ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 658.5
DOI: 10.18503/1995-2732-2026-24-3-73-81
Аннотация
В современном мире все большее распространение и внедрение в различных областях человеческой деятельности получают различные модели нейронных сетей, которые уже активно применяют в технических науках, в частности в машиностроении. В работе описан один из перспективных методов применения моделей нейронных сетей для классификации и обнаружения объектов на изображениях и видео для работы с чертежами деталей. В перспективе описанный метод позволит существенно сократить время подготовки технологической документации при запуске деталей в производство, так как модель сможет выполнять часть функций, ранее осуществляемых человеком. Основная цель работы – это получение метода, функционирующего в автоматизированном режиме, который можно будет применять для работы с чертежами деталей в электронном формате для решения задачи по определению наименьшего значения параметра шероховатости среди поверхностей детали, полученных методами точения и фрезерования. В ходе работы было использовано несколько основных методов и инструментов – это методы обучения моделей нейронных сетей, способных работать с изображениями и видео и решать задачи обнаружения и классификации объектов на них, методы использования данных моделей, методы создания программ для ЭВМ на языке программирования Python. В итоге по результатам работы был получен метод, реализованный при помощи программы для ЭВМ, который позволяет с высокой скоростью обрабатывать чертежи деталей и с высокой точностью определять минимальное значение параметра шероховатости с дальнейшим занесением полученных значений в таблицу. Разработанный метод имеет существенные перспективы практического применения в связи с возможностью его использования как части составного программного комплекса для автоматизированного подбора оборудования.
Ключевые слова
обнаружение объектов на изображениях, нейронные сети, распознавание объектов, компьютерное зрение, “YOLO”, токарная обработка, фрезерная обработка, подбор оборудования, шероховатость поверхности
Для цитирования
Кузнецов С.В., Роговик А.А. Определение наименьшего значения параметра шероховатости на чертежах деталей среди поверхностей, полученных методами точения и фрезерования, с использованием моделей нейронных сетей // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2026. Т. 24. №3. С. 73-81. https://doi.org/10.18503/1995-2732-2026-24-3-73-81
1. Сверточные нейронные сети для выявления дефектов и повреждений конструкций / Степанов Д.В., Макаров А.В., Молотов А.М., Облетов Е.Н. // Промышленное и гражданское строительство. 2024. № 9. С. 52-58.
2. Алтунина К.А., Соколова М.В. Применение нейронных сетей для моделирования процесса токарной обработки // Вестник ТГТУ. 2016. Т. 22. № 1. С. 122-133.
3. Суздалева Н.Н. Потенциал использования нейросетей промышленными предприятиями в условиях российской действительности // Региональная и отраслевая экономика. 2022. №11 (173). С. 91-94.
4. Веретельников А. С., Гавлицкий А. И. Применение искусственного интеллекта в металлообрабатывающей промышленности // Электронный научный журнал «Дневник науки». 2022. №12.
5. Алханов А.А. Машинное обучение и его применение в современном мире // Проблемы науки. 2021. №7 (66). С. 25-27.
6. Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 7263–7271.
7. Redmon J., Shooji F., Farhadi A. YOLOv5 Training and Improving Object Detectors and Segmentation Models with One Click. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 962–972.
8. Lin T.-Y., Dollár P., Girshick R., He, K., Hariharan, B., Belongie, S. Feature Pyramid Networks for Object Detection. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 936–944.
9. Кузнецов С.В., Роговик А.А., Кузнецова Е.С. Детекция деталей, получаемых методами токарной обработки, с использованием модели для распознавания объектов YOLOv5 // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2025. Т. 23. №3. С. 122-128. https://doi.org/10.18503/1995-2732-2025-23-3-122-128
10. Bochkovskiy A., Wang, C. YOLOv5: Creating State-of-the-Art Object Detectors in Real Time. [S. l.] // ArXiv, 2021, pp. 214–219.
11. Bochkovskiy A. YOLOv7: Trainable Boosted Data-Driven Layer for Real-Time Object Detection. [S. l.] // ArXiv, 2023, pp. 5147–5155.
12. Кузнецов С.В., Роговик А.А. Определение максимального диаметра деталей типа тел вращения на чертежах в автоматизированном режиме // Вестник ИжГТУ имени М.Т. Калашникова. 2025. Т. 28, № 4. С. 29–35. DOI: 10.22213/2413-1172-2025-4-29-35
13. Кузнецов С.В., Роговик А.А. Автоматизированное нахождение и распознавание длин деталей типа тела вращения на чертежах с использованием инструментов компьютерного зрения // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2026. Т. 24. №1. С. 133-141. https://doi.org/10.18503/1995-2732-2026-24-1-133-141
14. Митрофанов С.П. Научная организация машиностроительного производства. Л.: Машиностроение, 1976. 712 с.
15. Кузнецов С. В., Роговик А.А. Группирование деталей тел вращения типа диск и ему подобных при планировании их изготовления с целью увеличения серийности производства // Вестник ИжГТУ имени М.Т. Калашникова. 2025. Т. 28, № 1. С. 24–32. DOI: 10.22213/2413-1172-2025-1-24-32.