AI-визуальный контроль сварных швов мостового крана: трещины

Качество сварных швов главной балки мостового крана напрямую определяет срок службы и коэффициент запаса прочности всего крана. Едва заметная трещина в сварном шве, развиваясь под воздействием знакопеременных нагрузок в течение нескольких лет, способна привести к разрушению главной балки. Среди старых кранов, для которых мы проводили оценку безопасности конструкции, около трети очагов усталостных трещин приходится на сварные швы. При этом традиционный контроль сварных швов — визуальный осмотр в сочетании с магнитопорошковой дефектоскопией — отличается низкой эффективностью, а результаты напрямую зависят от квалификации и опыта конкретного дефектоскописта.

Главный прорыв систем визуального контроля на базе ИИ за последние два года заключается не в глубине моделей, а в том, что промышленную камеру, источник света и модуль логического вывода удалось упаковать в готовое решение, которое можно интегрировать непосредственно в поточную линию. На заводе-изготовителе мостовых кранов ежедневно свариваются десятки метров швов главной балки — полагаться только на визуальный контроль здесь невозможно. Связка YOLOv8 с правильно подобранной оптической системой позволяет идентифицировать трещины шириной менее 1 мм, а один GPU без каких-либо затруднений обрабатывает сигнал одновременно с 4 камер.

В данной статье рассматривается полное техническое решение — от выбора камеры до развертывания модели. Стоимость аппаратной части системы составляет 50 000–120 000 руб. и включает промышленный компьютер, промышленные камеры, источники света и ПО на базе ИИ. Время контроля одного сварного шва сокращается с 5–10 минут при ручном методе до 15 секунд, а уровень обнаружения дефектов возрастает с 70–80% до 92% и выше.

Архитектура системы визуального контроля сварных швов

Система ИИ-контроля сварных швов построена по конвейерному принципу: каждый модуль обрабатывает данные и передает результат следующему:

Каждый модуль работает автономно и может быть заменен или модернизирован без остановки всей линии. Такая архитектура упрощает масштабирование системы при переходе от контроля одной позиции к комплексному контролю всей поточной линии.

Контроль сварных швов: промышленная камера и система освещения

Самая сложная задача при контроле сварных швов — не нейросеть, а получение качественного изображения. На поверхности шва мостового крана присутствуют шлак, брызги и окалина. Обычная камера даёт низкий контраст и сильные блики — даже самый мощный ИИ не поможет при таком исходном материале.

Выбор камеры: рекомендуем промышленную камеру с разрешением 12 Мп (4096×3000), размер пикселя 3,45 мкм, затвор — rolling shutter. В паре с промышленным объективом с фокусным расстоянием 25 мм при рабочей дистанции 300 мм поле зрения составит примерно 200×150 мм, а разрешение на пиксель — около 0,05 мм. При таком разрешении трещина размером 0,5 мм занимает 10 пикселей — этого достаточно для уверенной идентификации дефекта нейросетью. Высокая частота кадров не требуется: 15 кадров/с вполне достаточно, поскольку обнаружение выполняется в статике, а не на ходу.

Схема освещения: поверхность сварного шва имеет текстуру, поэтому для выявления дефектов необходима структурная подсветка или низкоугловая линейная засветка. Рекомендуем синий линейный источник света (длина волны 460 нм) с углом падения 30° в сочетании с узкополосным светофильтром той же длины волны — это эффективно подавляет помехи от сварочной дуги. Комплект освещения с контроллером обойдётся примерно в 3000–5000 юаней — это та часть системы, которую часто недооценивают, но экономить на ней нельзя.

Обучение и развертывание модели ИИ

3.1 Формирование набора данных

Источники данных для обнаружения дефектов сварных швов с помощью мостового крана: первый — реальные изображения дефектов, собранные на производственной площадке (наиболее ценные, но дефектных образцов мало), второй — синтезированные изображения дефектов, полученные путем аугментации данных (для восполнения объема выборки). Рекомендуется комбинированный подход: 500–1000 реальных изображений + синтетическое расширение до 3000–5000 изображений.

Классификация дефектов выполняется по четырем категориям согласно стандарту ГОСТ 3323-2023 «Неразрушающий контроль сварных швов»:

Для разметки изображений рекомендуется использовать LabelImg или CVAT. После разметки каждое изображение сохраняется в формате YOLO (класс + центр x + центр y + ширина w + высота h, все значения нормализованы в диапазоне 0~1).

3.2 Выбор модели и обучение

Рекомендуется YOLOv8s (small-версия, ~11M параметров) — оптимальный баланс между точностью и скоростью. Конфигурация обучения:

from ultralytics import YOLO # Загрузка предобученной модели типа model = YOLO("yolov8s.pt") # Обучение（RTX4060около3часов до завершения300epoch） results = model.train( data="weld_dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01, augment=True, device=0 # GPU ) # Валидация metrics = model.val() print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

После обучения выполняется оптимизация скорости инференса с помощью TensorRT: исходная задержка YOLOv8s на RTX4060 составляет ~12 мс, после оптимизации FP16 в TensorRT снижается до 4~5 мс. При опросе 4 камер в цикле один инференс не превышает 35 мс, что полностью удовлетворяет требованиям реального времени для онлайн-обнаружения.

