ООО «Исследовательский центр ТМК», Москва, Россия

И. Ю. Пышминцев, генеральный директор, докт. техн. наук
Е. А. Шкуратов, начальник отдела диджитализации и технологий искусственного интеллекта, канд. техн. наук, эл. почта: evgeniy.shkuratov@tmk-group.com
Д. В. Левшин, инженер машинного обучения отдела диджитализации и технологий искусственного интеллекта

Филиал ПАО «ТМК» Северский трубный завод, Полевской, Россия
К. П. Пьянков, заместитель начальника технического отдела

Представлены результаты исследования, направленного на разработку и внедрение интеллектуальной системы автоматизированного контроля качества прошиваемых гильз в линии трубопрокатного агрегата. Основу предложенного подхода составляют технологии компьютерного зрения и методы машинного обучения, примененные для идентификации и классификации несовершенств формы заднего торцевого участка гильз, формирующихся на стадии прошивки непрерывнолитых заготовок. Особое внимание уделено дефектам типа «корона» и «серьга», оказывающим определяющее влияние на геометрию и качество внутренней поверхности труб. В ходе исследования выполнен анализ производственных данных, сформирован репрезентативный набор изображений, включающий более 1000 примеров трех классов состояния поверхности. Для решения задачи классификации использована нейронная сеть архитектуры YOLO v11, обеспечивающая высокую точность определения при вариативных условиях освещения и ориентации объекта. Обучение модели осуществлено с применением методов аугментации и регуляризации данных. Достигнута средняя точность классификации 98,1 %, при значениях F1-score в диапазоне 0,95÷0,98. Разработанная модель интегрирована в промышленный интерфейс, реализующий обработку изображений в режиме реального времени, автоматическую идентификацию и визуализацию дефектов, а также архивирование результатов с привязкой к технологическим параметрам прошивки. Внедрение системы позволило перейти от дискретного и субъективного контроля к непрерывному, объективному мониторингу качества продукции. Полученные результаты подтверждают эффективность применения методов искусственного интеллекта в задачах технического зрения и демонстрируют потенциал их дальнейшего развития в рамках концепции цифрового и интеллектуального производства.

1. Пышминцев И. Ю., Шкуратов Е. А., Яшин Г. А., Космин И. В., Росоленко С. К., Бушин Р. О., Пятков В. Л., Мурзин А. В., Изгорев О. П., Мазурин Е. В. Разработка программно-аппаратного комплекса для поточного контроля труб в непрерывном производстве // Металлург. 2025. № 6. С. 82–87. DOI: 10.52351/00260827_2025_6_82
2. Пышминцев И. Ю., Шкуратов Е. А., Косьмин И. В., Росоленко С. К., Яшин Г. А. Разработка адаптивной системы контроля геометрических параметров горячекатаных труб на основе технологий машинного зрения // Черные металлы. 2025. № 12. С. 37–44.
3. Guo D., Zhang C., Yang G., Xue T., Ma W., Liu L. Ren J. Siamese-RCNet: Defect detection model for complex textured surfaces with few annotations // Electronics. 2024. Vol. 13, Iss. 24. 4873. DOI: 10.3390/electronics13244873
4. Curtic-Hodzic M., Ajkunic A., Sokić E., Salihbegović A., Arapovic L., Osmić N., Konjicija S. Automatic leather defect detection and classification using single-channel and multi-channel neural networks // IEEE Access. 2025. DOI: 10.1109/access.2025.3590789
5. Li D., Xie Q., Yu Z., Wu Q., Zhou J., Wang J. Sewer pipe defect detection via deep learning with local and global feature fusion // Automation in Construction. 2021. Vol. 129, Iss. 2. 103823. DOI: 10.1016/j.autcon.2021.103823
6. Yang Z., Zhang M., Li C., Meng Z., Li Y., Chen Y., Liu L. Image classification for automobile pipe joints surface defect detection using wavelet decomposition and convolutional neural network // IEEE Access. 2022. Vol. 10, Iss. 2. P. 77191–77204. DOI: 10.1109/access.2022.3178380
7. Toennies K. D. Image classification: A computer vision task. — Springer, 2024. P. 1–17. DOI: 10.1007/978-981-99-7882-3_1
8. Черных И. Н., Струин Д. О., Шкуратов Е. А. Определение технологических факторов прокатки, способствующих возникновению дефектов поверхности на трубах // Вестник Южно-Уральского государственного университета. Серия: Металлургия. 2018. Т. 18, № 3. С. 51–58. DOI: 10.14529/met180306
9. Корсаков А. А., Михалкин Д. В., Алютина Е. В. и др. Разработка мероприятий по снижению дефектов внутренней поверхности труб нефтяного сортамента // Труды XII Конгресса прокатчиков. 2019. Том. 1. С. 102–107.
10. Михалкин Д. В., Корсаков А. А., Панасенко О. А., Пьянков К. П. Параметры очага деформации и граничные условия процесса прошивки // Металлург. 2021. № 2. С. 19–26.
11. Богатов А. А., Нухов Д. Ш., Топоров В. А., Панасенко О. А. Влияние положения оправки в очаге деформации на формоизменение заготовки при прошивке // Производство проката. 2017. № 1. С. 3–8.
12. Билан И. Т., Трубников К. В., Звонарев Д. Ю., Носкова М. Н. Обнаружение и классификация дефектов прокатного происхождения на торцах гильз с использованием сверточной нейронной сети // Вестник ЮУрГУ. Серия «Металлургия». 2023. Т. 23, № 1. С. 22–29. DOI: 10.14529/met230103
13. Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge, MA : MIT Press, 2016. — URL: http://www.deeplearningbook.org
14. Cubuk E. D., Zoph B., Mane D., Vasudevan V. K., Le Q. V. Autoaugment: learning augmentation policies from data. arXiv: Computer vision and pattern recognition. 2018. — URL: https://arxiv.org/abs/1805.09501
15. Shorten C., Khoshgoftaar T. M. A survey on image data augmentation for deep learning // Journal of Big Data. 2019. Vol. 6. 60. DOI: 10.1186/s40537-019-0197-0
16. Ultralytics. YOLOv11 Documentation. — 2024. — URL: https://docs.ultralytics.com/models/yolo11/ (дата обращения: 21.10.2025).
17. Khanam R., Hussain M. YOLOv11: An overview of the Key Architectural Enhancements. — arXiv, 2024. — URL: https://arxiv.org/abs/2410.17725
18. Loshchilov I., Hutter F. Decoupled weight decay regularization. — ICLR, 2019. — URL: https://arxiv.org/abs/1711.05101
19. Kingma D. P., Ba J. Adam: A method for stochastic optimization. — arXiv, 2014. — URL: https://arxiv.org/abs/1412.6980
20. Belkin M., Hsu D., Ma S., Mandal S. Reconciling modern machine-learning practice and the classical bias–variance trade-off // Proceedings of the National Academy of Sciences of the United States of America. 2019. Vol. 116, No. 32. P. 15849–15854. DOI: 10.1073/pnas.1903070116
21. Adeyemi T. Defect detection in manufacturing: an integrated deep learning approach // Journal of Computer and Communications. 2024. Vol. 12. P. 153–176. DOI: 10.4236/jcc.2024.1210011
22. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. arXiv, 2018. — URL: https://arxiv.org/abs/1804.02767