Cегментация макросекций лазерных сварных швов на основе машинного обучения для автоматической оценки качества

Ссылка для цитирования:

Hussein A., Sokolov M. Intelligent weld inspection: Machine learning-based instance segmentation of laser weld macrosections for post-process quality control (Cегментация макросекций лазерных сварных швов на основе машинного обучения для автоматической оценки качества) [in English] // Opticheskii Zhurnal. 2026. V. 93. № 4. P. 57–67. http://doi.org/10.17586/1023-5086-2026-93-04-57-67

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Автоматический анализ изображений макросекций лазерных сварных швов с использованием методов машинного обучения и компьютерного зрения. Цель исследования. Разработка и оценка метода сегментации изображений образцов на основе машинного обучения для автоматической оценки качества. Метод. Сегментация изображений макросекций сварного шва с использованием архитектуры глубокого обучения YOLOv8. Для расширения пула обучающих данных были использованы сгенерированные при помощи Stable Diffusion изображения, что позволило получить реалистичные вариации существующих изображений. Основные результаты. За девять итеративных циклов обучения модель машинного обучения достигла высокой точности в 97,5% в обнаружении и классификации дефектов, продемонстрировав близкое соответствие оценкам экспертов. Автоматизированная система сокращает время обработки с нескольких минут на образец до микросекунд. Практическое значение. Разработанная система сводит к минимуму человеческий фактор, освобождает экспертов для выполнения более актуальных задач, предлагая значительный потенциал для оптимизации промышленных процессов оценки качества и повышения производительности.

Ключевые слова:

лазерная сварка, YOLOv8, автоматическая оценка качества, Stable Diffusion, разрушающий контроль, генерация изображений

Благодарность:

исследование было профинансировано Университетом ИТМО (проект № 640115 «Разработка и интеграция систем мониторинга и управления для автоматизации производственных процессов на примере лазерной сварки»)

Коды OCIS: 150.3040

Список источников:

1. Tran T.A., Lobov A., Kaasa T.H., Bjelland M., Midling O.T. Cad integrated automatic recognition of weld paths // The International Journal of Advanced Manufacturing Technology. 2021. V. 115. № 7. P. 2145–2159. https://doi.org/10.1007/s00170-021-07186-0
2. Liu T., Zheng P., Bao J. Deep learning-based welding image recognition: A comprehensive review // Journal of Manufacturing Systems. 2023. V. 68. P. 601–625. https://doi.org/10.1016/j.jmsy.2023.05.007
3. Reiss T., Cohen N., Bergman L., Hoshen Y. Panda: Adapting pretrained features for anomaly detection and segmentation // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 2805–2813. https://doi.org/10.1109/CVPR46437.2021.00283
4. Alimisis P., Mademlis I., Radoglou-Grammatikis P., Sarigiannidis P., Papadopoulos G.T. Advances in diffusion models for image data augmentation: a review of methods, models, evaluation metrics and future research directions // Artificial Intelligence Review. 2025. V. 58. № 4. P. 112. https://doi.org/10.1007/s10462-025-11116-x
5. Shorten C., Khoshgoftaar T.M. A survey on image data augmentation for deep learning // Journal of Big Data. 2019. V. 6. № 1. P. 60. https://doi.org/10.1186/s40537-019-0197-0
6. Rombach R., Blattmann A., Lorenz D., Esser P., Ommer B. High-resolution image synthesis with latent diffusion models // 2022. arXiv:2112.10752. https://arxiv.org/abs/2112.10752
7. Gruse J.-N., Streeter M., Thornton C., Armstrong C., Baird C., Bourgeois N., Cipiccia S., Finlay O., Gregory C., Katzir Y., Lopes N., Mangles S., Najmudin Z., Neely D., Pickard L., Potter K., Rajeev P., Rusby D., Underwood C., Warnett J., Williams M., Wood J., Murphy C., Brenner C., Symes D. Application of compact laser-driven accelerator x-ray sources for industrial imaging // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2020. V. 983. P. 164369. https://doi.org/10.1016/j.nima.2020.164369
8. Deng H., Cheng Y., Feng Y., Xiang J. Industrial laser welding defect detection and image defect recognition based on deep learning model developed // Symmetry. 2021. V. 13. № 9. P. 1731. https://doi.org/10.3390/sym13091731
9. Bashar A. Survey on evolving deep learning neural network architectures // Journal of Artificial Intelligence and Capsule Networks. 2019. V. 2019. P. 73–82.
10. Malarvel M., Singh H. An autonomous technique for weld defects detection and classification using multi-class support vector machine in x-radiography image // Optik. 2021. V. 231. P. 166342. https://doi.org/10.1016/j.ijleo.2021.166342
11. Schlegl T., Seeböck P., Waldstein S.M., SchmidtErfurth U., Langs G. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery // Information Processing in Medical Imaging. Cham: Springer International Publishing, 2017. P. 146–157.
12. Stemmer G. Unsupervised welding defect detection using audio and video. CA, USA, 2019. [Electronic resource]. Access mode: https://stacks.stanford.edu/file/druid:hm512ht9418/thesis-augmented.pdf (accessed on 05.05.2025).
13. Wang W., Chen J., Han G., Shi X., Qian G. Application of object detection algorithms in non-destructive testing of pressure equipment: A review // Sensors. 2024. V. 24. № 18. P. 5944. https://doi.org/10.3390/s24185944
14. Wu W., Cheng H., Pan J., Zhong L., Zhang Q. Wavelet-enhanced yolo for intelligent detection of welding defects in x-ray films // Applied Sciences. 2025. V. 15. № 8. P. 4586. https://doi.org/10.3390/app15084586
15. Zhang J., Jia Y., Zhu D., Hu W., Tang Z. Study on the situational awareness system of mine fire rescue using faster ross girshick-convolutional neural network // IEEE Intelligent Systems. 2020. V. 35. № 1. P. 54–61.