PRIMENENIE NEYROSETEVOY MODELI U-NET DLYa DETEKTIROVANIYa PROFILYa IZNOSA DETALI

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

В статье исследуется возможность применения глубоких нейросетевых моделей, в частности архитектуры U-Net, для автоматизированного детектирования профиля изношенной детали. Износ рабочих элементов, особенно в сельскохозяйственной технике, резко снижает эффективность работы оборудования и увеличивает затраты на его обслуживание. Традиционные методы диагностики имеют ряд ограничений, среди которых субъективность оценок, необходимость остановки оборудования и низкая точность количественной оценки износа. Предложен метод семантической сегментации изображений с использованием нейронной сети U-Net, позволяющий автоматически формировать профиль изношенной детали. Описаны этапы подготовки данных, обучения модели и анализа изображений, что обеспечивает точное получение профиля детали. Экспериментально подтверждена эффективность метода на примере долота глубокорыхлителя.

References

  1. Mikhal'chenkov A. M., Gutsan A. A., Kupreenko A. I., Fes'kov S. A. Wear of materials with different coatings in loose abrasive: laboratory tests // Russian Engineering Research. 2024. V. 44 (11). Р. 1556–1559. https://doi.org/10.3103/S1068798X24702903
  2. Mikhalchenkov A. M., Kravchenko I. N., Gutsan A. A. et al. Features of changing the mechanical properties of the area of abrasion-resistant surfacing on heat-strengthened steel // Metallurgist. 2024. Т. 68. № 4. Р. 502–509. https://doi.org/10.1007/s11015-024-01753-y
  3. Сидоров С. А., Миронов Д. А., Миронова А. В., Рябов В. В. Повышение износостойкости и других ресурсных характеристик материалов рабочих органов почвообрабатывающих машин // Металлург. 2021. № 5. С. 93–99. https://doi.org/10.52351/00260827_2021_05_93
  4. Лялякин В. П., Аулов В. Ф., Ишков А. В. и др. Исследование износостойкости ножей в период эксплуатации и оценка эффективных методов их упрочнения // Проблемы машиностроения и надежности машин. 2024. № 1. С. 97–106. https://doi.org/10.31857/S0235711924010117
  5. Михальченков А. М., Гуцан А. А., Купреенко А. И., Феськов С. А. Устройство и методика лабораторных испытаний на изнашивание в незакрепленном абразиве образцов из разных материалов и с разными покрытиями // Вестник машиностроения. 2024. Т. 103. № 9. С. 765–768. https://doi.org/10.36652/0042-4633-2024-103-9-765-768
  6. Херсонский Н. С., Большедворская Л. Г. Выбор и обоснование методов и математических моделей износа и замены оборудования // Crede Experto: транспорт, общество, образование, язык. 2023. № 1 (36). С. 27–41.
  7. Le Cun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. 521 (7553). P. 436–444. https://hal.science/hal‑ 04206682v1
  8. Janiesch C., Zschech P., Heinrich K. Machine learning and deep learning // Electronic Markets. 2021. V. 31. P. 685–695. https://doi.org/10.1007/s12525-021-00475-2
  9. Погонышев В. А., Погонышева Д. А., Ульянова Н. Д. Вопросы эксплуатации сельскохозяйственной техники в условиях интеллектуализации АПК // Вестник Брянской ГСХА. 2024. № 6 (106). С. 54–59.
  10. Офицеров В. А., Конушин А. С. Нейросетевые методы сегментации изображений высокого разрешения // Int. J. of Open Inf. Technol. 2024. V. 12 (6). С. 57–64.
  11. Ситников В. В., Люминарский В. В., Коробейников А. В. Обзор методов распознавания объектов, используемых в системах машинного зрения // Вестник ИжГТУ им. М. Т. Калашникова. 2018. Т. 21. № 4. С. 222–229. https://doi.org/10.22213/2413-1172-2018-4-222-229
  12. Щукина Н. А. Нейросетевые модели в задаче классификации медицинских изображений // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4 (35). С. 1–14. https://doi.org/10.26102/2310-6018/2021.34.3.022
  13. Zhang X., Yu H., Li C. et al. Study on In-Situ Tool Wear Detection during Micro End Milling Based on Machine Vision // Micromachines (Basel). 2022. V. 14 (1). Р. 100. https://doi.org/10.3390/mi14010100
  14. Годунов А. И., Баланян С. Т., Егоров П. С. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. 2021. № 3 (35). С. 62–73. https://doi.org/10.21685/2307-4205-2021-3-8
  15. Достовалова А. М., Горшенин А. К., Старичкова Ю. В., Арзамасов К. М. Сравнительный анализ модификаций нейросетевых архитектур U-Net в задаче сегментации медицинских изображений // Digital Diagnostics. 2024. Т. 5. № 4. C. 833–853. https://doi.org/10.17816/DD629866
  16. Srinivasan S., Durairaju K., Deeba K. et al. Multimodal Biomedical Image Segmentation using Multi-Dimensional U-Convolutional Neural Network // BMC Med Imaging. 2024. V. 24 (38). Р. 1–20. https://doi.org/10.1186/s12880-024-01197-5
  17. Милостная Н. А. Интеллектуализация процесса детектирования форм геометрических объектов // Известия Юго-Западного государственного университета. 2024. Т. 28. № 2. С. 148–165. https://doi.org/10.21869/2223-1560-2024-28-2-148-165
  18. Тюрева А. А., Лавров В. И., Бирюлин А. А., Евланов А. А. Износы рабочих органов почвообрабатывающих орудий // Инновации и технологический прорыв в АПК. Сборник научных трудов международной научно-практической конференции, 2020. С. 140–147.
  19. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer, 2015. P. 234–241 (Lecture Notes in Computer Science; V. 9351). https://doi.org/10.1007/978-3-319-24574-4_28
  20. Hesamian M. H., Jia W., He X. et al. Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges // J. of Digital Imaging. 2019. V. 32. P. 582–596. https://doi.org/10.1007/s10278-019-00227-x
  21. Siddique N., Paheding S., Elkin C. P., Devabhaktuni V. U-Net and Its Variants for Medical Image Segmentation: A Review of Theory and Applications // IEEE Access. 2021. V. 9. P. 82031–82057. https://doi.org/10.1109/ACCESS.2021.3086020
  22. Каширина И. Л., Демченко М. В. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2018. № 4. С. 123–132.
  23. Девятерикова М. В., Плескунов Д. А. Сравнительный анализ методов генетической оптимизации при обучении нейронных сетей // Прикладная математика и фундаментальная информатика. 2024. Т. 11. № 3. С. 40.
  24. Шелковников Е. Ю., Шляхтин К. А., Шелковникова Т. Е., Егоров С. Ф. Применение нейронной сети архитектуры U-Net для сегментации СТМ‑ изображений // Химическая физика и мезоскопия. 2019. Т. 21. № 2. С. 330–336. https://doi.org/10.15350/17270529.2019.2.36

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».