ЛОКАЛІЗАЦІЯ ДЕФЕКТНИХ ЗОН НА ПОВЕРХНЯХ МЕТАЛІВ МЕТОДОМ АНАЛІЗУ КУМУЛЯТИВНИХ ПРОЄКЦІЙ ІНТЕНСИВНОСТІ ПІКСЕЛІВ
DOI:
https://doi.org/10.30837/0135-1710.2026.189.128Ключові слова:
кумулятивні проєкції зображень, локалізація дефектних зон поверхонь металів, комп’ютерний зір, аналіз зображеньАнотація
Предмет дослідження – процес просторової локалізації дефектних зон на зображеннях поверхонь. Метою є розроблення обчислювально ефективного методу просторової локалізації дефектних зон на металевих поверхнях, здатного функціювати в режимі реального часу на стандартному процесорному обладнанні без долучення ресурсомістких моделей машинного навчання. Завдання: проаналізувати наявні підходи до дефектоскопії; розробити метод і математичну модель локалізації на основі кумулятивних проєкцій; створити оптимізований алгоритм оброблення матриці пікселів; розробити експериментальне програмне забезпечення; емпірично перевірити запропонований підхід на стандартизованих наборах даних. Методи дослідження: цифрове оброблення зображень, математичний апарат аналізу одновимірних кумулятивних проєкцій інтенсивності пікселів, методи теорії множин (для визначення перетину аномальних зон), низькорівневої алгоритмічної оптимізації (прямий доступ до пам’яті, стекова алокація) для прискорення обчислень. Результати. Розроблено метод просторової локалізації дефектних зон, що здійснює редукцію розмірності зображення способом його перетворення в систему незалежних векторів. Запропоновано алгоритм із дворівневою ієрархічною верифікацією для усунення проблеми множинних хибних спрацьовувань (фантомних рамок). Створено експериментальне програмне забезпечення, в якому завдяки глибокій оптимізації досягнуто швидкодії оброблення великоформатних зображень (2048 на 1000 пікселів) на рівні 40–50 мс із використанням виключно центрального процесора. Метод успішно формує точні обмежувальні рамки навколо мікродефектів на фонах зі складною металевою текстурою, відсікаючи до 95% однорідного фону. Висновки. Запропонований метод є обчислювально ефективною альтернативою сучасним моделям глибокого навчання для систем промислової дефектоскопії. Відмова від двовимірної згортки на користь аналізу одновимірних проєкцій значно зменшує ресурсомісткість. Алгоритм здатний працювати в режимі жорсткого реального часу, забезпечуючи надійну просторову локалізацію без потреби в попередньому навчанні на великих масивах розмічених даних.
Посилання
Ibrahim, A. A. M. S., Tapamo, J.-R. (2024), "A survey of vision-based methods for surface defects’ detection and classification in steel products", Informatics, No. 11 (2), article ID 25. DOI: https://doi.org/10.3390/informatics11020025
Song, K., Yan, Y. (2013), "A noise robust method based on completed local binary patterns for hot-rolled steel strip surface defects", Applied Surface Science, No. 285, pp. 858–864. DOI: https://doi.org/10.1016/j.apsusc.2013.09.002
Li, Z., Tian, X., Liu, X., Liu, Y., Shi, X. (2022), "A Two-Stage industrial defect detection framework based on Improved-YOLOV5 and Optimized-Inception-ResnetV2 models", Applied Sciences, No. 12 (2), article ID 834. DOI: https://doi.org/10.3390/app12020834
Zhang, T., Pan, P., Zhang, J., Zhang, X. (2024), "Steel Surface Defect Detection Algorithm based on improved YOLOV8N", Applied Sciences, No. 14 (12), article ID 5325. DOI: https://doi.org/10.3390/app14125325
Lv, X., Duan, F., Jiang, J.-J., Fu, X., Gan, L. (2020), "Deep metallic surface defect detection: The new benchmark and detection network", Sensors, No. 20 (6), article ID 1562. DOI: https://doi.org/10.3390/s20061562
