Библиографическое описание:Hussein, A. . 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 / A. Hussein, M. Sokolov. - (Формирование, обработка и распознавание изображений). - Текст : электронный // Оптический журнал. - 2026. - № 4. - С. 57-67. - Библиогр.: с. 67 (15 назв.). - Загл. с титул. экрана. - ISSN 1023-5086.
Аннотация:Subject of study. The automatic analysis of laser weld macrosection images using machine learning and computer vision techniques. Aim of study. To develop and evaluate a machine learning-based instance segmentation method for the automated inspection of laser weld macrosections as part of post-process quality control, with the goal of significantly improving upon the speed, accuracy, and consistency of manual inspection. Method. The core method involves instance segmentation using the YOLOv8 deep learning architecture, trained on a dataset of annotated weld macrosections. To overcome the challenge of limited training data, generative image models based on Stable Diffusion were employed for data augmentation, producing realistic variations of existing images to enhance model generalization and robustness. Main results. Through nine iterative training cycles, the machine learning model achieved a high precision of 97. 5% in defect detection and classification, demonstrating close alignment with expert annotations. The automated system reduces processing time from several minutes per sample to microseconds. Practical significance. This research provides a framework for automating quality control in welding. The developed system minimizes human error, frees expert labour for higher-level tasks, and drastically increases inspection efficiency, offering significant potential for streamlining industrial evaluation processes and enhancing production throughput.
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.
