Команда ИИ-зрения мостового крана победила на конкурсе дефектов
Команда разработчиков ИИ-зрения для мостовых кранов достигла прорывных результатов на международном конкурсе по обнаружению промышленных дефектов. Уровень производительности алгоритмов ИИ-визуального контроля напрямую определяет точность распознавания и инженерную применимость интеллектуальных систем обнаружения для мостовых кранов.
Уровень производительности алгоритмов ИИ-визуального контроля напрямую определяет точность распознавания и инженерную применимость интеллектуальных систем обнаружения для мостовых кранов. Команда разработчиков ИИ-зрения для мостовых кранов недавно приняла участие в международном конкурсе по обнаружению промышленных дефектов CrackDetection Challenge 2026, заняв общие 3-е и 5-е места в двух категориях — обнаружение обрывов проволок каната и обнаружение трещин сварных швов. Точность обнаружения (mAP) в задаче обнаружения обрывов проволок каната достигла 94,7%. Усовершенствованная модель YOLOv8, самостоятельно разработанная командой на основе деформируемых свёрток DCNv4 и механизма координатного внимания Coordinate Attention, была включена организаторами конкурса в число базовых эталонных моделей.
Результаты участия в международном конкурсе
CrackDetection Challenge 2026 организован IEEE Industrial Electronics Society совместно с Мюнхенским техническим университетом и привлёк 157 команд из 28 стран мира, включая университетские исследовательские группы и отделы разработки промышленных инспекционных компаний. Конкурс включал четыре категории — обнаружение обрывов проволок каната, обнаружение трещин сварных швов, обнаружение трещин дорожного покрытия и обнаружение микротрещин лопастей авиационных двигателей — с единой структурой оценки. Команда участвовала в двух категориях, непосредственно связанных с бизнесом ИИ-визуального контроля для мостовых кранов: обнаружение обрывов проволок каната и обнаружение трещин сварных швов.
Обучающий набор данных в категории обнаружения обрывов проволок каната содержал 8000 размеченных изображений, охватывающих три типа дефектов: локальные обрывы, концентрированные обрывы и деформацию диаметра каната; тестовый набор включал 2000 неразмеченных изображений. Представленная командой модель набрала 86,7 балла в этой категории, заняв 3-е место — точность обнаружения mAP 94,7% (3-е место), скорость вывода на кадр 38,2 мс (5-е место), количество параметров модели 7,3M (2-е место). В категории обнаружения трещин сварных швов модель получила 82,3 балла, заняв 5-е место. Оба результата являются лучшими среди участников из китайской краностроительной отрасли.
Ключевые технологические инновации усовершенствованной модели
Модель, использованная в конкурсе, основана на архитектуре YOLOv8s и улучшена по трём ключевым технологиям: замена стандартных свёрток на деформируемые свёртки DCNv4 позволяет точкам выборки ядра свёртки адаптивно смещаться в зависимости от формы дефекта на входной карте признаков, что повысило полноту (recall) обнаружения мелких обрывов проволок с 83,5% до 91,2% в задаче обнаружения обрывов проволок каната. Механизм координатного внимания вводит кодирование координатной информации на каждом уровне пирамиды признаков, позволяя модели точно позиционировать пространственное расположение дефектов. Облегчённая конструкция за счёт глубинных разделяемых свёрток и канального прунинга сократила количество параметров модели с исходных 11,2M до 7,3M, т.е. примерно на 35%.
Техническая трансформация конкурсных результатов
Алгоритмические улучшения, подтверждённые в ходе конкурса, уже проходят техническую трансформацию в линейке продукции ИИ-визуального контроля для мостовых кранов. Модуль DCNv4 интегрирован и развёрнут в продукте системы онлайн-обнаружения обрывов проволок каната на базе ИИ; после тестирования комплексный показатель mAP повысился с 0,91 до 0,94 при сохранении скорости вывода в реальном времени. Механизм координатного внимания внедрён в модель ИИ-обнаружения сварных швов, что повысило точность обнаружения трещин на 4,3 процентных пункта. Технология облегчённого прунинга применена при развёртывании модели на периферийном устройстве Jetson Orin NX, что позволило снизить скорость вывода модели с 18 мс/кадр до 12 мс/кадр при сохранении более 98% исходной точности.
Устойчивая инновационная способность команды алгоритмистов
В команде разработчиков ИИ-зрения для мостовых кранов в настоящее время работают 22 штатных инженера-алгоритмиста, включая 4 докторов наук, 12 магистров и 6 бакалавров. Члены команды имеют академическое образование в области компьютерного зрения и глубокого обучения, охватывающее три направления: обнаружение объектов, сегментация изображений и облегчение моделей. Команда выстроила стандартный процесс итерации алгоритмов — ежеквартальный анализ архитектуры моделей, на основе тенденций, подтверждённых конкурсными испытаниями и новыми публикациями, определяются направления улучшения алгоритмов на следующий квартал. Накопленные за последние годы журналы обучения моделей и данные абляционных экспериментов стали интеллектуальным активом команды: новые сотрудники могут быстро воспроизводить и расширять исследования на основе существующей экспериментальной базы.
Часто задаваемые вопросы (FAQ)
В: Является ли модель, использованная в конкурсе, той же самой, что применяется в реальных продуктах для мостовых кранов?
О: Это не одна и та же модель, но технологии у них общие. Конкурсная модель использует более высокое входное разрешение и более сложную стратегию обучения для достижения максимальной точности; продуктовая модель на этой основе лишена компонентов, неблагоприятных для работы в реальном времени, и адаптирована под платформу Jetson с квантованием TensorRT FP16. Конкурсная модель подтверждает теоретический верхний предел точности алгоритма, а продуктовая модель достигает оптимального баланса между точностью и скоростью. Текущий mAP продуктовой модели составляет примерно 95–98% от точности конкурсной модели.
В: Планирует ли команда участвовать в других международных конкурсах в будущем?
О: Да, планируется участие в 1–2 международных конкурсах в год, связанных с технологиями ИИ-визуального контроля для мостовых кранов. На второе полугодие 2026 года уже подана заявка на конкурс по обнаружению аномалий в промышленном зрении MVTec AD 2026, организованный Международной ассоциацией распознавания образов IAPR. Основная цель участия в конкурсах — не погоня за рейтингом, а объективная оценка реального уровня алгоритмов через сопоставление с ведущими мировыми командами и выявление собственных технических слабых мест.
В: Публикуются ли технические результаты команды в виде научных статей?
О: Да. За последние два года опубликовано 5 статей в академических журналах и на конференциях в области промышленного контроля. Публикации ориентированы на прикладные технологии и ценность инженерной практики. Полные технические детали схемы DCNv4 + Coordinate Attention, подтверждённой в ходе конкурса, планируются к подаче в IEEE Transactions on Industrial Informatics.
В: Каковы основные технические вызовы в области обнаружения промышленных дефектов и как они влияют на контроль мостовых кранов?
О: Обнаружение промышленных дефектов сталкивается с тремя основными проблемами. Во-первых, сложность выявления мелких дефектов: ширина трещины составляет всего 0,05–0,3 мм, что в изображении занимает лишь несколько или десятки пикселей. Во-вторых, высокая степень межклассового сходства: пористость и шлаковые включения визуально очень похожи, а текстуры коррозии и масляных загрязнений также легко спутать. В-третьих, дефицит размеченных данных: получение данных о промышленных дефектах требует больших затрат, а дисбаланс между положительными и отрицательными примерами крайне высок. Эти же проблемы характерны и для дефектоскопии каната мостового крана, и для контроля сварных швов.