Zhao, L., Zheng, Y., Peng, T., Zheng, E. (2023), "Metal Surface Defect Detection Based on a Transformer with Multi-Scale Mask Feature Fusion", Sensors, No. 23 (23), article ID 9381. DOI: https://doi.org/10.3390/s23239381 7. Dong, H., Song, K., He, Y., Xu, J., Yan, Y., Meng, Q. (2019), "PGA-NeT: Pyramid Feature Fusion and Global Context Attention Network for Automated Surface Defect Detection", IEEE Transactions on Industrial Informatics, No. 16(12), pp. 7448–7458. DOI: https://doi.org/10.1109/tii.2019.2958826
Roth, K., Pemula, L., Zepeda, J., Schölkopf, B., Brox, T., Gehler, P. (2021), "Towards total recall in industrial anomaly detection", arXiv (Cornell University). DOI: https://doi.org/10.48550/arxiv.2106.08265
Fanwu, M., Tao, G., Di, W., Xiangyi, X. (2025), "Unsupervised surface defect detection using dictionary-based sparse representation", Engineering Applications of Artificial Intelligence, vol. 143, article ID 110020. DOI: https://doi.org/10.1016/j.engappai.2025.110020
Aslam, Y., Santni, N., Ramasamy, S., Ramar, K. (2019), "A Modified Adaptive Thresholding Method using Cuckoo Search Algorithm for Detecting Surface Defects", International Journal of Advanced Computer Science and Applications, No. 10 (5), pp. 214–220. DOI: https://doi.org/10.14569/ijacsa.2019.0100528
Luo, Q., Fang, X., Liu, L., Yang, C., Sun, Y. (2020), "Automated Visual Defect Detection for Flat Steel Surface: a survey", IEEE Transactions on Instrumentation and Measurement, No. 69 (3), pp. 626–644. DOI: https://doi.org/10.1109/tim.2019.2963555
Zhou, C., Lu, Z., Lv, Z., Meng, M., Tan, Y., Xia, K., Liu, K., Zuo, H. (2023), "Metal surface defect detection based on improved YOLOv5", Scientific Reports, No. 13 (1), article ID 20803. DOI: https://doi.org/10.1038/s41598-023-47716-2
Zou, G., Li, T., Li, G., Peng, X., Fu, G. (2019), "A visual detection method of tile surface defects based on spatial-frequency domain image enhancement and region growing", 2019 Chinese Automation Congress (CAC), pp. 1631–1636. DOI: https://doi.org/10.1109/cac48633.2019.8997215
Chen, Z., Feng, X., Liu, L., Jia, Z. (2023), "Surface defect detection of industrial components based on vision", Scientific Reports, No. 13 (1), article ID 22136. DOI: https://doi.org/10.1038/s41598-023-49359-9
Yang, J., Liu, Z. (2024), "A novel real-time steel surface defect detection method with enhanced feature extraction and adaptive fusion", Engineering Applications of Artificial Intelligence, No. 138, article ID 109289. DOI: https://doi.org/10.1016/j.engappai.2024.109289
Ren, Z., Fang, F., Yan, N., Wu, Y. (2022), "State of the art in defect detection based on machine vision", International Journal of Precision Engineering and Manufacturing-Green Technology, No. 9, pp. 661–691. DOI: https://doi.org/10.1007/s40684-021-00343-6
Wang, Z., Zhao, L., Li, H., Xue, X., Liu, H. (2024), "Research on a metal surface defect detection algorithm based on DSL-YOLO", Sensors, No. 24 (19), article ID 6268. DOI: https://doi.org/10.3390/s24196268
Gonzalez, R. C., Woods, R. E. (2018), Digital Image Processing, Global Edition. 4th Edition, Pearson Education, New York, 1022 p. available at: https://www.cl72.org/090imagePLib/books/Gonzales,Woods-Digital.Image.Processing.4th.Edition.pdf
Hu, X., Yang, J., Jiang, F., Hussain, A., Dashtipour, K., Gogate, M. (2023), "Steel surface defect detection based on self-supervised contrastive representation learning with matching metric", Applied Soft Computing, No. 145, article ID 110578. DOI: https://doi.org/10.1016/j.asoc.2023.110578
Wu, L., Ran, Y., Yan, L., Liu, Y., Song, Y., Han, D. (2025), "A dataset for surface defect detection on complex structured parts based on photometric stereo", Scientific Data, No. 12, article ID 276. DOI: https://doi.org/10.1038/s41597-025-04454-6
Zeng, K., Xia, Z., Qian, J., Du, X., Xiao, P., Zhu, L. (2025), "Steel surface defect detection technology based on YOLOv8-MGVS", Metals, No. 15 (2), article ID 109. DOI: https://doi.org/10.3390/met15020109
UA 
EN 
