В МАИ разработали уникальное решение по умной дефектоскопии

Московский авиационный институт, 29 октября 2024 года

В рамках проекта по промышленной дефектоскопии учёные МАИ разработали уникальную методику по созданию синтетических данных. Обученная на этих данных нейросеть позволяет снимать показания промышленных приборов при помощи умной камеры беспилотника.

Одной из важнейших задач на промышленных объектах является поддержание исправности оборудования и инфраструктуры. Обычно её выполняют квалифицированные специалисты, но обход огромных территорий занимает много времени, а в некоторых местах — и небезопасен для человека. Для выполнения этой работы в последние годы стали активно использовать беспилотники, оснащённые умными камерами, которые позволяют в автоматическом режиме контролировать объекты инфраструктуры и снимать показания с приборов — как электронных, так и стрелочных.

Такой проект для теплоэлектростанции реализовали в МАИ. В задачи промышленного беспилотника входят, в частности, дефектоскопия труб, связанных с топкой парового котла, а также определение показаний приборов машинного зала.

— Для машинного зрения распознавание показаний приборов сильно отличается от дефектоскопии труб. Главная сложность заключается в том, что дрон может с любой стороны подлететь к манометру, прибор может иметь разные ракурсы освещения, соответственно, получатся разные изображения. Поскольку реальных данных для обучения нейросети в нашем распоряжении было мало, мы сделали синтетический датасет, связанный с манометром. Мы изучили большой массив мировых научных публикаций и выяснили, что для стрелочных приборов, которые до сих пор используются повсеместно, не существует универсальной методики создания синтетических данных. Похожую задачу решали американские коллеги в Гарварде, но они смогли предложить решение только для неподвижной камеры, мы же сделали своё оригинальное решение для камеры БЛА в полёте, — рассказывает один из разработчиков, руководитель лаборатории искусственного интеллекта института № 8 «Компьютерные науки и прикладная математика» МАИ Вадим Кондаратцев.

Не менее сложной задачей было научить систему определять дефекты труб. Главная трудность здесь состояла в том, что дрон летает в полной темноте с зажжённым прожектором, а потому в зависимости от того, как ложится на трубу свет, меняется и изображение возможного дефекта. Таких сложных вариаций реальных изображений на практике получить невозможно, поэтому и здесь разработчики пошли по пути создания генератора синтетических данных.

— Технически это выглядит следующим образом. Разработчик берёт целевую модель обстановки — улицу, помещение, топку котла, трубу и т.д. — и под эту целевую модель заготавливает, во-первых, базовую сцену: в нашем случае, создаёт в специальной программе 3D-модель трубы. Потом придумывает алгоритм, как, имея базовую сцену, автоматически двигать камеру, строить разметку, наносить дефекты. Как ставить фильтры, которые будут искажать изображение таким образом, чтобы моделировать реальную съёмку. Как сделать так, чтобы данные, которые генерируются на основе этого движка, упаковывались и отправлялась в фреймворк обучения нейронной сети, — отмечает эксперт.

Разработка таких исходных 3D-моделей — довольно трудоёмкая работа, которая в среднем занимает несколько месяцев. Зато когда генератор готов, он способен за неделю создать несколько сотен тысяч изображений, которых вполне хватает для обучения нейросети.

— Конечно, обученный специалист распознаёт дефекты и считывает показания приборов в 100% случаев: для умной камеры это пока невозможный показатель. Но в данном случае выигрыш в скорости: дрон с умной камерой может облететь всю топку за пять минут, а человеку надо потратить несколько недель на строительство лесов и последующий осмотр, не говоря уже о рисках при проведении такого рода работ, — говорит Вадим Кондаратцев.

Материал подготовлен при поддержке Минобрнауки России.




Сообщения компаний:

ГТЛК поставит 7 вертолетов российским авиакомпаниям по ФНБ-проекту
АО "ГТЛК"

Авиакомпания NordStar продлила код шер соглашение с авиакомпанией Red Wings на осенне зимний период 2026/2027
АО "Авиакомпания "НордСтар"

ОАК поставит «Полярным авиалиниям» шесть Ил-114-300
ПАО "ОАК"

Беспилотный комплекс для поиска золота получил сертификат «Сделано в России»
ГК "Геоскан"

Ростех поставил первую партию серийных российских «черных ящиков» для импортозамещенного «Суперджета»
Госкорпорация Ростех

ОДК-Кузнецов провел чемпионат по созданию «Машины Голдберга» для школьников
ПАО «ОДК-Кузнецов»

Специалисты ОДК-Авиадвигатель восстановили установку испытательного стенда и сэкономили предприятию 95 млн рублей
АО "ОДК"

В МАИ обсудили перспективы применения искусственного интеллекта в беспилотных авиационных системах
Московский авиационный институт

Ростех поставил два вертолета Ми-8АМТ для работы в отдаленных регионах
Госкорпорация Ростех

В МАИ прошло Демонстрационное мероприятие конкурса UP GREAT «Гибридный полёт» Фонда НТИ
Московский авиационный институт

Инженеры РКС завоевали пять медалей в компетенциях будущего на чемпионате «Хайтек-2026»
АО "РКС"

Авиакомпания «РусЛайн» открыла продажу билетов на рейсы 2027 года из Иваново в Санкт-Петербург
АО АК "РусЛайн"

Аэропорт Краснодар подтвердил готовность спецтехники к осенне-зимнему периоду
Международный аэропорт Краснодар

Эксперт Геоскана стал лауреатом премии Правительства РФ в области геодезии и картографии
ГК "Геоскан"

УК «Аэропорты Регионов» представляет на «Транспорте России» сервисы для пассажиров с детьми
АО УК "Аэропорты Регионов"

Росэл и РГАТУ запустили программу повышения квалификации для инженеров бортовой электроники
Холдинг «Росэл»

ОДК-Сатурн делится опытом применения искусственного интеллекта с Передовой инженерной школой РГАТУ
АО "ОДК"

ОАК передала Минобороны России партию истребителей-бомбардировщиков Су-34
Госкорпорация Ростех

МАИ представил свои стратегические проекты на технологической сессии «Приоритет-2030»
Московский авиационный институт

Utair включил в осенне-зимнее расписание 28 маршрутов из Москвы
ПАО "Авиакомпания "ЮТэйр"