Academic Journal
ТРАНСФЕРНЫЙ АЛГОРИТМ КОМБИНИРОВАНИЯ ОБУЧЕННОЙ И ДООБУЧЕННОЙ АРХИТЕКТУРЫ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ЗАДАЧИ ДЕФЕКТОСКОПИИ МЕТАЛЛУРГИЧЕСКОГО ПРОИЗВОДСТВА
| Τίτλος: | ТРАНСФЕРНЫЙ АЛГОРИТМ КОМБИНИРОВАНИЯ ОБУЧЕННОЙ И ДООБУЧЕННОЙ АРХИТЕКТУРЫ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ЗАДАЧИ ДЕФЕКТОСКОПИИ МЕТАЛЛУРГИЧЕСКОГО ПРОИЗВОДСТВА |
|---|---|
| Στοιχεία εκδότη: | ООО Цифра, 2025. |
| Έτος έκδοσης: | 2025 |
| Θεματικοί όροι: | inspection automation, металлургическое производство, дообучение, deep learning, non-destructive testing, retraining, transfer learning, model combination, product quality, комбинирование моделей, дефектоскопия, автоматизация контроля, трансферное обучение, качество продукции, metallurgical production, глубокое обучение |
| Περιγραφή: | В статье рассматривается проблема повышения точности дефектоскопии в металлургическом производстве с использованием трансферного алгоритма комбинирования обученной и дообученной архитектур нейронных сетей. Современная промышленная дефектоскопия сталкивается с необходимостью быстрого и точного выявления дефектов в материалах, что критично для обеспечения безопасности и качества продукции. Традиционные методы дефектоскопии требуют значительных затрат времени, ресурсов и квалифицированного персонала, а предлагаемый трансферный алгоритм основывается на комбинации предварительно обученной нейронной сети с последующей дообученной моделью, специализированной для задачи дефектоскопии. Этот подход позволяет уменьшить временные и ресурсные затраты на разработку новых моделей, одновременно повышая точность и надежность системы. В работе представлены результаты экспериментальной проверки предложенного алгоритма на реальных данных. Показано, что комбинированный подход обеспечивает значительное улучшение точности по сравнению с отдельными моделями и традиционными методами дефектоскопии. Результаты исследования подтверждают перспективность использования предложенного алгоритма в промышленных условиях для повышения качества контроля и снижения рисков, связанных с дефектами материалов. The article examines the problem of improving the accuracy of non-destructive testing in metallurgical production using a transfer algorithm combining trained and retrained neural network architectures. Modern industrial non-destructive testing is faced with the necessity of fast and accurate detection of defects in materials, which is critical for ensuring the safety and quality of products. Traditional flaw detection methods are time, resource and skilled personnel intensive, while the proposed transfer algorithm is based on the combination of a retrained neural network followed by a retrained model specialised for the flaw detection task. This approach reduces the time and resource costs of developing new models, while improving the accuracy and reliability of the system. The paper presents the results of experimental verification of the proposed algorithm on real data. It is shown that the combined approach provides a significant improvement in accuracy compared to separate models and traditional flaw detection methods. The results of the study confirm the promising use of the proposed algorithm in industrial conditions to improve the quality of inspection and reduce the risks associated with defects in materials. Международный научно-исследовательский журнал, Выпуск 6 (156) 2025 |
| Τύπος εγγράφου: | Article |
| Γλώσσα: | Russian |
| DOI: | 10.60797/irj.2025.156.60 |
| Rights: | CC BY |
| Αριθμός Καταχώρησης: | edsair.doi...........c23ca433bdd9ba81e671d1db1fdb6fd0 |
| Βάση Δεδομένων: | OpenAIRE |
| DOI: | 10.60797/irj.2025.156.60 |
|---|