Поиск дефектов в стальных конструкциях (применение нейросетей для диагностических данных, полученных в результате обследования объектов методами неразрушающего контроля)
Роман Ивашкин
Как создать нейросеть, которая «впитает» 120 млн примеров дефектов стальных конструкций, полностью заменит ручной труд и будет определять фактический тип дефекта (трещина, коррозия и пр.)
в 4 раза точнее специалиста
в 4 раза точнее специалиста
Организация, в которой трудится Роман, занимается технической диагностикой объектов трубопроводного транспорта. Работа ведется со стальными конструкциями. Их особенность в том, что со временем сталь стареет. И остается два пути: полная замена (это очень дорого) либо оценка технического состояния (выгоднее). Во втором варианте важно вовремя выявить дефект и устранить его, не допустив разрушения конструкции.
Роман создал нейросеть, которая смогла решить задачу выявления и оценки степени опасности дефектов в трубопроводах. Программа получилась автоматизированной, без участия человека. Нейронка вместо специалиста оценивала массив данных и автоматически выявляла дефекты, определяла их типы и параметры.
Размер выборки дипломного проекта составил 50 тыс. объектов. На деле нейронка училась на внутренней базе данных из 120 млн ранее обнаруженных дефектов. Это данные, которые были записаны в результате технической диагностики с применением современных методов неразрушающего контроля.
«В процессе работы над дипломом я понял, что никогда не нужно бояться опуститься на уровень ниже (непосредственно в «сырые» данные) в задаче и понять, какие же исходные данные есть на самом деле. До курса я думал, что диагностическое оборудование способно предоставить в качестве входов для нейросети всего 3 параметра. Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи».
В процессе нейросеть показала высокую точность — результат превзошел все ожидания! Для сравнения: человек при поиске дефектов «пропускает» порядка 15%, нейросеть не более 1% . Также, процесс оценки опасности дефектов с использованием людей давал 20% погрешности, нейросеть смогла снизить погрешность оценки опасности дефектов до 5%. Мы смогли автоматизировать процесс и повысить качество работы.
В дальнейшем Роман планирует помимо полносвязных сетей попробовать сверточные сети, чтобы посмотреть, как решится задача с их помощью.
Роман создал нейросеть, которая смогла решить задачу выявления и оценки степени опасности дефектов в трубопроводах. Программа получилась автоматизированной, без участия человека. Нейронка вместо специалиста оценивала массив данных и автоматически выявляла дефекты, определяла их типы и параметры.
Размер выборки дипломного проекта составил 50 тыс. объектов. На деле нейронка училась на внутренней базе данных из 120 млн ранее обнаруженных дефектов. Это данные, которые были записаны в результате технической диагностики с применением современных методов неразрушающего контроля.
«В процессе работы над дипломом я понял, что никогда не нужно бояться опуститься на уровень ниже (непосредственно в «сырые» данные) в задаче и понять, какие же исходные данные есть на самом деле. До курса я думал, что диагностическое оборудование способно предоставить в качестве входов для нейросети всего 3 параметра. Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи».
В процессе нейросеть показала высокую точность — результат превзошел все ожидания! Для сравнения: человек при поиске дефектов «пропускает» порядка 15%, нейросеть не более 1% . Также, процесс оценки опасности дефектов с использованием людей давал 20% погрешности, нейросеть смогла снизить погрешность оценки опасности дефектов до 5%. Мы смогли автоматизировать процесс и повысить качество работы.
В дальнейшем Роман планирует помимо полносвязных сетей попробовать сверточные сети, чтобы посмотреть, как решится задача с их помощью.
Роман Ивашкин
Выпускник Университета искусственного интеллекта
В процессе работы над дипломом я понял, что никогда не нужно бояться опуститься на уровень ниже (непосредственно в «сырые» данные) в задаче и понять, какие же исходные данные есть на самом деле. До курса я думал, что диагностическое оборудование способно предоставить в качестве входов для нейросети всего 3 параметра.
Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи.
Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи.
Дмитрий Романов
Основатель Университета искусственного интеллекта
В этой работе хочется обратить внимание на точность нейросети, которая оказалась значительно выше точности эксперта.
Часто в подобных задачах нейросети являются дополнением для специалиста, совершая дополнительную проверку. Но в этом примере мы видим достаточно сложную задачу, в которой интеллект нейросети победил человеческий.
Часто в подобных задачах нейросети являются дополнением для специалиста, совершая дополнительную проверку. Но в этом примере мы видим достаточно сложную задачу, в которой интеллект нейросети победил человеческий.
Евгений Маханьков
Ильдар Шайдуллин
Денис Яцышин