Искусственный интеллект и компьютерное зрение в производстве стеклопластиков: современное состояние, вызовы и перспективы

14
views

Стеклопластики широко применяются в аэрокосмической отрасли, ветроэнергетике, автомобилестроении и строительстве благодаря высокому соотношению прочности и веса. Однако обеспечение стабильного качества таких материалов остается сложной задачей. Традиционные методы неразрушающего контроля часто требуют остановки линии, зависят от человеческого фактора и не позволяют выявлять дефекты на ранних стадиях формования. Внедрение технологий искусственного интеллекта и компьютерного зрения в рамках концепции Индустрии 4.0 открывает возможности для непрерывного автоматизированного мониторинга производства в режиме реального времени.

В настоящем обзоре систематизированы современные достижения в области применения систем машинного зрения и глубокого обучения для контроля качества стеклопластиков. В статье подробно рассмотрены физические и оптические особенности композитов, которые затрудняют их визуальный анализ. К таким особенностям относятся полупрозрачность материала, сложная текстура переплетения волокон и сильные блики полимерного связующего. Проведена классификация основных производственных дефектов на всех этапах жизненного цикла изделия — от подготовки ровинга до финишной механической обработки.

Особое внимание уделено аппаратным решениям для сбора данных, включая камеры видимого спектра, системы поляризованного освещения, активную термографию, лазерное сканирование и гиперспектральную съемку. Проанализирована эволюция алгоритмов обработки изображений: от классических методов анализа текстур до современных архитектур сверточных нейронных сетей, моделей семантической сегментации и визуальных трансформеров. Рассмотрены практические примеры интеграции таких систем в процессы пултрузии, вакуумной инфузии и автоматизированной выкладки.

В заключительной части работы выделены ключевые барьеры промышленного внедрения. Среди них — дефицит размеченных наборов данных, высокая стоимость вычислительных ресурсов и сложность интеграции интеллектуальных систем в существующие автоматизированные системы управления. Обозначены перспективные направления будущих исследований, включая создание цифровых двойников, использование генеративных моделей для синтеза дефектов и развитие мультимодальных систем контроля.

Оглавление


  1. Введение
  • 1.1. Рост спроса на стеклопластики и ужесточение требований к качеству.
  • 1.2. Концепция Индустрии 4.0 и переход к мониторингу в реальном времени (in-situ).
  • 1.3. Методология проведения обзора, структура и вклад работы.
  1. Физико-технологические особенности производства и классификация дефектов
  • 2.1. Специфика стеклопластика как объекта визуального контроля (полупрозрачность, анизотропия, блики связующего, сложная текстура переплетения волокон).
  • 2.2. Таксономия дефектов на разных этапах жизненного цикла производства:
    • Этап подготовки сырья: обрыв нитей, ворсистость ровинга, загрязнения.
    • Этап формования и пропитки: воздушные поры (пустоты), зоны непропитки, складки, отклонение угла укладки волокон.
    • Этап отверждения и финишной обработки: расслоения (деламинация), трещины, коробление, сколы при механической обработке.
  1. Аппаратно-сенсорные платформы для сбора данных
  • 3.1. Системы видимого спектра (RGB-камеры высокого разрешения, линейные сканеры для непрерывных процессов).
  • 3.2. Специализированные схемы освещения (поляризационный свет, темнопольное освещение, структурированный свет для нивелирования бликов смолы).
  • 3.3. Активная и пассивная термография (ИК-камеры для выявления скрытых подповерхностных дефектов и контроля экзотермической реакции отверждения).
  • 3.4. Лазерная триангуляция и 3D-сканирование (контроль геометрии и толщины слоя).
  • 3.5. Гиперспектральная визуализация (оценка степени пропитки и химического состава связующего).
  1. Эволюция методов компьютерного зрения и алгоритмов ИИ
  • 4.1. Классические алгоритмы обработки изображений (фильтрация, анализ текстур, преобразование Фурье и вейвлеты для оценки ориентации волокон).
  • 4.2. Машинное обучение с ручным извлечением признаков (SVM, Random Forest).
  • 4.3. Глубокое обучение (Deep Learning) — современный стандарт:
    • Классификация и детекция дефектов: семейства архитектур YOLO, Faster R-CNN, EfficientDet.
    • Семантическая сегментация и точное измерение геометрии дефекта: U-Net, Mask R-CNN, DeepLab.
  • 4.4. Новейшие тренды: Vision Transformers (ViT), обучение с малым количеством данных (Few-shot learning) и синтетическая генерация дефектов (GAN, диффузионные модели).
  1. Обзор практических применений по технологиям производства
  • 5.1. Пултрузия: непрерывный мониторинг поверхности профиля и контроля натяжения ровинга на высокой скорости.
  • 5.2. Автоматизированная выкладка (AFP/ATL): контроль зазоров, нахлестов и складок препрега в реальном времени.
  • 5.3. Вакуумная инфузия и RTM: отслеживание фронта пропитки смолой и прогнозирование образования «сухих пятен».
  • 5.4. Финишная дефектоскопия: автоматизированная сортировка и оценка годности готовых изделий.
  1. Барьеры внедрения и открытые научные проблемы
  • 6.1. Проблема «дефицита данных»: высокая стоимость создания размеченных датасетов реальных производственных дефектов и дисбаланс классов.
  • 6.2. Вычислительные ограничения: баланс между высокой точностью нейросетей и скоростью обработки (Edge AI) на высокоскоростных линиях.
  • 6.3. Устойчивость моделей (робастность) при смене типа смолы, цвета красителя или партии стекловолокна.
  • 6.4. Интеграция систем машинного зрения в существующие АСУ ТП (переход от простого обнаружения брака к замкнутому циклу управления параметрами станка).
  1. Перспективы развития и будущие направления исследований
  • 7.1. Мультимодальный ИИ: объединение визуальных данных с показаниями ультразвуковых, акустических датчиков и датчиков давления/температуры.
  • 7.2. Создание цифровых двойников (Digital Twins) процессов формования стеклопластиков на основе данных компьютерного зрения.
  • 7.3. Объяснимый ИИ (Explainable AI — XAI) для повышения доверия технологов к решениям нейросетей.
  1. Заключение
  • Краткое резюме текущего уровня зрелости технологий (TRL) и ключевые выводы о влиянии ИИ на экономику и качество производства стеклопластиков.

