Список литературы

2518-1092

Научный результат. Информационные технологии

2518-1092

10.18413/2518-1092-2025-10-2-0-8

3826

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПРИНЯТИЕ РЕШЕНИЙ

<strong>ДИАГНОСТИКА КОНВЕЙЕРНОГО ОБОРУДОВАНИЯ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ</strong>

<strong>DIAGNOSIS OF CONVEYOR EQUIPMENT USING NEURAL NETWORK ALGORITHMS</strong>

Криницин

Павел Геннадьевич

Krinitsin

Pavel Gennadievich

alfa_reklama@mail.ru

Ченцов

Сергей Васильевич

Chentsov

Sergey Vasilievich

schentsov@sfu-kras.ru

2025

10200

В условиях повсеместного внедрения интеллектуальных систем мониторинга и диагностики, компьютерное зрение становится одним из передовых инструментов, позволяющим эффективно решать задачи оптимизации обслуживания и повышения надежности промышленного оборудования. В данной статье рассматриваются основные методы и подходы использования компьютерного зрения для оценки технического состояния конвейерного оборудования, анализируются преимущества и недостатки существующих систем диагностики, а также предлагаются возможные направления для проведения дальнейших исследований. От работоспособности ленточных конвейеров зависит функционирование всего производственного процесса. Транспортёры обеспечивают непрерывность подачи сырья на очередной производственный участок, тем самым перемещая сырье на следующие этапы обработки или склад готовой продукции. Большая часть транспортерного оборудования в металлургической промышленности представлена конвейерами с резиновой транспортерной лентой. Срок службы ленты конвейера в среднем составляет один-два года. Ходимость ленты зависит от времени реагирования ремонтной службы на развитие повреждения ее поверхности. Учитывая высокую частоту отказов конвейерного оборудования для транспортировки и переработки нефтяного кокса, повышение надёжности транспортерной ленты — приоритетная и особо актуальная задача на производстве. Рассматриваемые в статье методы, основанные на алгоритмах компьютерного зрения, решают задачи классификации, детекции и сегментации различных дефектов транспортерной ленты.

In the context of the widespread implementation of intelligent monitoring and diagnostic systems, computer vision becomes one of the leading tools, enabling effective solutions for optimizing maintenance and enhancing the reliability of industrial equipment. This article explores the main methods and approaches for using computer vision to assess the technical condition of conveyor equipment, analyzes the advantages and disadvantages of existing diagnostic systems, and suggests possible directions for further research. The operation of belt conveyors determines the functioning of the entire production process. Conveyors ensure the continuous supply of raw materials to the next production stage, thus moving materials to subsequent processing stages or the finished product warehouse. Most conveyor equipment in the metallurgy industry features conveyors with rubber belts. The average lifespan of a conveyor belt is one to two years. The durability of the belt depends on the response time of the maintenance team to emerging surface damage. Considering the high failure rate of conveyor equipment for the transportation and processing of petroleum coke, enhancing the reliability of the conveyor belt is a priority and especially pertinent task in production. The methods discussed in the article, based on computer vision algorithms, address the challenges of classification, detection, and segmentation of various conveyor belt defects.

компьютерное зрениедиагностиканейросетевые алгоритмыдетекцияклассификациясегментацияконвейертранспортерная лента

computer visiondiagnosticsneural network algorithmsdetectionclassificationsegmentationconveyorconveyor belt

Список литературы

1. AC-SNGAN: Multi-class data augmentation for damage detection of conveyor belt surface using improved ACGAN / G. Wang, Z. Yang, H. Sun [et al.] // Measurement. – 2024. – Vol. 224. – P. 113814.

2. Computational approaches to Explainable Artificial Intelligence: Advances in theory, applications and trends / J.M. Górriz, I. Álvarez-Illán, A. Álvarez-Marquina [et al.] // Information Fusion. – 2023. – Vol. 100. – P. 101945.

3. Иванов К.В. Преимущества компьютерного зрения / К.В. Иванов, Н.Д. Астафьев // Актуальные проблемы авиации и космонавтики: сборник материалов VIII Международной научно-практической конференции, посвященной Дню космонавтики: в 3 т., Красноярск, 11–15 апреля 2022 года. Том 2. – Красноярск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева", 2022. – С. 401-403.

