Отримано 27.08.2025, Доопрацьовано 12.11.2025, Прийнято 23.12.2025

Методи обробки сигналів та інтерпретації даних для виявлення мікродефектів у промислових матеріалах

Канан Мікаїлов, Латафат Гардашова

Швидке та точне виявлення мікродефектів у промислових матеріалах є пріоритетом для поліпшення якості продукції, безпеки виробництва та оптимізації процесів. Метою цього дослідження було створення автоматизованої системи контролю, яка використовує штучний інтелект для виявлення мікродефектів у промислових матеріалах. Дослідження проводилося на лабораторних та промислових зразках з мікродефектами за допомогою мультисенсорної системи, що складалася з візуальних камер, ультразвуку, термографії та рентгенівських променів. Дані були попередньо оброблені шляхом фільтрування, нормалізації та вилучення контурів і проаналізовані за допомогою моделей глибокого навчання Convolutional Neural Network (CNN), Vision Transformer та 3D CNN з мультимодальною інтеграцією, трансферним навчанням, аугментацією та оптимізацією ваги, а продуктивність системи оцінювалася за показниками точності, прецизійності, відтворення та F1-балу. Комплексний аналіз показав, що окреме використання візуальних камер з точністю 92,3 %, ультразвукових датчиків з точністю 89,5 %, термографії з точністю 85,1 % та рентгенівського сканера з точністю 95,6 % дало високі результати, а їх поєднання підвищило інтегрований індекс до 97,8 %, що підтверджує переваги багатоканального підходу. Використання методів попередньої обробки (гаусові та медіанні фільтри, нормалізація, вирівнювання гістограми) та аугментації підвищило точність до 94,1 % та F1-показник до 92,6 % (порівняно з початковими 85,2 %), тоді як трансферне навчання підвищило точність на 12–15 % та скоротило час навчання, зменшивши кількість помилкових спрацьовувань. Система підтримувала точність понад 90 % в умовах шуму та коливань виробничих умов і не менше 80 % в екстремальних сценаріях. Практичні випробування на сервері з графічними процесорами NVIDIA A6000 показали середній час обробки зразка 120–180 мс (5–8 FPS) і лінійну масштабованість за кількістю графічних процесорів, що підтвердило придатність системи для інтеграції в промислові системи реального часу. Результати цього дослідження можуть бути використані фахівцями з контролю якості та розробниками промислових інформаційних і вимірювальних систем для підвищення точності та ефективності виявлення мікродефектів

нейронні мережі; глибоке навчання; комп'ютерний зір; трансферне навчання; збільшення обсягу даних
113-124
Mikayilov, K., & Gardashova, L. (2025). Methods of signal processing and data interpretation for detecting microdefects in industrial materials. Information Technologies and Computer Engineering, 22(3), 113-124. https://doi.org/10.31649/vitce/3.2025.113

Використані джерела

[1] Alamuru, S., Reddy, G.S., & Raju, M.J. (2024). Artificial intelligence and machine learning for defect detection in castings. Journal of Physics: Conference Series, 2837, article number 012079. doi: 10.1088/1742-6596/2837/1/012079.

[2] Ashebir, D.A., Hendlmeier, A., Dunn, M., Arablouei, R., Lomov, S.V., Di Pietro, A., & Nikzad, M. (2024). Detecting multi-scale defects in material extrusion additive manufacturing of fiber-reinforced thermoplastic composites: A review of challenges and advanced non-destructive testing techniques. Polymers, 16(21), article number 2986. doi: 10.3390/polym16212986.

[3] Deepak, A., & Rao, P. (2024). Real time defect identification using advanced artificial intelligence based material strain sensors for environmental safety. Journal of Electrical Systems, 20(1), 33-40. doi: 10.52783/jes.660.

[4] Dubaish, A.A., & Jaber, A.A. (2023). State-of-the-art review into signal processing and artificial intelligence-based approaches applied in gearbox defect diagnosis. Engineering and Technology Journal, 42(1), 157-172. doi: 10.30684/ etj.2023.142462.1535.

[5] Ebayyeh, A., & Abd Al Rahman, M. (2022). Deep learning for automatic optical inspection and quality evaluation of semiconductor and optoelectronic manufacturing. London: Brunel University London.

[6] Ercetin, A., Der, O., Akkoyun, F., Gowdru Chandrashekarappa, M.P., Şener, R., Çalışan, M., Olgun, N., Chate, G., & Bharath, K.N. (2024). Review of image processing methods for surface and tool condition assessments in machining. Journal of Manufacturing and Materials Processing, 8(6), article number 244. doi: 10.3390/jmmp8060244.

[7] He, Z., Lin, S., Xiao, Y., Fang, H., & Sun, L. (2025). A novel micro-defects imaging system for high-reflective material surfaces. IEEE Transactions on Instrumentation and Measurement, 74, article number 4501814. doi: 10.1109/ TIM.2025.3541809.