9. Список литературы

10. Часто задаваемые вопросы


1. Введение

Полимерные композиционные материалы, армированные стекловолокном (стеклопластики, GFRP), за последние десятилетия прочно заняли место одного из ключевых конструкционных материалов современной промышленности. Уникальное сочетание высокой удельной прочности, коррозионной стойкости, диэлектрических свойств и относительной доступности сырья обусловило их стремительную экспансию в такие наукоемкие и капиталоемкие отрасли, как ветроэнергетика, авиа- и судостроение, автомобильная промышленность, а также инфраструктурное строительство. Переход к декарбонизации и зеленой энергетике еще сильнее подстегнул спрос на стеклопластики, поскольку они являются основным материалом для производства крупногабаритных лопастей ветрогенераторов и облегченных элементов кузова электромобилей.

Несмотря на очевидные эксплуатационные преимущества, широкое внедрение стеклопластиков в ответственные конструкции сдерживается высокой сложностью и многофакторностью технологических процессов их производства. В отличие от традиционных изотропных металлов, свойства композита формируются непосредственно в процессе изготовления детали. На конечную прочность и долговечность изделия критически влияют десятки параметров: натяжение армирующих нитей, угол их укладки, вязкость полимерной матрицы, равномерность пропитки и температурно-временной режим отверждения. Любое, даже незначительное отклонение от технологического регламента способно привести к образованию скрытых или поверхностных дефектов, таких как воздушные поры, зоны непропитки, расслоения или искривление волокон.

В современной промышленной практике контроль качества стеклопластиков преимущественно базируется на выборочной проверке готовых изделий с помощью традиционных методов неразрушающего контроля — ультразвуковой дефектоскопии, рентгенографии, акустической эмиссии или визуального осмотра оператором. Такой подход имеет фундаментальные ограничения. Во-первых, постоперационный контроль фиксирует уже свершившийся факт брака, когда дорогостоящие материалы и машинное время безвозвратно потеряны. Во-вторых, классические инструментальные методы часто требуют остановки конвейера, применения контактных жидкостей или дорогостоящей радиационной защиты. В-третьих, визуальный контроль человеком подвержен субъективности, усталости и неэффективен на высокоскоростных непрерывных линиях, например, при пултрузии или автоматизированной намотке.

Ответом на эти вызовы стала цифровая трансформация композитной индустрии в рамках парадигмы Индустрии 4.0. Ключевым драйвером этих изменений выступает интеграция систем компьютерного зрения и алгоритмов искусственного интеллекта непосредственно в производственный цикл. Использование промышленных камер различных спектральных диапазонов в связке с моделями глубокого обучения позволяет перейти от эпизодического ручного контроля к непрерывному, бесконтактному мониторингу в режиме реального времени. Интеллектуальные системы способны не только мгновенно распознавать и классифицировать мельчайшие отклонения на каждом этапе формования, но и формировать управляющие сигналы для автоматической корректировки параметров оборудования, предотвращая развитие дефекта.

Целью настоящего обзора является комплексная систематизация и критический анализ современных научных и промышленных достижений в области применения искусственного интеллекта и компьютерного зрения при производстве стеклопластиков. В отличие от существующих обзоров, которые зачастую фокусируются либо исключительно на алгоритмах машинного обучения без привязки к физике процесса, либо рассматривают композиты в целом с акцентом на более дорогие углепластики, данная работа концентрируется на специфике стеклопластиковых производств. Особое внимание уделяется сложным оптическим свойствам стекловолокна и смолы, аппаратным решениям для преодоления бликов и полупрозрачности, а также практическим аспектам интеграции нейросетевых моделей в реальные технологические линии.

1.1. Рост спроса на стеклопластики и ужесточение требований к качеству

За последние два десятилетия полимерные композиционные материалы, армированные стекловолокном (стеклопластики, GFRP), эволюционировали из нишевого материала для специализированных нужд в один из главных конструкционных ресурсов мировой промышленности. В отличие от углепластиков, применение которых ограничено высокой стоимостью сырья преимущественно аэрокосмическим сектором и премиальным автоспортом, стеклопластики предлагают оптимальный баланс между высокими механическими характеристиками и экономической доступностью. Это обусловило их масштабную экспансию в ключевые отрасли глобальной экономики:

  • Ветроэнергетика и зеленая трансформация. Стеклопластики являются основным материалом для изготовления крупногабаритных лопастей ветрогенераторов. Стремление повысить эффективность генерации энергии заставляет производителей постоянно увеличивать длину лопастей (современные морские турбины оснащаются лопастями длиной более ста метров). При таких габаритах малейшее снижение жесткости или появление скрытого производственного дефекта грозит катастрофическим разрушением конструкции под действием ветровых нагрузок.
  • Автомобилестроение и транспорт. Ужесточение экологических стандартов по выбросам углекислого газа и массовый переход на электромобили вынуждают автопроизводителей активно снижать вес кузова и шасси для компенсации массы аккумуляторных батарей. Замена традиционной стали на стеклопластиковые детали (бамперы, силовые балки, корпуса батарейных отсеков, рессоры) позволяет уменьшить массу узлов на 30–50 процентов при сохранении высокой ударной вязкости и коррозионной стойкости.
  • Авиация, судостроение и железнодорожный транспорт. В этих отраслях стеклопластики широко применяются для создания обтекателей, элементов интерьера, корпусов маломерных и пассажирских судов, а также деталей подвижного состава. Здесь на первый план выходят жесткие требования к пожарной безопасности, усталостной долговечности и устойчивости к агрессивным средам.
  • Строительство и инфраструктура. Композитная стеклопластиковая арматура, пултрузионные профили, мостовые настилы и трубопроводы активно вытесняют металл и железобетон в регионах с суровым климатом, высокой влажностью и агрессивными грунтами, где коррозия традиционных материалов приводит к огромным затратам на ремонт.

