СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Средства компьютерной томографии (КТ) становятся всё более актуальными в области неразрушающего контроля благодаря своей способности формировать трехмерные изображения внутренних структур объектов. Это позволяет детально анализировать сложные геометрические формы и выявлять дефекты, которые могут быть недоступны для традиционных методов. Компьютерная томография обеспечивает высокую разрешающую способность и точность, что критически важно для оценки состояния изделий в таких отраслях, как авиация, автомобилестроение и медицина. Кроме того, автоматизация процессов КТ и интеграция с системами управления качеством способствуют повышению эффективности инспекций и снижению затрат. Таким образом, компьютерная томография представляет собой мощный инструмент для обеспечения надежности и безопасности продукции.

В настоящей статье представлены результаты разработки прототипа программного комплекса для обнаружения дефектов малых размеров в промышленных изделиях с помощью томографического подхода. В ядре вычислительного блока заложен ранее разработанный вычислительно-эвристический алгоритм, который позволяет обнаружить в исследуемом изделии дефекты малой толщины на основе априорной информации об эталонном образце изделия. Разрабатываемая программная система спроектирована на базе микросервисной архитектуры, что позволяет разделить монолитное приложение на независимо работающие модули. Представленные результаты демонстрируют значительное повышение производительности системы по сравнению с прошлой реализацией за счет использования многопоточного подхода. В работе также приведено описание дополнительного модуля, использующего средства машинного обучения для определения типа дефекта в объекте. Результаты работы модуля классификации дефектов демонстрируют высокие показатели точности и свидетельствуют о перспективности использования средств искусственного интеллекта при решении задач компьютерной томографии.

Разработанный прототип программной системы может быть доработан и использован при решении реальных задач в области промышленной дефектоскопии.

1. Тихонов А.Н., Арсенин В.Я., Тимонов А.А. Математические задачи компьютерной томографии. – М.: Наука, 1987. – 160 с.

2. Методика контроля качества конструкционных элементов из легких материалов на основе мягкого рентгеновского излучения / И.А. Кищин, Е.Ю. Киданова, А.С. Кубанкин, В.С. Сотникова // Дефектоскопия. – 2023. – № 10. – С. 43–52. – DOI: 10.31857/S0130308223100044.

3. Подымова Н.Б., Ермолинский А.Б., Чернов М.С. Неразрушающий контроль локальной микротрещиноватости лабораторных образцов минералов акустическим методом с лазерным источником ультразвука и его верификация методом рентгеновской компьютерной томографии // Дефектоскопия. – 2023. – № 10. – С. 18–27. – DOI: 10.31857/S0130308223100020.

4. Лихачев А.В. Исследование рекурсивной фильтрации проекционных данных в задаче томографии области интереса // Вычислительные технологии. – 2017. – Т. 22, № 1. – С. 25–36.

5. Accelerated iterative image reconstruction for cone-beam computed tomography through Big Data frameworks / E. Serrano, J. Garcia-Blas, J. Carretero, M. Desco, M. Abella // Future Generation Computer Systems. – 2020. – Vol. 106. – P. 534–544. – DOI: 10.1016/j.future.2019.12.042.

6. Золотарев С.А., Таруат А.Т., Биленко Э.Г. Итерационная реконструкция изображений алюминиевого литья с учетом априорной информации // Дефектоскопия. – 2023. – № 4. – С. 46–55. – DOI: 10.31857/S0130308223040048.

7. Троицкий И.Н. Компьютерная томография. – М.: Радио и связь, 1989. – 151 с.

8. Бронников А.В., Воскобойников Ю.Е., Преображенский Н.Г. Итерационные алгоритмы в задачах томографии полупрозрачных сред. – Новосибирск: ИТПМ, 1989. – 43 с. – (Препр. / Институт теоретической и прикладной механики СО РАН; № 18-89).

9. Digital twin based predictive diagnosis approach for submarine suspended pipelines / F. Chen, H. Wei, J. Tang, W. Sun, X. Zhao, Y. Li, S. Dong, H. Zhang, G. Liu // International Journal of Pressure Vessels and Piping. – 2025. – Vol. 214. – DOI: 10.1016/j.ijpvp.2025.105451.

10. Calibration-free 3D ray-tracing beam hardening correction in computed tomography / M. Seracini, M. Bettuzzi, R. Brancaccio, M.P. Morigi // Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. – 2024. – Vol. 1062. – DOI: 10.1016/j.nima.2024.169226.

11. Зеркаль С.М. Локальная томографическая реконструкция огибающей тонкого дефекта с использованием эталонного образца // Сибирский журнал индустриальной математики. – 2000. – Т. 3, № 1 (5). – С. 110–115.

12. Поиск оптимальных технологических процессов с использованием алгоритмов эвристического поиска / Ю.А. Леонов, Е.А. Леонов, А.С. Зуева, А.С. Сазонова // Вестник Брянского государственного технического университета. – 2017. – № 4 (57). – С. 122–127. – DOI: 10.12737/article_5a02fa07c12da0.87522967.

13. Пешков А.В. Вычислительная диагностика трещин и отслоений с использованием томографического подхода при наличии эталона исследуемого объекта // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2023. – Т. 26, № 4. – С. 95–101. – DOI: 10.21293/1818-0442-2023-26-4-95-101.

14. Atlassian. Сравнение микросервисной и монолитной архитектур. – URL: https://www.atlassian.com/ru/microservices/microservices-architecture/microservices-vs-monolith (дата обращения: 13.05.2025).

15. Peshkov A.V. Development of a software system based on microservice architecture for flaw detection of industrial products // 2024 IEEE 3rd International Conference on Problems of Informatics, Electronics and Radio Engineering (PIERE): proceedings, Novosibirsk, 15–17 Nov. 2024. – IEEE, 2024. – P. 730–734. – DOI: 10.1109/PIERE62470.2024.10804873.

16. Medium. The Thread Pool Pattern. – URL: https://medium.com/@dholnessii/the-thread-pool-pattern-7227eb9ec2b6 (accessed: 27.01.2025).

17. Backendhance. The optimal thread-pool size in Java: Explaining the formula. – URL: https://backendhance.com/en/blog/2023/optimal-thread-pool-size/ (accessed: 13.05.2025).

18. CompletableFuture. Глубокое погружение // Хабр. – 2024, 20 января. – URL: https://habr.com/ru/articles/784144/ (дата обращения: 13.05.2025).

19. TensorFlow Core. – URL: https://www.tensorflow.org/guide (accessed: 27.01.2025).

20. Keras: Deep Learning for humans. – URL: https://keras.io/guides/ (дата обращения: 27.01.2025).

21. Keras.Conv2D Class // Geeksforgeeks. – URL: https://www.geeksforgeeks.org/keras-conv2d-class/ (accessed: 13.05.2025).

22. Peshkov A.V., Zerkal S.M. Computational-heuristic algorithm for tomographic solution of industrial flaw detection problems // 2023 IEEE XVI International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE): proceedings, Novosibirsk, 10–12 Nov. 2023. – IEEE, 2023. – P. 910–915. – DOI: 10.1109/APEIE59731.2023.10347879.

23. Evidently AI. Classification metrics guide. – URL: https://www.evidentlyai.com/classification-metrics/accuracy-precision-recall (accessed: 13.05.2025).