[8] Jiao, S., Yang, W., Wu, C., Li, Y., & Xue, B. (2025). Mixed-type micro-defect detection in semiconductor wafers: A dual-modal feature real-time detection approach via optical topography and lightweight classification network. Engineering Applications of Artificial Intelligence, 160, article number 111838. doi: 10.1016/j.engappai.2025.111838.

[9] Kim, H.S., Park, D.W., Kim, S.I., Oh, G.H., & Kim, H.S. (2023). Non-destructive detection of thin micro-defects in glass reinforced polymer composites using a terahertz electro-magnetic wave based on a convolution neural network. Composites Part B: Engineering, 257, article number 110694. doi: 10.1016/j.compositesb.2023.110694.

[10] Mahamud, Z.H., Khan, M.R., Amin, J.M., & Islam, M.S. (2025). AI for defect detection in additive manufacturing: Applications in renewable energy and biomedical engineering. Strategic Data Management and Innovation, 2(1), 1-20. doi: 10.71292/SDMI.V2I01.8.

[11] Malakar, K.D., Roy, S., & Kumar, M. (2025). Digital imaging: Processing and analysis. In K. Das Malakar, S. Roy & M. Kumar (Eds.), Geospatial technologies in coastal ecologies monitoring and management (pp. 257-289). Cham: Springer. doi: 10.1007/978-3-031-92017-2_8.

[12] Mohammed, A., & Hussain, M. (2025). Advances and challenges in deep learning for automated welding defect detection: A technical survey. IEEE Access, 13, 94553-94569. doi: 10.1109/ACCESS.2025.3574083.

[13] Mustafayev, E., & Azimov, R. (2024). Computer system of evaluation of the mass exam results based on recognition of handprinted Azerbaijani characters. In G. Mammadova, T. Aliev & K. Aida-zade (Eds.), Information technologies and their applications (pp. 171-183). Cham: Springer. doi: 10.1007/978-3-031-73420-5_15.

[14] Na, D., Choi, M., Yuan, F.G., & Kim, H. (2025). Detection of microdefects in multilayer ceramic capacitors using the instantaneous frequency in the electromechanical response. Measurement, 244, article number 116528. doi: 10.1016/j. measurement.2024.116528.

[15] Prottasha, N.J., Sami, A.A., Kowsher, M., Murad, S.A., Bairagi, A.K., Masud, M., & Baz, M. (2022). Transfer learning for sentiment analysis using BERT based supervised fine-tuning. Sensors, 22(11), article number 4157. doi: 10.3390/ s22114157.

[16] Qiu, M., & Ge, X. (2025). Nondestructive evaluation of aging failure in insulation coatings by ultrasonic guided wave based on signal processing and machine learning. Coatings, 15(3), article number 347. doi: 10.3390/coatings15030347.

[17] 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, 9(2), 661-691. doi: 10.1007/s40684-021-00343-6.

[18] Saberironaghi, A., Ren, J., & El-Gindy, M. (2023). Defect detection methods for industrial products using deep learning techniques: A review. Algorithms, 16(2), article number 95. doi: 10.3390/a16020095.

[19] Tai, J.L., Sultan, M.T., Łukaszewicz, A., Józwik, J., Oksiuta, Z., & Shahar, F.S. (2025). Recent trends in non-destructive testing approaches for composite materials: A review of successful implementations. Materials, 18(13), article number 3146. doi: 10.3390/ma18133146.

[20] Tran, K.S., Shirinzadeh, B., & Smith, J. (2024). Eddy current-based identification and depth investigation of microdefects in steel filaments. Sensors, 24(16), article number 5101. doi: 10.3390/s24165101.

[21] Wei, B., Ma, Q., Wen, S., Zhang, J., Peng, L., & Huang, S. (2025). Aluminium foil micro-defect detection method based on motion-induced eddy current using differential TMR sensor spatial position compensation. Nondestructive Testing and Evaluation. doi: 10.1080/10589759.2025.2456674.

[22] Xiao, Q., Huang, J., Huang, Z., Li, C., & Xu, J. (2023). Transparent component defect detection method based on improved YOLOv7 algorithm. International Journal of Pattern Recognition and Artificial Intelligence, 37(14), article number 2350030. doi: 10.1142/S0218001423500301.

[23] Yan, X., & Fu, H. (2024). Opportunities and challenges for predicting the service status of SLM metal parts under big data and artificial intelligence. Materials, 17(22), article number 5648. doi: 10.3390/ma17225648.

[24] Yusubov, E. (2023). Design of an intelligent information measurement system for photovoltaic dc microgrids. Proceedings of Azerbaijan High Technical Educational Institutions, 34(11), 54-64. doi: 10.36962/PAHTEI34112023-54.

[25] Zhao, Z. (2021). Review of non-destructive testing methods for defect detection of ceramics. Ceramics International, 47(4), 4389-4397. doi: 10.1016/j.ceramint.2020.10.065.

[26] Zheng, X., Zheng, S., Kong, Y., & Chen, J. (2021). Recent advances in surface defect inspection of industrial products using deep learning techniques. International Journal of Advanced Manufacturing Technology, 113(1), 35-58. doi: 10.1007/s00170-021-06592-8.