Стремительный рост объемов потребления стеклопластиков закономерно привел к ужесточению отраслевых стандартов и требований к контролю качества. Если на заре развития отрасли композиты применялись преимущественно для неответственных декоративных или защитных кожухов, то сегодня из них изготавливают несущие силовые элементы, от целостности которых напрямую зависят жизни людей и бесперебойная работа критической инфраструктуры.

Однако обеспечение стабильного качества стеклопластиковых конструкций представляет собой фундаментальную инженерную проблему. В отличие от металлургии, где производитель получает готовый лист или прокат с заранее гарантированными и однородными свойствами, при производстве стеклопластика сам материал создается одновременно с формованием детали. Конечная прочность изделия критически зависит от множества взаимосвязанных факторов: равномерности натяжения стеклянных нитей, точности угла их укладки, вязкости и свежести полимерной смолы, полноты удаления воздуха при вакуумировании и строгого соблюдения температурного графика полимеризации.

В таких условиях традиционный подход, основанный на выборочной проверке нескольких деталей из партии и визуальном осмотре контролером, перестает отвечать требованиям современной промышленности. Мировые производители и сертификационные органы требуют стопроцентной прослеживаемости качества каждого квадратного сантиметра ответственной конструкции. Решить эту задачу без остановки высокоскоростных конвейеров и многократного удорожания продукции возможно только за счет внедрения интеллектуальных систем компьютерного зрения.

1.2. Концепция Индустрии 4.0 и переход к мониторингу в реальном времени (in-situ)

Интеграция принципов четвертой промышленной революции (Индустрии 4.0) в производство полимерных композиционных материалов фундаментально меняет философию обеспечения качества. Традиционная модель композитного производства на протяжении десятилетий строилась на реактивном подходе, при котором контроль осуществляется после полного завершения технологического цикла (ex-situ). При такой организации работы готовое изделие извлекается из формовочной оснастки, остывает и только после этого отправляется на участок дефектоскопии для проверки ультразвуковым, рентгеновским или визуальным методом.

Подобный постоперационный контроль имеет ряд критических недостатков, тормозящих развитие отрасли:

  • Необратимость брака термореактивных композитов. Подавляющее большинство конструкционных стеклопластиков изготавливается на основе термореактивных связующих (эпоксидных, полиэфирных, винилэфирных смол). После полимеризации и сшивки полимерных цепей такой материал невозможно расплавить и отформовать заново. Если дефектоскопия готовой многометровой лопасти ветрогенератора или секции фюзеляжа выявляет обширную зону непропитки или расслоение, дорогостоящее изделие полностью списывается в утиль, что влечет за собой колоссальные финансовые потери и проблемы с утилизацией отходов.
  • Запаздывание обратной связи. Между моментом возникновения технологического сбоя (например, обрывом нити ровинга или падением вакуума) и обнаружением брака на финишном контроле могут пройти часы или даже смены. Все это время линия продолжает выпускать некондиционную продукцию.
  • Ограничения ручного инспектирования. Визуальный осмотр человеком крайне субъективен, зависит от квалификации и усталости контролера и физически невозможен на современных высокоскоростных линиях непрерывной пултрузии или автоматизированной намотки.

Ответом на эти вызовы стал переход к концепции киберфизических производственных систем, объединяющих промышленный интернет вещей, оптические сенсоры, робототехнику и алгоритмы искусственного интеллекта. В рамках этой парадигмы контроль качества смещается с финальной стадии непосредственно внутрь технологического процесса (мониторинг in-situ). Камеры и датчики монтируются прямо на выкладочные головки роботов, над пропиточными ваннами, вокруг формующих фильер и в зонах отверждения, обеспечивая непрерывный сбор и интеллектуальный анализ данных в режиме реального времени.

Внедрение систем мониторинга в реальном времени на базе компьютерного зрения трансформирует производство стеклопластиков по четырем ключевым направлениям:

  1. Превентивное предотвращение брака на ранних стадиях. Интеллектуальная система фиксирует отклонение в момент его зарождения — до того, как полимерная матрица перейдет в твердое состояние. Например, при обнаружении складки на сухом слое стеклоткани или зазора при выкладке препрега линия автоматически приостанавливается. Оператор или робот локально исправляет дефектный участок за несколько минут, что полностью спасает дорогостоящую конструкцию.
  2. Сплошной стопроцентный контроль без снижения темпов выпуска. Современные промышленные камеры в связке с оптимизированными нейросетями способны анализировать состояние поверхности со скоростью десятки и сотни кадров в секунду. Это позволяет отказаться от выборочной проверки в пользу сплошного контроля каждого миллиметра изделия без остановки конвейера.
  3. Формирование цифрового паспорта качества изделия. В ходе послойной сборки или протяжки система фиксирует точные пространственные координаты, геометрию и тип каждого обнаруженного микродефекта, даже если он укладывается в допустимые нормы. Эти данные привязываются к индивидуальному идентификатору детали, формируя ее цифровой паспорт. В дальнейшем инженеры используют эту информацию для точного расчета остаточного ресурса конструкции при эксплуатации и планирования регламентного обслуживания.
  4. Замкнутый цикл адаптивного управления процессом. Наиболее зрелой формой реализации Индустрии 4.0 является переход от простого информирования оператора к прямому автоматическому регулированию. В таких системах алгоритмы искусственного интеллекта не только распознают аномалию, но и передают управляющие команды на исполнительные механизмы станка. Например, при замедлении фронта пропитки при вакуумной инфузии система автоматически открывает дополнительные клапаны подачи смолы или корректирует уровень вакуума, стабилизируя процесс без участия человека.

Таким образом, синергия оптических систем сбора данных и алгоритмов машинного обучения превращает контроль качества из изолированной финальной проверки в непрерывный интеллектуальный контур управления. Это радикально снижает процент невозвратного брака, повышает производительность оборудования и создает технологическую базу для выпуска стеклопластиковых конструкций нового поколения.

