В НГТУ НЭТИ создали нейросеть для поиска дефектов металла
♫ Wednesday, January 21st, 2026В Новосибирском государственном техническом университете НЭТИ разработали интеллектуальную систему контроля качества для промышленности. Технология позволяет автоматически находить трещины, вмятины, пятна коррозии на стальной поверхности по фотографиям с обычной камеры.
В основе разработанной студентами факультета автоматики и вычислительной техники системы лежит триплетная нейронная сеть, которой не нужны тысячи готовых снимков. Система эффективно работает при небольшом количестве примеров для обучения — для анализа достаточно несколько фото каждого типа дефекта, даже если они сняты при плохом освещении и в разном масштабе.
«Мы создали инструмент, который способен быстро адаптироваться к новым, редко встречающимся видам повреждений без длительной и дорогостоящей переразметки данных. Для этого использовали архитектуру, которая учится «понимать» суть дефекта, а не просто запоминать картинки», — рассказал руководитель проекта, ассистент кафедры автоматизированных систем управления НГТУ НЭТИ Егор Антонянц.
Автоматизированные системы визуального контроля на основе классических алгоритмов, как правило, требуют идеальных условий съемки. Для обучения большинства современных нейросетей-классификаторов необходимо искать огромные объемы размеченных данных. Уникальность разработки НГТУ НЭТИ в том, что она предлагает компромисс — высокую точность при минимальной подготовительной работе с данными.
Созданная в новосибирском вузе интеллектуальная система контроля качества показывает высокую эффективность при ограниченных данных. На тестовых данных система продемонстрировала точность обнаружения дефектов более 87%, что значительно превосходит результаты традиционных методов машинного обучения, основанных на ручном описании признаков. По словам разработчиков, это делает ее выгодным решением на предприятиях, где сбор тысяч примеров брака затруднен или экономически невыгоден.
«Технология предназначена для внедрения в системы контроля качества и предиктивного обслуживания на промышленных предприятиях, в первую очередь в металлургии и машиностроении. Она позволит автоматизировать процесс контроля стальных поверхностей, определять необходимость обслуживания оборудования по ранним признакам износа и повышать общую надежность и безопасность производственных линий В перспективе систему можно адаптировать для мониторинга состояния мостов, трубопроводов и других конструкций, где критически важна бесперебойная работа», — отметил Егор Антонянц.
Система уже прошла ряд испытаний. По словам одного из главных разработчиков проекта, студента третьего курса факультета автоматики и вычислительной техники Виталия Заозернова, испытания на публичной базе снимков дефектов стали показали высокую точность в распознавании различных видов повреждений, что подтвердило практическую ценность используемого подхода.
