Соловьев Глеб Витальевич — аспирант, инженер-исследователь
Санкт-Петербург, 197101
sc 59409934700
Gleb V. Solovev — PhD Student, Engineer Researcher
Saint Petersburg, 197101
sc 59409934700
Соколов Михаил Сергеевич — кандидат технических наук, ведущий научный сотрудник
Санкт-Петербург, 197101
sc 56994304500
Mikhail S. Sokolov — PhD, Leading Researcher
Saint Petersburg, 197101
sc 56994304500
Введение. Современные производственные задачи, такие как контроль качества лазерной сварки и локализация геометрических признаков в промышленных процессах, требуют применения инновационных подходов машинного обучения. Недостаток размеченных данных и сложность геометрической аннотации являются критическими барьерами при разработке автоматизированных систем контроля. Научная новизна предлагаемого подхода заключается в комплексном использовании гибридных методов, объединяющих эволюционную оптимизацию, диффузионные модели и сверточные нейронные сети для эффективного решения практических инженерных задач с ограниченными ресурсами данных. Метод. Предложенный подход состоит из двух интегрированных компонентов. Первый компонент реализует гибридный алгоритм генерации синтетических данных, объединяющий эволюционную оптимизацию для генерации разнообразных геометрических вариантов с использованием диффузионных моделей для синтеза фотореалистичных изображений. Второй компонент включает специализированную архитектуру глубокого обучения, оптимизированную для точной локализации и классификации геометрических признаков в производственных контекстах. Обучение реализуется с применением комбинированной функции потерь, интегрирующей регрессионные и классификационные критерии. Основные результаты. На примере задачи контроля качества лазерной сварки синтетический набор данных расширен с 120 оригинальных изображений до 4537 реалистичных примеров, что позволило повысить точность сегментации швов с 2,4 до 0,75 по метрике потерь box loss. Для задачи локализации координат шва достигнута ошибка предсказания 31,8 пикселов по оси Y и 3,3 пиксела по оси X на исходном разрешении 1024 × 2448 пикселов. Экспериментальное сравнение показало превосходство сверточных архитектур над трансформерными моделями при сопоставимом количестве параметров, а также лучшую точность при регрессии с одного кадра, чем при использовании последовательности кадров. Обсуждение. Предложенные методы демонстрируют значительное превосходство по сравнению с классическими подходами масштабирования данных (mixup, cutmix) и чистыми подходами к диффузионному синтезу, которые требуют интенсивной подготовки наборов данных. Интеграция эволюционной оптимизации обеспечивает контролируемое разнообразие геометрических вариантов, а диффузионные модели гарантируют фотореалистичность синтезированных образцов. Данный гибридный подход имеет широкие перспективы применения в других промышленных секторах с ограниченной доступностью размеченных данных благодаря возможности построения полного конвейера синтеза труднодоступных промышленных данных, а затем их использования для обучения прикладных методов искусственного интеллекта, решающих целевые промышленные задачи.
Modern industrial tasks, such as quality control in laser welding and the localization of geometric features in industrial processes, require the application of innovative machine learning approaches. The scarcity of annotated data and the complexity of geometric annotation are critical barriers to the development of automated inspection systems. The scientific novelty of the proposed approach lies in the comprehensive use of hybrid methods, combining evolutionary optimization, diffusion models, and convolutional neural networks to effectively address practical engineering tasks with limited data resources. The proposed framework consists of two integrated components. The first component implements a hybrid algorithm for synthetic data generation, merging evolutionary optimization for generating diverse geometric variants with diffusion models for synthesizing photorealistic images. The second component involves a specialized deep learning architecture optimized for the precise localization and classification of geometric features in industrial settings. Training is performed using a combined loss function that integrates regression and classification criteria. In the case of laser welding quality control, the synthetic dataset was expanded from 120 original images to 4,537 realistic samples. This augmentation improved weld seam segmentation accuracy, reducing the box loss metric from 2.4 to 0.75. For the task of localizing weld seam coordinates, a prediction error of 31.8 pixels along the Y-axis and 3.3 pixels along the X-axis was achieved at the original resolution of 1,024 × 2,448 pixels. Experimental comparisons showed that convolutional architectures outperformed transformer-based models with a comparable number of parameters, and that regression from a single frame yielded higher accuracy than using a sequence of frames. The proposed methods demonstrate significant superiority over classical data augmentation techniques (e.g., mixup, cutmix) and pure diffusionbased synthesis approaches which require intensive dataset preparation. The integration of evolutionary optimization ensures controlled diversity in geometric variants, while diffusion models guarantee the photorealism of synthesized samples. This hybrid approach holds broad potential for application in other industrial sectors with limited availability of annotated data, owing to its capability to construct a complete pipeline for synthesizing hard-to-obtain industrial data and subsequently using it to train applied Artificial Intelligence methods for solving targeted industrial problems.
The authors declare that there are no conflicts of interest present.