1.3. Методология проведения обзора, структура и вклад работы

Для обеспечения высокой научной достоверности, воспроизводимости и объективности анализа в настоящем обзоре применен строгий систематизированный подход к поиску, отбору и оценке релевантных публикаций, адаптированный для инженерных наук по стандартам проведения систематических обзоров (методология PRISMA). Поскольку тематика находится на стыке материаловедения, оптики и компьютерных наук, информационная база формировалась с учетом необходимости охватить как фундаментальные академические исследования, так и прикладные промышленные разработки.

Процесс отбора и анализа научной литературы строился в четыре последовательных этапа:

  1. Определение источников поиска и временного горизонта. Систематический поиск публикаций проводился в ведущих международных реферативных базах данных (Scopus, Web of Science Core Collection, IEEE Xplore, ScienceDirect), а также в российской научной электронной библиотеке eLIBRARY. Основной фокус был сосредоточен на работах, опубликованных в период с 2016 по 2026 годы. Выбор этого десятилетнего горизонта обусловлен тем, что именно в это время произошел качественный прорыв в развитии глубоких сверточных нейронных сетей, визуальных трансформеров и периферийных вычислителей, что сделало возможным их перенос из лабораторий на реальные композитные линии. Более ранние фундаментальные труды привлекались точечно для описания базовой оптики стеклопластиков и классических методов фильтрации изображений.
  2. Формирование семантического ядра поисковых запросов. Поиск осуществлялся на английском и русском языках по логическим комбинациям ключевых терминов, объединяющих три предметные области: объект исследования (стеклопластики, полимерные композиты, армированные стекловолокном, GFRP, fiberglass composites), применяемые технологии (компьютерное зрение, машинное зрение, искусственный интеллект, глубокое обучение, сверточные нейросети) и целевую производственную задачу (дефектоскопия, контроль качества в реальном времени, мониторинг пропитки, выкладки и пултрузии).
  3. Многоступенчатая фильтрация и критерии отбора (скрининг). Из первичного массива найденных публикаций на первом этапе исключались дубликаты, краткие тезисы конференций без описания экспериментов, а также работы, посвященные исключительно мониторингу состояния композитных конструкций на этапе их эксплуатации без привязки к процессу производства. На втором этапе проводился полный текстовый анализ отобранных статей. Приоритет отдавался исследованиям, в которых четко описаны аппаратная конфигурация съемки (тип камеры, разрешение, схема освещения), архитектура используемого алгоритма ИИ, характеристики набора данных и количественные метрики точности и скорости распознавания дефектов.
  4. Тематическая систематизация. Отобранные работы были сгруппированы по сквозному инженерному принципу: от физической природы дефектов и способов их оптической визуализации к алгоритмам обработки и конкретным технологическим переделам.

Научный вклад и новизна данного обзора по сравнению с существующими публикациями определяются тремя ключевыми особенностями:

  • Фокус на специфике стеклопластиков. Большинство известных обзоров по машинному зрению в композитной индустрии либо обобщают все полимерные композиты без учета разницы их оптических свойств, либо концентрируются исключительно на дорогих углепластиках. В данной работе детально разобраны уникальные проблемы именно стеклопластиков — полупрозрачность матрицы, низкий контраст стеклянных нитей в смоле и сильные зеркальные блики.
  • Междисциплинарная связка «физика — сенсор — алгоритм». В обзоре преодолен традиционный разрыв между специалистами по машинному обучению и инженерами-технологами. Показано, что выбор архитектуры нейросети неразрывно связан с физическим способом подсветки или зондирования материала.
  • Оценка промышленной зрелости. Наряду с разбором новейших лабораторных алгоритмов в статье дана критическая оценка реальных цеховых барьеров внедрения и проведена классификация технологий по уровням технологической готовности (TRL).

Для удобства читателя дальнейшее изложение материала организовано в виде логической последовательности из семи разделов:

  • Раздел 2 посвящен физико-технологическим особенностям стеклопластиков как сложного объекта оптического контроля, а также содержит подробную классификацию дефектов на всех этапах производства — от подготовки сухого ровинга до финишной механической обработки.
  • Раздел 3 систематизирует аппаратно-сенсорные платформы сбора данных, включая камеры видимого спектра, схемы поляризованного и темнопольного освещения, активную и пассивную термографию, лазерное 3D-сканирование и гиперспектральную визуализацию.
  • Раздел 4 прослеживает эволюцию программных методов анализа изображений: от классических математических фильтров и машинного обучения с ручным извлечением признаков до современных глубоких нейросетей, визуальных трансформеров и генеративных алгоритмов синтеза дефектов.
  • Раздел 5 обобщает практический опыт внедрения систем компьютерного зрения в ключевых технологических процессах, таких как пултрузия, автоматизированная выкладка препрега, вакуумная инфузия и финишная дефектоскопия.
  • Раздел 6 анализирует системные барьеры, сдерживающие широкое промышленное масштабирование технологий, включая дефицит размеченных данных, вычислительные ограничения на линии, проблему смены партий сырья и сложности интеграции в автоматизированные системы управления.
  • Раздел 7 освещает перспективные направления будущих исследований, связанные с развитием мультимодального искусственного интеллекта, цифровых двойников производства и методов объяснимого ИИ.
  • Раздел 8 подводит общие итоги обзора, содержит оценку уровней технологической готовности рассмотренных решений и формулирует ключевые выводы об их влиянии на качество и экономику производства стеклопластиков.

2. Физико-технологические особенности производства и классификация дефектов

Разработка эффективных систем компьютерного зрения для композитной индустрии невозможна без глубокого понимания физической природы контролируемого материала и специфики процессов его формования. В отличие от металлургии или машиностроения, где алгоритмы машинного зрения анализируют преимущественно однородные, непрозрачные и стабильные по своей геометрии поверхности, производство стеклопластиков представляет собой сложную многофазную систему. В ходе технологического цикла жидкая полимерная матрица и твердый волокнистый наполнитель непрерывно взаимодействуют, меняя свои оптические, теплофизические и геометрические характеристики.

