Статья
| Наименование | Разработка архитектуры веб-приложения для детекции объектов на рентгеновских снимках сварных соединений | ||||
| Авторы |
|
||||
| Раздел | Машиностроение | ||||
| Год | 2025 | Выпуск | 82 | Страницы | 53 - 61 |
| УДК | 004.932.2:004.622 | EDN | NRNUNF | ||
| Аннотация | Рассмотрен процесс разработки архитектуры веб-приложения для автоматизированной детекции объектов на рентгеновских снимках сварных соединений с использованием нейросетевой модели YOLOv5. Представлена структура проекта, включающая серверную часть, реализованную на основе асинхронного фреймворка FastAPI, и клиентский интерфейс, разработанный с использованием HTML и JavaScript. Описаны основные этапы работы приложения: загрузка изображения, его предобработка с помощью библиотеки OpenCV, выполнение инференса модели и возврат результатов пользователю в формате JSON с последующей визуализацией обнаруженных объектов. Интерфейс приложения интуитивно понятный и удобный в использовании; он обеспечивает загрузку изображения, его предварительный просмотр и отображение результатов детекции в реальном времени. Приложение развернуто на тестовом сервере под управлением операционной системы Ubuntu 22. 04. Результаты тестирования подтвердили корректное функционирование всех компонентов системы и высокую точность детекции объектов. Продемонстрирован потенциал предложенного решения для автоматизации анализа рентгеновских снимков с применением систем поддержки принятия решений на основе технологий искусственного интеллекта. | ||||
| Реферат | Цель. Разработка архитектуры веб-приложения для загрузки и обработки рентгеновского снимка сварного соединения с последующей детекцией на нём различных объектов — дефектов и артефактов.
Методика. Реализована архитектура веб-приложения, включающая клиентскую часть (HTML, JavaScript) и серверную часть на асинхронном фреймворке FastAPI. Обработка изображений включает их загрузку, предобработку средствами библиотеки OpenCV, масштабирование до 640×640 пикселей и подачу на вход модели YOLOv5. После инференса результаты в формате JSON визуализируются на клиенте. Приложение развернуто на сервере с ОС Ubuntu 22. 04, тестирование проводилось на выборке рентгеновских снимков сварных соединений. Результаты. Разработанное веб-приложение продемонстрировало высокую точность детекции объектов, с уровнем уверенности, варьирующимся от 70,11 до 88,99 %, при обработке рентгеновских снимков сварных соединений. Описанная архитектура позволила обеспечить корректную работу всех компонентов системы: от загрузки и предобработки изображения до визуализации результатов, что подтверждено тестированием на реальных данных Научная новизна. В работе предложена модульная архитектура веб-приложения, обеспечивающая эффективную интеграцию предобученной нейросетевой модели YOLOv5 в асинхронное серверное окружение на базе FastAPI и позволяющая выполнять детекцию объектов на рентгеновских снимках сварных соединений в режиме реального времени за счет оптимизации обработки изображений и параллелизма запросов. Практическая значимость. Представленная архитектура демонстрирует потенциал применения нейросетевых решений в системах автоматизированного неразрушающего контроля. Реализованный подход может быть адаптирован для использования на промышленных предприятиях, а также служить основой для последующего расширения функциональности и интеграции с внешними системами учета и отчетности. |
||||
| Ключевые слова | веб-приложение, YOLOv5, рентгеновский снимок, сварное соединение, маркировочные знаки, детекция объектов, FastAPI, компьютерное зрение, нейросетевые модели. | ||||
| Финансирование | |||||
| Список источников |
1. Сотников А. Л., Муховатый А. А., Орлов А. А. Классификация методов неразрушающего контроля сварных соединений из меди, полученных сваркой трением с перемешиванием // Сварка и Диагностика. 2022. № 3. С. 19–24. DOI: 10.52177/2071-5234_2022_03_19. EDN UENENG
2. Косач А. А., Ковшов Е. Е. Автоматизация обработки данных неразрушающего контроля на основе искусственной нейронной сети // Cloud of Science. 2018. Т. 5. № 3. С. 524–531. EDN XXYINV
3. Бадалян В. Г., Вопилкин А. Х. Применение нейронных сетей в ультразвуковом неразрушающем контроле (Обзор) // Контроль. Диагностика. 2022. Т. 25. № 5. С. 12–25. DOI: 10.14489/td.2022.05.pp.012-025. EDN ALYROO
4. Копылов Д. А., Агешин Е. С., Хомутская О. В. Формирование синтетических данных для обучения системы компьютерного зрения // Автоматизация и моделирование в проектировании и управлении. 2022. № 4 (18). С. 18–28. DOI: 10.30987/2658-6436-2022-4-18-28. EDN BRJMSF
5. Бежик А. А., Мажей Я. В. Архитектура приложений. Чем является? Для чего используется? Основные виды и критерии хорошей архитектуры // Столыпинский вестник. 2022. № 9. С. 4998–5008. EDN YAFIJQ
6. Егорян В. В., Калугин А. В. Роль архитектурного подхода при разработке программных приложений // Столыпинский вестник. 2022. № 9. С. 5110–5122. EDN FDWPDW
7. Жиренкин А. В., Старосельский А. К. Развитие элементов архитектуры современных веб-приложений и их влияние на разработку // Вестник науки. 2023. № 6 (63). Т. 3. С. 869–872. EDN ZNMGYR
8. Городничев М. Г., Полонский Р. В. Оценка возможности использования микросервисной архитектуры при разработке пользовательских интерфейсов клиент-серверного программного обеспечения // Экономика и качество систем связи. 2020. № 3. С. 33–43. EDN MBNNLI
9. Десятов И. В., Свечников А. А., Кузнецов А. В. Архитектура веб-приложения для оценки пользовательских интерфейсов // Вестник Пензенского государственного университета. 2024. № 4. С. 31–34. EDN TVXEVT
10. Кенжебай Ə. Б. Выбор архитектуры и технологий для мобильного приложения такси // In The World Of Science and Education. 2025. С. 42–45.
11. Загумённов А. А., Наумова В. В., Ерёменко В. С. Облачный сервис многомерной обработки количественных данных для решения геологических задач // Вестник НГУ. 2021. Т. 19. № 3. С. 40–49. DOI: 10.25205/1818-7900-2021-19-3-40-49. EDN EWGGBU
|
||||
| Полный текст |
|
||||