КОМПЬЮТЕРНОЕ ЗРЕНИЕ В ПРОИЗВОДСТВЕННОМ КОНТРОЛЕ КАЧЕСТВА: СИСТЕМА ДЕТЕКЦИИ ДЕФЕКТОВ НА ОСНОВЕ YOLO

В статье рассматривается интеллектуальная система автоматического обнаружения и классификации дефектов промышленной продукции на основе нейросетевой архитектуры YOLO (You Only Look Once). Разработанная система обеспечивает анализ изображений в режиме реального времени, локализацию дефектов с построением ограничивающих прямоугольников и классификацию по типам. В отличие от существующих решений, предложенный в статье подход объединяет методы аугментации данных, специфичные для производственных изображений (имитация изменений освещения, добавление производственных шумов, синтетическая генерация редких типов дефектов), с техникой прогрессивного обучения от общих к специфическим признакам. Система реализована в виде встраиваемого модуля для промышленных линий контроля качества с REST API. Проведена сравнительная оценка версий YOLOv5, YOLOv8 и YOLOv11 на отраслевых датасетах, включающих поверхностные дефекты металла, текстиля и пластика. Показана высокая эффективность предложенного подхода: значение mAP@0.5 достигает 0,934 при времени обработки одного кадра 12–18 мс на GPU. Архитектура системы включает модули предобработки изображений, детекции дефектов, постобработки результатов и визуализации. Предложена методология формирования и разметки обучающих датасетов для задачи производственного контроля.

компьютерное зрение, распознавание дефектов, контроль качества, глубокое обучение, детекция объектов, нейронные сети, обработка изображений, промышленная автоматизация.

1. Якимов П.Ю., Нагибин В.Н. Обнаружение дефектов поверхности с помощью сверточных нейронных сетей. Компьютерная оптика, 2021, т. 45, № 6, с. 918–929.

2. Bergmann P. et al. MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection. CVPR, 2025, pp. 9592–9600.

3. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2023, 800 p.

4. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. CVPR, 2023, pp. 770–778.

5. Jocher G. et al. Ultralytics YOLOv8. 2023. URL: https://github.com/ultralytics/ultralytics.

6. Lin T.-Y. et al. Feature Pyramid Networks for Object Detection. CVPR, 2021, pp. 2117–2125.

7. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. CVPR, 2022, pp. 779–788.

8. Song K., Yan Y. A noise robust method based on completed local binary patterns for hot-rolled steel strip surface defects. Applied Surface Science, 2021, vol. 285, pp. 858–864.

9. Tan M., Le Q. EfficientDet: Scalable and Efficient Object Detection. CVPR, 2024, pp. 10781–10790.

10. Ultralytics YOLOv11. 2024. URL: https://docs.ultralytics.com/models/yolo11.

2026-08-24