Синтез технологий виртуальной реальности и компьютерного зрения в симуляторе промышленной радиографии

Цель исследования. В настоящее время цифровизация производства рассматривается как важнейший аспект технологического роста для повышения конкурентоспособности предприятий. Предложен инновационный подход, объединяющий технологии виртуальной реальности и компьютерного зрения в единый инструмент, призванный совершенствовать качество практико-ориентированного обучения в сфере промышленной радиографии. В рамках статьи проведено исследование эффективных моделей искусственных нейронных сетей в приложении к задаче детекции дефектных участков сварных соединений металла на радиографических изображениях. Проведен детальный анализ архитектуры YOLOv8 в отношении обнаружения мелкоразмерных дефектов. Описан метод синтеза технологий виртуальной реальности и компьютерного зрения в едином образовательном инструменте промышленной радиографии.

Методы. В работе использовались методы эмпирического исследования, системного анализа и синтеза смежных информационных технологий.

Результаты. В результате эмпирического исследования была выявлена ограниченная эффективность модели YOLOv10 применительно к обобщению признаков объектов малой размерности и низкой контрастности. YOLOv8 показала более практико-применимые результаты и большую стабильность при обобщении контурной составляющей дефектов. В процессе системного анализ архитектуры YOLOv8 была выявлена потеря пространственной информации при использовании последовательных сверточных операций, предшествующих повышающей дискретизации. Выполнена модификация базовой архитектуры YOLOv8 с целью улучшения обобщающей способности дефектов малой размерности и низкой контрастности. Представлена методика синтеза технологий виртуальной реальности и компьютерного зрения в форме интеллектуального ассистента для интеллектуализации процесса неразрушающего контроля.

Заключение. Интеграция вышеописанного метода синтеза в единый программный продукт позволит повысить качество подготовки специалистов и открыть доступ к инновационным методам совершенствования профессиональных навыков на каждом этапе профессиональной карьеры.

1. Благодетелева Н. К. Тенденции и перспективы использования современных VR-технологий в иноязычном образовании в системе высшего образования России // Мир науки, культуры, образования. 2023. № 3 (100). С. 109–113.

2. Миргородская О. Н. Исследование опыта использования иммерсивных технологий в маркетинговой деятельности предприятий розничной торговли // Предпринимательство, маркетинг и логистика в цифровой экономике: материалы II Всероссийской конференции / Орловский государственный университет имени И. С. Тургенева. Орёл, 2024. С. 183–190.

3. Рысбай Н. Машинное обучение в передовых исследованиях. процессы разработки // Вестник науки. 2023. Т. 3, № 5 (62). С. 604–611.

4. Оздамиров Р. В. Влияние технологий виртуальной реальности на обучение в цифровой образовательной среде // Перспективы развития высшей школы: материалы I Международной научно-практической конференции / отв. ред. М. В. Баделина. Тюмень: Тюменский индустриальный университет, 2020. С. 250–255.

5. Гараев А. И. Развитие образовательных VR-технологий в цифровой среде // Конкурентоспособность субъектов хозяйствования в условиях новых вызовов внешней среды: проблемы и пути их решения: сборник материалов Международной научно-практической конференции / под общ. ред. Н. В. Мальцева. Екатеринбург: Изд-во Уральского государственного горного университета, 2020. С. 20.

6. Сурай Н. М., Теплая Н. А. Современные тренды в области применения цифровых технологий в российском ретейле // Экономика. Профессия. Бизнес. 2024. № 2. С. 94– 104.

7. Гусакова А. А., Кальвинковская В. Д., Байбардина Т. Н. Перспективы использования технологий машинного обучения и искусственного интеллекта в маркетинге. URL: http://lib.i-bteu.by/bitstream/handle/22092014/6382/Гусакова%20А.А._Кальвинковская%20В.Д.%20Перспективы.pdf?sequence=1&isAllowed=y (дата обращения: 11.09.2024).

8. Технологии виртуальной и дополненной реальности в образовательном процессе / И. И. Полевода [и др.] // Вестник Университета гражданской защиты МЧС Беларуси. 2022. Т. 6, № 1. С. 119–142.

9. Trampus P. Symbiosis of industry 4.0 and non-destructive evaluation // Buletin Stiintific. Kishinev, 2023. P. 43‒51.

10. Saboonchi H., Blanchette D., Hayes K. Advancements in radiographic evaluation through the migration into NDE 4.0 // Journal of nondestructive evaluation. 2021. Vol. 40. P. 1–12.

11. NDE 4.0: Progress, promise, and its role to industry 4.0 / N. G. Meyendorf, N. Ida, R. Singh, J. Vrana // NDT & E International 2023. N 140(8). Р. 102957. https://doi.org/10.1016/j.ndteint.2023.102957

12. Классификация современных методов неразрушающего контроля. Возможность их применения для диагностики оборудования нефтегазовой отрасли / А. Е. Нижник [и др.] // Строительство нефтяных и газовых скважин на суше и на море. 2020. № 5. С. 41–46.

13. Кувшинников В. С., Ковшов Е. Е. Подготовка специалистов по радиационному виду неразрушающего контроля с применением цифровых технологий // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 13, № 4. С. 54–69.

14. A review on YOLOv8 and its advancements / M. Sohan [et al.] // International Conference on Data Intelligence and Cognitive Informatics. Singapore: Springer, 2024. P. 529– 545.

15. Корчагин В. Д. Анализ современных SOTA-архитектур искусственных нейронных сетей для решения задач классификации изображений и детекции объектов // Программные системы и вычислительные методы. 2023. № 4. С. 73–87.

16. Yolov10: Real-time end-to-end object detection / A. Wang [et al.]. URL: https://arxiv.org/abs/2405.14458 (accessed 11.09.2024).

17. Корчагин В. Д., Кувшинников В. С., Ковшов Е. Е. Критериальный анализ моделей обработки данных радиационного неразрушающего контроля // International Journal of Open Information Technologies. 2024. Vol. 12. № 4. P. 23–31.

18. ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks / Qilong Wang, Banggu Wu, Pengfei Zhu, Peihua Li, Wangmeng Zuo, Qinghua Hu. URL: https://arxiv.org/abs/1910.03151 (accessed 11.09.2024).

19. Wang Н., Song X. DC-YDLO: A dual channel YOLO for small object defect detection of circuit boards // 2024 5th International Conference on Computer i Vision, Image and Deep Learning (CVIDL). IEEE, 2024. P. 1292–1296.

20. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs / Liang-Chieh Chen, G. Papandreou, I. Kokkinos, K. Murphy, A. L. Yuille // IEEE Trans. Pattern. Anal. Mach. Intell. 2018. N 40 (4). P. 834‒ 848. https://doi.org/10.1109/TPAMI.2017.2699184

21. Larobina M. Thirty years of the DICOM standard // Tomography. 2023. Vol. 9, N 5. P. 1829–1838.

22. Vrana J. Industrial Internet of things, digital twins, and cyber-physical loops for NDE 4.0 // Handbook of Nondestructive Evaluation 4.0. Cham: Springer, 2022. P. 295–328.