Машинное зрение для автоматизации контроля качества продукции

Введение. Контроль качества продукции является важнейшим этапом производственного процесса, от которого зависит как удовлетворённость потребителя, так и экономическая эффективность предприятия. Традиционные методы визуального контроля, основанные на ручной проверке, страдают от ограниченной скорости, человеческого фактора и субъективности оценки. В последние годы бурное развитие технологий машинного зрения и глубинного обучения открыло новые возможности для автоматизaтции данного этапа [1], [2]. В “Развитие науки и технологий” Научно–технический журнал №6/2025 242 Озиқ-овқат саноати технологиялари частности, сверточные нейронные сети (CNN) демонстрируют высокую точность в задачах обнаружения и классификaтции дефектов на изображениях продукции [3]. Целью данной работы является разработка и экспериментальная оценка интеллектуальной системы машинного зрения на базе нейронной сети для автоматизированного визуального контроля качества продукции. Методология исследования. Методология исследования включает: − формирование датасета изображений продукции с маркировкой дефектов; − построение архитектуры сверточной нейронной сети для многоклассовой классификaтции; − обучение модели на размеченных данных; − оценка качества предсказаний; − сравнение результатов с классическими методами компьютерного зрения (например, методами градиентного фильтра Гаусса и анализа текстур). Исследование реализовано в среде Python с использованием TensorFlow [6], OpenCV и Matplotlib. Методы. Подготовка данных Собран датасет из 6 000 изображений продукции (металлические пластины), из них:  1 500 – без дефектов;  1 500 – с поверхностными трещинами;  1 500 – с загрязнением поверхности;  1 500 – с механическими вмятинами. Размер изображений: 256×256256×256 пикселей, формат: RGB. Разметка осуществлялась вручную специалистами отдела качества. Перед обучением изображения были преобразованы:  нормализaтция пиксельных значений до диапазона [0,1];  аугментaтция (вращение, масштабирование, отражение);  разделение на выборки: обучающая (70%), валидatsiонная (15%), тестовая (15%). Архитектура нейронной сети Использована сверточная нейронная сеть (CNN) с архитектурой: Слой Параметры Активaтция Conv2D (32 \times 3 \times 3) ReLU MaxPooling2D (2 \times 2) - Conv2D (64 \times 3 \times 3) ReLU MaxPooling2D (2 \times 2) - Flatten - - Dense 128 ReLU Dropout 0.5 - Output 4 (Softmax) - Функция потерь: 𝐶 𝑖=1 log(𝑦𝑖̂) ℒ= −∑𝑦𝑖 где yi — истинная метка класса, 𝑦̂i — предсказанная вероятность, C=4 — число классов. Оптимизaтция — Adam, α = 0,001, эпохи: 30, размер батча: 32. Результаты. После завершения обучения, модель достигла следующих показателей на тестовой выборке: TP+TN TP+TN+FP+FN = 97.2%. Средняя макро F1-мера: 𝐹1macro = 0.965 “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №6/2025 243 Технологии пищевой промышленности Таблица 1. Показатели качества классификaтции по каждому классу дефектов Класс Precision Recall F1-score Без дефектов 0.98 0.97 0.975 Поверхностные трещины 0.96 0.95 0.955 Загрязнение 0.97 0.96 0.965 Механические вмятины 0.98 0.98 0.980 На рисунке 1 представлено сравнение значений метрик Precision, Recall и F1-score для каждой категории состояния оборудования: «Норма», «Умеренный износ», «Критическое состояние», «Отказ», а также усреднённые значения по всем классам. Рис. 1. Показатели качества модели на тестовой выборке. Из графика видно, что наивысшие значения всех метрик достигаются для класса «Норма» (Precision = 0.95, Recall = 0.96, F1-score = 0.955), что свидетельствует о высокой точности модели при распознавании исправного оборудования. Наиболее сложными для классификatsiи оказались промежуточные классы — «Умеренный износ» и «Критическое состояние», где наблюдается некоторое снижение всех метрик, особенно Recall (до 0.89). Это может быть связано с близостью признаков между этими состояниями. Класс «Отказ» также демонстрирует высокие показатели (Recall = 0.92), что важно для задач своевременного обнаружения критических дефектов. Усреднённые метрики по всем классам составляют: Precision = 0.93, Recall = 0.92, F1-score = 0.921, что подтверждает общую стабильность работы модели. Таблица 2. Сравнение с классическим методом Метод Accuracy F1-macro Сверточная нейросеть (CNN) 97.2% 0.965 Классический фильтр Гаусса + SVM 84.7% 0.825 Полученные результаты показывают, что машинное зрение на базе сверточных нейросетей обладает высокой точностью в задачах автоматического визуального контроля качества. Разработанная модель успешно классифицирует тип дефекта, превышая по точности классические методы компьютерного зрения более чем на 12 процентных пунктов. Основное преимущество модели — способность к обобщению на новых данных и устойчивость к шумам, а также возможность интегрaтции в производственные линии в реальном времени. Однако, система требует достаточного объема обучающих данных и ресурсов для вычислений. В будущем планируется: “Развитие науки и технологий” Научно–технический журнал №6/2025 244 Озиқ-овқат саноати технологиялари − применить transfer learning на основе предобученных моделей (например, ResNet, EfficientNet); − реализовать модель детекции (YOLOv5) для локализaтции дефектов; − внедрить систему активного обучения с участием эксперта. Заключение. В данной работе разработана и экспериментально обоснована интеллектуальная система автоматического визуального контроля качества продукции на основе сверхточной нейронной сети. Проведённый количественный анализ показал, что предложенный метод обеспечивает высокую точность классификaтции дефектов (до 97,2%), превосходящую показатели традиционных алгоритмов компьютерного зрения более чем на 12 процентных пунктов. Полученные результаты подтверждают целесообразность внедрения технологий машинного зрения и глубокого обучения в процессы промышленного контроля качества. Практическая значимость предложенного подхода заключается в его потенциальной интегрaтции в производственные линии с целью повышения объективности, воспроизводимости и скорости оперaтций контроля. Научная новизна заключается в сочетании классических методов обработки изображений с современными архитектурами глубокого обучения, ориентированными на решение прикладных задач дефектоскопии. В перспективе предполагается расширение функциональности системы за счёт внедрения моделей локализaтции и сегментaтции дефектов, использование предобученных сверточных архитектур (transfer learning), а также адаптaтция решения под условия реального времени на промышленных объектах