Для корректного проектирования аппаратно-программных комплексов контроля качества необходимо учитывать два фундаментальных фактора. Первый фактор связан с уникальными оптическими свойствами стекловолокна и полимерных смол, которые создают серьезные помехи при фото- и видеофиксации, маскируя реальные отклонения или порождая ложные срабатывания алгоритмов. Второй фактор определяется многостадийностью производственного процесса, где каждый технологический передел характеризуется собственным набором потенциальных дефектов, требующих специфических методов визуализации и распознавания. В данном разделе подробно рассматриваются оптические барьеры машинного зрения применительно к стеклопластикам и приводится систематизированная классификация производственных дефектов на всех этапах жизненного цикла изделия.

2.1. Специфика стеклопластика как объекта визуального контроля

С точки зрения оптики и машинного зрения стеклопластик является одним из самых сложных промышленных материалов. В отличие от углепластика, который имеет темную, контрастную и непрозрачную поверхность, стеклопластик обладает целым рядом специфических физических свойств, которые критически снижают информативность стандартных фотографических изображений.

К основным оптическим барьерам при визуальном контроле стеклопластиков относятся следующие явления:

  • Высокая полупрозрачность и низкий оптический контраст. Стеклянное волокно и большинство термореактивных связующих (эпоксидных, полиэфирных, винилэфирных смол) имеют очень близкие показатели преломления света. После полной пропитки армирующий наполнитель становится практически невидимым внутри полимерной матрицы. В результате система компьютерного зрения фиксирует полупрозрачную структуру, сквозь которую просвечивают нижележащие слои ткани, формовочная оснастка или элементы технологического оборудования. Это создает сложный визуальный шум и делает границы многих внутренних дефектов размытыми.
  • Интенсивные зеркальные блики (спекулярное отражение). Жидкая смола на этапе пропитки, а также глянцевая поверхность отвержденного композита обладают высокой отражающей способностью. При использовании стандартного освещения на поверхности изделия возникают яркие белые засветы. Для алгоритмов компьютерного зрения такие блики выглядят как резкие перепады яркости, которые легко спутать с воздушными пузырями, сухими непропитанными пятнами или посторонними включениями. Кроме того, блики полностью перекрывают полезную информацию о текстуре материала в зоне засвета.
  • Сложная и периодическая микротекстура поверхности. Армирующие материалы выпускаются в виде ровингов, рубленого стекломата или тканей с различными типами переплетения (полотняным, саржевым, сатиновым, мультиаксиальным). Регулярный геометрический рисунок нитей формирует насыщенный высокочастотный фон. Мелкие дефекты, такие как распушение отдельных элементарных волокон, микротрещины матрицы или локальное смещение нитей, часто сливаются с естественной текстурой плетения, что затрудняет их выделение классическими методами анализа изображений.
  • Динамическое изменение оптических свойств в ходе процесса. В процессе полимеризации и отверждения связующее меняет свое агрегатное состояние от жидкого к гелеобразному и твердому. Это сопровождается изменением коэффициента преломления, цвета (например, при добавлении отвердителей или красителей) и степени матовости поверхности. Модель искусственного интеллекта, обученная на изображениях готового отвержденного профиля, может демонстрировать резкое падение точности при попытке применить ее на участке пропитки.
  • Анизотропия светорассеяния. Стекловолокна работают как микроскопические световоды, неравномерно рассеивая падающий свет в зависимости от угла его падения и ориентации нитей. При изменении угла наклона камеры или источника света даже на несколько градусов видимая структура поверхности и контрастность дефектов могут радикально измениться.

Преодоление перечисленных оптических проблем требует от инженеров комплексного подхода. Простой установки промышленной камеры над конвейером оказывается недостаточно: необходимо тонкое согласование спектральных характеристик источников света, углов их падения, применения поляризационных фильтров и специализированных алгоритмов предобработки изображений.

2.2. Таксономия дефектов на разных этапах жизненного цикла производства

Производство стеклопластиковых изделий представляет собой последовательную цепь технологических операций. На каждом этапе формируются специфические дефекты, которые различаются по своей физической природе, размеру, глубине залегания и визуальным признакам. Своевременное обнаружение отклонения на ранней стадии позволяет предотвратить его перерастание в критический брак на последующих переделах.

В соответствии с логикой технологического процесса все производственные дефекты стеклопластиков можно систематизировать по трем основным этапам:

Этап 1. Подготовка сырья и укладка армирующего наполнителя
На этой стадии композит еще не пропитан связующим, поэтому контроль фокусируется на геометрии и целостности сухого стекловолокна или препрега.

  • Обрыв и ворсистость (распушение) нитей. Возникает при размотке бобин ровинга и прохождении волокна через направляющие ролики из-за чрезмерного трения. Визуально проявляется как локальное скопление оборванных элементарных филаментов («пух»), которое в дальнейшем нарушает равномерность пропитки и снижает прочность изделия на разрыв.
  • Отклонение угла укладки волокон. В конструкционных стеклопластиках несущая способность напрямую зависит от заданной ориентации нитей. Смещение ровинга или перекос стеклоткани даже на несколько градусов приводит к резкому падению жесткости детали в расчетном направлении.
  • Зазоры и нахлесты при автоматизированной выкладке. При роботизированной укладке лент препрега соседние полосы могут лечь с небольшим расстоянием друг от друга (зазор) или наложиться одна на другую (нахлест). Зазоры впоследствии заполняются чистой смолой без армирования, образуя зоны концентрации напряжений, а нахлесты вызывают локальное утолщение и волнистость вышележащих слоев.
  • Складки и гофры. Образуются при драпировке стеклоткани на криволинейные поверхности оснастки. Складка формирует резкий изгиб волокна, что критически снижает сопротивление материала сжатию.
  • Посторонние включения. Попадание на поверхность сухого слоя пыли, масляных пятен, обрывков технологической пленки или насекомых, которые препятствуют адгезии между слоями.

Этап 2. Пропитка связующим и формование
На данном этапе жидкая полимерная матрица заполняет межволоконное пространство, а изделие приобретает заданную форму.