# TensorRTЭкспорт model.export(format="engine", dynamic=True, half=True) # Инференс import tensorrt as trt import pycuda.driver as cuda engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine( open("yolov8s_weld.engine", "rb").read()) # Время инференса на кадр около5ms (RTX4060)

4. Развертывание системы онлайн-обнаружения

Система устанавливается на конечном посту производственной линии сварки главной балки мостового крана. После завершения сварки главная балка автоматически перемещается на пост обнаружения, где промышленные камеры формируют изображения четырёх основных сварных швов (два верхних накладных шва + два нижних накладных шва). Для каждого шва выполняется съёмка 3~5 изображений (покрывающих всю длину шва), AI автоматически обнаруживает и отмечаетПоложение дефектов.

Параметры развертывания:

V. Ключевые аспекты реализации проекта

1. Свет важнее модели. Это первое железное правило машинного зрения. При первом пробном запуске мы использовали обычное кольцевое освещение — блики от сварного шва были настолько сильными, что трещины было невозможно зафиксировать. Для более полного понимания методов диагностики мостовых кранов рекомендуем ознакомиться с нашей статьёй о системе прогнозируемого техобслуживания и PHM для кранов. Даже самая мощная модель YOLOv8 не способна распознать то, чего не видит камера. После замены на низкоугловую синюю линейную подсветку контраст дефектов вырос более чем в 3 раза, а mAP модели подскочил с 68% до 89%. Затраты на освещение составляют менее 10% от стоимости всей системы, но определяют 80% конечного результата.

2. Что делать при нехватке дефектных образцов. Дефицит реальных образцов дефектов — общая проблема всех проектов промышленного зрения. Наш подход: сначала создаём искусственные дефекты (электроэрозионная резка на тестовых пластинах) и собираем 500 изображений для обучения первой версии модели. После запуска используем эту модель для предварительного отбора, а затем добавляем подтверждённые оператором реальные изображения дефектов в обучающий набор. После трёх циклов итерации модель показывает на реальных данных результаты, превосходящие версию, обученную только на синтетике.

3. Компромисс между ложными срабатываниями и пропуском дефектов. Визуальные признаки наплывов и подрезов частично совпадают с брызгами металла, поэтому уровень ложных срабатываний здесь объективно выше, чем при поиске трещин. Инженерная стратегия: для трещин и пористости устанавливаем высокий порог уверенности (≥0.7) — прямое заключение «брак»; для подрезов и наплывов — низкий порог (≥0.4) с пометкой «требует подтверждения оператором». Такой подход гарантирует, что критические дефекты не будут пропущены, а оператор не потеряет внимания из-за большого числа ложных сигналов.

4. Как интегрироваться с PLC производственной линии. Система контроля передаёт дискретный сигнал на PLC (по Modbus TCP или через цифровой I/O): при обнаружении трещины или пористости срабатывает сигнальная лампа и останавливается конвейер. Отчёт о контроле в формате XML загружается по FTP в систему MES для архивирования. Интеграция не требует изменений в существующей программе PLC — система контроля работает как автономное устройство, выдающее только сигнал OK/NG.

5. Регулярная калибровка обязательна. Деградация камеры и источников света влияет на стабильность контроля. Рекомендуется ежемесячно проводить калибровку с использованием стандартной тестовой пластины (с известными дефектами). Если результаты трёх последовательных проверок отклоняются от эталона более чем на 10%, система автоматически напоминает о необходимости калибровки или замены источника света.

Заключение

AI-контроль сварных швов — не новая технология: в автомобилестроении и трубопроводной отрасли её применяют уже несколько лет. Особенность мостовых кранов — большая протяжённость швов (на главной балке длиной 30 м — четыре продольных сварных шва), сложное состояние поверхности (обильные брызги металла) и требования к дефектам по стандарту ISO 5817 (аналог ГОСТ 3242). При правильной адаптации этих условий AI-контроль не уступает ручному контролю по качеству, а по эффективности и стабильности значительно его превосходит.

Мы провели полугодовые испытания на линии сварки главной балки мостового крана грузоподъёмностью 32 т: проверено 286 сварных швов, AI обнаружил 17 трещиноподобных дефектов (из них 2 пропущены при первичном ручном контроле), общая обнаруживаемость — 94,6%, среднее время контроля одного шва — 12 секунд. В дальнейшем планируем подключить данные контроля к платформе цифрового двойника мостового крана и проводить корреляционный анализ записей о дефектах швов каждого крана с данными мониторинга состояния конструкции в процессе эксплуатации.

Часто задаваемые вопросы