie-dannyh-na-obuchajushhuju-i-testovuju-vyborki-v-python-po-drobnoe-rukovodstvo-i-prakticheskieprimery/?ysclid=m43xw297g132297176 (дата обращения: 30.12.2024). - Текст : электронный.
27. Обучающая и тестовая выборки (training set & testing set). - URL: https://vk.com/wall-210601538_290?ysclid=m43x8vbedg564952696 (дата обращения: 30.12.2024). - Текст : электронный.
28. Garbin, C., Zhu, X. & Marques, O. Dropout vs. batch normalization: an empirical study of their impact to deep learning. Multimed Tools Appl 79, 12777–12815 (2020). https://doi.org/10.1007/s11042-019-08453-9.
29. Guangyong, Chen & Chen, Pengfei & Shi, Yujun & Hsieh, Kim & Liao, Benben & Zhang, Shengyu. (2019). Rethinking the Usage of Batch Normalization and Dropout in the Training of Deep Neural Networks. 10.48550/arXiv.1905.05928.
30. Hinton, Geoffrey & Srivastava, Nitish & Krizhevsky, Alex & Sutskever, Ilya & Salakhutdinov, Ruslan. (2012). Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint. arXiv.
Рецензия
Для цитирования:
Отока А.Г., Икака Р.Р., Холодилов О.В. Применение нейронных сетей в распознавании индикаций при магнитопорошковом контроле деталей железнодорожного транспорта. Наука и техника транспорта. 2025;(1):98-108. EDN: AEOTJK
For citation:
Otoka A.G., Ikaka R.R., Kholodilov O.V. Application of Neural Networks in Recognition of Indications in Magnetic Powder Inspection of Railway Transportation Parts. Science and Technology in Transport. 2025;(1):98-108. (In Russ.) EDN: AEOTJK
Просмотров:
5
JATS XML
Послать статью по эл. почте 