  • Воздушные поры (пустоты). Один из самых распространенных и опасных дефектов, возникающий из-за захвата воздуха при перемешивании смолы, слишком высокой скорости пропитки или недостаточного вакуумирования. Микропоры снижают межслоевую прочность при сдвиге и способствуют проникновению влаги внутрь композита.
  • Зоны непропитки («сухие пятна»). Области армирующего наполнителя, куда полимерное связующее не проникло из-за нарушения режимов давления, высокой вязкости смолы или локального уплотнения волокна. На камерах видимого спектра такие зоны часто выглядят как белесые, непрозрачные участки на фоне более темного пропитанного материала.
  • Неравномерное распределение связующего. Возникновение участков с избытком смолы (смоляные карманы) или ее дефицитом. Избыток матрицы делает материал хрупким и увеличивает вес конструкции, а дефицит приводит к отсутствию монолитности.

Этап 3. Отверждение и финишная механическая обработка
Завершающая стадия включает полимеризацию матрицы, извлечение детали из формы и доводку ее геометрии.

  • Расслоения (деламинация). Разделение смежных слоев стеклопластика, вызванное термическими напряжениями при неравномерном охлаждении, нарушением температурного режима отверждения или остаточными загрязнениями. Подповерхностные расслоения невидимы для обычных камер и требуют применения активной термографии.
  • Трещины матрицы и растрескивание поверхности. Появляются вследствие высокой экзотермической усадки полиэфирных или эпоксидных смол при слишком быстром нагреве.
  • Коробление и геометрические отклонения. Изменение расчетной формы изделия после расформовки, вызванное асимметричной укладкой слоев или градиентом температур при полимеризации.
  • Механические дефекты при обрезке и сверлении. Стеклопластики обладают высокой абразивностью и склонностью к хрупкому разрушению. При фрезеровании контура или сверлении монтажных отверстий часто возникают сколы кромок, вырыв отдельных пучков волокон и локальное расслоение вокруг отверстия.

Систематизация этих дефектов наглядно демонстрирует, что универсального сенсора для контроля качества стеклопластиков не существует. Если поверхностные складки, обрывы ровинга и сколы при сверлении эффективно фиксируются камерами видимого спектра, то для обнаружения внутренних пор и скрытых расслоений требуются инфракрасные или лазерные системы.

3. Аппаратно-сенсорные платформы для сбора данных

Эффективность любой системы искусственного интеллекта в промышленности напрямую определяется качеством исходных данных, поступающих на вход алгоритмов. Даже самые совершенные архитектуры глубоких нейронных сетей не способны достоверно распознать дефект, если он не обладает достаточным контрастом на исходном изображении или полностью скрыт за бликами полимерной смолы. В связи с этим проектирование аппаратно-сенсорной платформы (подсистемы сбора данных) является фундаментом при создании комплексов машинного зрения для производства стеклопластиков.

Поскольку технологические дефекты композитов различаются по глубине залегания, размерам и физической природе, современная индустрия опирается на широкий спектр методов визуализации. Выбор конкретного типа сенсора зависит от этапа производства, скорости движения материала и требуемой разрешающей способности. В данном разделе систематизированы основные аппаратные решения — от высокоскоростных камер видимого спектра и специализированных систем освещения до активной термографии, лазерного 3D-сканирования и гиперспектральной съемки — с оценкой их возможностей и ограничений применительно к стеклопластиковым производствам.

3.1. Системы видимого спектра

Системы визуализации в видимом диапазоне длин волн (примерно от 400 до 700 нанометров) являются наиболее распространенным, доступным и отработанным инструментом контроля качества в композитной промышленности. Они работают по принципу регистрации отраженного от поверхности материала света с помощью матричных (Area Scan) или линейных (Line Scan) промышленных камер. Высокое пространственное разрешение современных оптических сенсоров позволяет фиксировать мельчайшие геометрические отклонения текстуры стеклопластика, включая обрывы элементарных волокон, распушение ровинга, складки ткани и посторонние включения на поверхности.

Выбор конструктивного типа камеры видимого спектра напрямую определяется характером производственного процесса:

  • Матричные камеры (Area Scan). Формируют привычное двумерное изображение за один такт экспозиции. Они оптимально подходят для дискретных и статических операций, таких как контроль укладки отдельных слоев препрега в форму при вакуумной инфузии, проверка качества сверления отверстий в готовой панели или инспекция локальных зон сложной кривизны с помощью роботов-манипуляторов. Для устранения эффекта смазывания при съемке движущихся объектов применяются камеры с глобальным затвором (Global Shutter), который фиксирует все пиксели матрицы одновременно.
  • Линейные камеры (Line Scan). Оснащены узким сенсором, состоящим из одного или нескольких рядов светочувствительных элементов. Они считывают изображение построчно по мере непрерывного перемещения материала мимо объектива, а программное обеспечение сшивает эти строки в единое бесшовное полотно. Линейные камеры являются отраслевым стандартом для высокоскоростных непрерывных процессов, таких как пултрузия профилей, перемотка стеклоткани и намотка труб. Они обеспечивают сверхвысокое разрешение на большой ширине полотна при минимальной стоимости одного пикселя и позволяют легко организовать равномерное освещение узкой полосы сканирования.

Важным инженерным решением при работе со стеклопластиками является выбор между цветными (RGB) и монохромными камерами. Монохромные сенсоры лишены байеровского светофильтра, благодаря чему они обладают значительно более высокой светочувствительностью, лучшим отношением сигнал-шум и более высокой реальной четкостью изображения. Их предпочтительно использовать для геометрического анализа текстуры плетения и поиска трещин. Цветные RGB-камеры незаменимы на этапах контроля пропитки и отверждения, где изменение оттенка или прозрачности смолы служит прямым индикатором степени полимеризации, наличия сухих пятен или неравномерности смешивания компонентов.

Главное фундаментальное ограничение систем видимого спектра заключается в том, что они способны регистрировать только поверхностные дефекты, а также внутренние неоднородности на небольшой глубине — исключительно за счет частичной прозрачности стеклопластика. Кроме того, эффективность таких камер критически зависит от стабильности внешнего освещения и требует обязательного применения специализированных оптических методов подавления бликов от глянцевой поверхности связующего.