4. Bozma H.I., Yalçın H. Visual processing and classification of items on a moving conveyor: a selective perception approach Robot. Comput.-Integr. Manuf. – 2002. – Vol. 18 (2). – P. 125-133.

5. Zhang M., Shi H., Zhang Y., Yu Ya., Zhou M. Deep learning-based damage detection of mining conveyor belt // Measurement. – 2021. – Vol. 175. – P. 109-130.

6. Proactive measures to prevent conveyor belt Failures: Deep Learning-based faster foreign object detection / M. Zhang, Yu. Cao, K. Jiang [et al.] // Engineering Failure Analysis. – 2022. – Vol. 141. – P. 106-653.

7. Ляхович В.А. Пылеподавляющий и противосмерзающий состав для кокса из продуктов вторичных процессов переработки нефтяного сырья / В.А. Ляхович, Ю.А. Булавка // Наука. Технология. Производство - 2019: Материалы Международной научно-технической конференции, посвященной 100-летию Республики Башкортостан, Салават, 15–19 апреля 2019 года. – Салават: Уфимский государственный нефтяной технический университет, 2019. – С. 59-61.

8. Королева А.М. Характеристика роли человеческого фактора при анализе причин аварий на опасных производственных объектах / А.М. Королева, К.И. Дробинин, Л.Б. Хайруллина // Экономика и предпринимательство. – 2021. – № 11(136). – С. 1399-1404.

9. Кабанова В.В., Логунова О.С. Применение искусственного интеллекта при работе с мультимедийной информацией // Вестник Череповецкого государственного университета. 2022. № 6(111). С. 23–41.

10. Аугментация наборов изображений для обучения нейронных сетей при решении задач семантической сегментации / И.А. Ложкин, М.Е. Дунаев, К.С. Зайцев, А.А. Гармаш // International Journal

of Open Information Technologies. – 2023. – Т. 11, № 1. – С. 109-117.

11. PyTorch: An Imperative Style, High Performance Deep Learning Library / Paszke A., Gross S., Massa F. and others. // Advances in Neural Information Processing Systems 32, Curran Associates, Inc., 2019. – P. 8024-8035.

12. Черников А.Д. Прогнозирование и распознавание объектов в видеопотоке с помощью глубокого обучения / А.Д. Черников // Вестник науки. – 2023. – Т. 2, № 9(66). – С. 209-215.

13. Обзор современных средств разметки цифровых диагностических изображений / Ю.А. Васильев, Е.Ф. Савкина, А.В. Владзимирский [и др.] // Казанский медицинский журнал. – 2023. – Т. 104, № 5. –

С. 750-760.

14. Нейросетевой алгоритм полнокадрового распознавания надводных объектов в реальном времени / В.А. Бондаренко В.А., Павлова В.А., Тупиков В.А., Холод Н.Г. // Известия ЮФУ. Технические науки. – 2020. – № 1(211). – С. 188-199.

15. Сегментация объектов с функцией дообучения / И.Д. Ненахов, К. Артемов, С. Забихифар, А.Н. Семочкин, С.А. Колюбин // Изв. вузов. Приборостроение. 2022. Т. 65, № 3. С. 194-203.

16. He K, Gkioxari G, Dollár P, Girshick R. MaskR-CNN [Электронный ресурс]. URL: https://arxiv.org/abs/1703.06870 (Дата обращения:15.08.2024)

17. Андриянов Н.А. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet / Н.А. Андриянов, В.Е. Дементьев, А.Г. Ташлинский // Компьютерная оптика. – 2022. – Т. 46, № 1. – С. 139-159.

18. Стрельцов Д.Н. Алгоритм обнаружения объектов на видеоизображении с расчетом площадей найденных контуров / Д.Н. Стрельцов // Известия Тульского государственного университета. Технические науки. – 2012. – № 11-2. – С. 116-122.

19. Tien N.T. A literature review of ERP system, challenges and opportunities of ERP implementation on organization / N.T. Tien, T.T. Tâm // TẠP CHÍ KHOA HỌC TRƯỜNG ĐẠI HỌC QUỐC TẾ HỒNG BÀNG. – 2023. – Vol. 4. – P. 35-44.

20. Martell F., López J.M., Sánchez I.Yo., Paredes C.A., Pisano E. Evaluation of the degree of automation and digitalization using a diagnostic and analysis tool for a methodological implementation of Industry 4.0 / Computers & Industrial Engineering Volume 177, March 2023, 109097.