3.2. Специализированные схемы освещения

В промышленном компьютерном зрении правильная организация освещения часто играет более важную роль, чем разрешение камеры или сложность нейросетевого алгоритма. При работе со стеклопластиками стандартные светильники рассеянного света оказываются малоэффективными из-за глянцевой поверхности связующего и сложной геометрии переплетения волокон. Чтобы подавить зеркальные блики и максимально выделить полезный сигнал от дефектов, инженеры применяют специализированные оптические схемы и техники подсветки.

К основным методам освещения, применяемым при инспекции стеклопластиковых изделий, относятся:

  • Перекрестная поляризация (Cross-Polarization). Это основной и наиболее эффективный метод борьбы с бликами жидкой и отвержденной смолы. Схема реализуется путем установки линейного поляризационного фильтра перед источником света и второго фильтра (анализатора) непосредственно на объективе камеры. Оси поляризации этих фильтров разворачиваются перпендикулярно друг другу под углом 90 градусов. Свет, зеркально отраженный от гладкой поверхности полимерной матрицы, сохраняет свою исходную поляризацию и полностью блокируется фильтром на объективе. Напротив, свет, проникший вглубь полупрозрачного композита и рассеянный на стекловолокнах или внутренних воздушных порах, теряет поляризацию и беспрепятственно проходит в камеру. В результате блики полностью исчезают, а внутренняя структура материала и дефекты пропитки становятся предельно контрастными.
  • Темнопольное освещение (Dark Field). При такой схеме источник света направляется на поверхность композита под очень острым углом (скользящий свет), практически параллельно плоскости материала, в то время как камера располагается перпендикулярно. Если поверхность стеклопластика ровная и бездефектная, световые лучи отражаются от нее в сторону и не попадают в объектив — на снимке формируется однородный темный фон. Однако любой микрорельефный дефект, такой как ворсистость нитей, царапина, складка или выступающее волокно, рассеивает свет во всех направлениях. Часть этих лучей попадает в камеру, благодаря чему дефект ярко светится на темном фоне.
  • Светлопольное и коаксиальное освещение (Bright Field & Coaxial). Используется для оценки гладкости и качества глянцевого покрытия готовых изделий. Источник света устанавливается таким образом, чтобы зеркально отраженные лучи попадали прямо в объектив камеры. В этом случае ровная поверхность выглядит равномерно яркой, а любые вмятины, раковины или локальные нарушения полимеризации отклоняют лучи в сторону и проявляются как четкие темные пятна.
  • Структурированный свет и дефлектометрия (Phase Measuring Deflectometry). Применяются для высокоточного анализа геометрии глянцевых поверхностей. На изделие проецируется строго заданный световой узор (например, серия синусоидальных полос или сетка). Камера фиксирует искажения этого узора, отраженного от поверхности композита. Алгоритмы анализируют деформацию линий, что позволяет с микронной точностью выявлять локальные утолщения от нахлестов препрега, волнистость поверхности, коробление и утяжины смолы, невидимые при обычном освещении.
  • Спектрально-селективная (монохроматическая) подсветка. Использование светодиодов с узким спектром излучения (например, синего или красного диапазона) в сочетании с соответствующим полосовым фильтром на объективе позволяет полностью отсечь паразитную засветку от цехового освещения и солнечного света. Кроме того, коротковолновый синий свет хуже проникает вглубь смолы и лучше рассеивается на мелких поверхностных дефектах, повышая четкость их границ.

Грамотное комбинирование этих схем (например, сочетания линейных осветителей с перекрестной поляризацией на линиях пултрузии) позволяет получить стабильные, высококонтрастные изображения даже в сложных цеховых условиях. Это радикально упрощает последующую работу алгоритмов искусственного интеллекта и снижает требования к вычислительной мощности оборудования.

3.3. Активная и пассивная термография

Камеры видимого спектра бессильны при контроле толстостенных, окрашенных или многослойных стеклопластиков, где дефекты залегают на значительной глубине и полностью скрыты от оптического наблюдения. Для решения этой задачи в промышленном машинном зрении широко применяется инфракрасная термография. Метод основан на регистрации теплового излучения поверхности материала с помощью высокочувствительных тепловизионных камер. Наличие внутренних неоднородностей, таких как воздушные поры, зоны непропитки или расслоения, локально изменяет теплопроводность композита. Это формирует на поверхности изделия характерные температурные аномалии, которые фиксируются инфракрасным сенсором и анализируются алгоритмами искусственного интеллекта.

В зависимости от источника теплового воздействия на стеклопластик в производстве используются два основных подхода:

  • Пассивная термография. Этот метод не требует применения внешних нагревательных приборов и использует естественное тепло, выделяющееся или поглощаемое в ходе самого технологического процесса. Наиболее эффективно пассивная термография работает при контроле отверждения термореактивных смол (например, в процессах вакуумной инфузии, RTM или на выходе профиля из нагретой фильеры при пултрузии). Реакция полимеризации связующего является экзотермической, то есть сопровождается активным выделением тепла. Тепловизор непрерывно отслеживает температурное поле изделия. Если в каком-то участке нарушено соотношение смолы и отвердителя, образовалась зона непропитки или возникло локальное расслоение, скорость нагрева и остывания этой зоны будет отличаться от остальной детали. Пассивный мониторинг позволяет в реальном времени контролировать равномерность полимеризации и предотвращать термическую деструкцию матрицы от перегрева.
  • Активная термография. Применяется в тех случаях, когда температура изделия уже выровнялась с окружающей средой или естественного тепла процесса недостаточно для проявления глубоких дефектов. Для диагностики на поверхность стеклопластика подается внешний контролируемый тепловой импульс с помощью мощных галогенных ламп, ксеноновых вспышек, инфракрасных излучателей или ультразвуковых возбудителей. Тепловая волна начинает распространяться вглубь материала. В бездефектных зонах тепло равномерно уходит внутрь конструкции, и поверхность остывает плавно. Над внутренним расслоением или воздушным карманом, обладающим низкой теплопроводностью, тепло задерживается, создавая на поверхности локальное горячее пятно.

В рамках активной термографии наибольшее распространение в композитной индустрии получили две методики возбуждения:

  • Импульсная термография (Pulsed Thermography). Поверхность композита подвергается короткому и мощному нагреву длительностью от нескольких миллисекунд до нескольких секунд, после чего тепловизор записывает серию кадров в процессе остывания детали. Анализ скорости снижения температуры в каждом пикселе позволяет алгоритмам машинного обучения не только обнаружить внутренний дефект, но и оценить глубину его залегания.
  • Синхронная или модулированная термография (Lock-in Thermography). Материал нагревается периодически с заданной частотой модуляции. Сравнивая фазу и амплитуду тепловой волны, отраженной от поверхности, с исходным сигналом нагрева, система способна подавлять помехи от неравномерного освещения и выявлять дефекты на большей глубине по сравнению с импульсным методом.

Главным преимуществом инфракрасной термографии является возможность бесконтактного, высокоскоростного сканирования больших площадей (например, секций фюзеляжа или лопастей ветрогенераторов) с обнаружением скрытых подповерхностных дефектов. В то же время метод имеет ряд ограничений: тепловые волны быстро затухают с глубиной из-за низкой собственной теплопроводности стеклопластиков, а границы дефектов на термограммах часто выглядят размытыми из-за боковой диффузии тепла. Для преодоления этой размытости современные системы используют глубокие сверточные нейросети, обученные восстанавливать четкие контуры внутренних расслоений по последовательности температурных кадров.

3.4. Лазерная триангуляция и 3D-сканирование

Двумерные камеры видимого и инфракрасного спектров эффективно фиксируют цветовые, текстурные и температурные аномалии. Однако они не способны напрямую измерять пространственную геометрию и рельеф поверхности. В производстве стеклопластиков многие критические дефекты имеют сугубо объемную природу. К ним относятся зазоры и нахлесты при выкладке препрега, складки стеклоткани, отклонение толщины слоя, утяжины смолы и коробление готового профиля. Для точного контроля этих параметров в реальном времени применяются системы трехмерного машинного зрения, основой которых служит лазерная триангуляция.

Принцип работы лазерного триангуляционного профилометра строится на совместной работе лазерного излучателя и высокоскоростной матрицы камеры, разнесенных в пространстве на фиксированное расстояние под строго определенным углом. Лазер проецирует на поверхность композита тонкую световую линию. Камера регистрирует положение этой линии под углом. При прохождении материала через зону сканирования любое изменение высоты рельефа вызывает пропорциональное смещение лазерной линии на матрице камеры. По мере движения конвейера или выкладочной головки система объединяет тысячи отдельных профилей высоты в плотное трехмерное облако точек или карту глубин, воссоздавая точную цифровую копию поверхности с точностью до нескольких микрометров.

В композитной индустрии лазерное 3D-сканирование решает следующие ключевые технологические задачи:

  • Контроль автоматизированной выкладки волокна и лент (AFP/ATL). Лазерный профилометр устанавливается непосредственно за прикатывающим роликом выкладочной головки. Сканер в реальном времени измеряет высоту уложенного слоя, мгновенно выявляя ступеньки от нахлестов соседних лент, провалы в местах зазоров, перекручивание ровинга и локальные вздутия материала. Алгоритмы машинного обучения анализируют профиль высоты и немедленно определяют, укладываются ли размеры дефекта в конструкционные допуски.
  • Измерение геометрической стабильности при пултрузии и намотке. В непрерывных процессах лазерные сканеры располагаются по периметру выходящего профиля или вращающейся оправки. Это позволяет непрерывно контролировать толщину стенки, овальность труб, радиусы скругления и отсутствие коробления, вызванного неравномерной полимеризацией связующего.
  • Контроль качества финишной механической обработки. После фрезерования контура или сверления отверстий 3D-сканеры оценивают точность геометрии кромки, глубину фасок, а также фиксируют микросколы и вырывы пучков стекловолокна.

Главным преимуществом лазерной триангуляции при работе со стеклопластиками является ее высокая устойчивость к внешним засветкам и перепадам цвета материала. Поскольку лазер излучает свет строго определенной длины волны (чаще всего используется синий лазер с длиной волны 405 или 450 нанометров), объектив камеры оснащается узкополосным оптическим фильтром, который полностью отсекает цеховое освещение. Кроме того, коротковолновый синий лазер значительно меньше проникает вглубь полупрозрачного стеклопластика по сравнению с традиционным красным лазером. Это минимизирует эффект подповерхностного рассеяния света, который мог бы размыть лазерную линию и снизить точность измерений.

Основным ограничением метода остается невозможность заглянуть под поверхность материала — лазерное сканирование фиксирует исключительно внешний рельеф. Также при инспекции деталей сложной пространственной формы могут возникать «слепые зоны» (эффект затенения), когда выступающие элементы конструкции перекрывают лазерный луч от объектива камеры. Для преодоления этой проблемы применяются многосенсорные установки, синхронизирующие данные с нескольких лазерных профилометров, установленных под разными углами.

3.5. Гиперспектральная визуализация

Традиционные камеры видимого спектра регистрируют свет только в трех широких спектральных каналах — красном, зеленом и синем. Этого достаточно для оценки геометрии или цвета поверхности, но совершенно недостаточно для анализа химического состава материала. В производстве стеклопластиков многие критические отклонения носят сугубо химический или физико-химический характер, например, нарушение пропорций смешивания смолы и отвердителя, неравномерная степень полимеризации матрицы, попадание влаги в стекловолокно или невидимые глазу масляные загрязнения на поверхности препрега. Для выявления подобных дефектов в современную композитную индустрию активно внедряется гиперспектральная визуализация (Hyperspectral Imaging, HSI).

Гиперспектральная камера объединяет в себе возможности классического цифрового фотоаппарата и спектрометра. Вместо трех цветовых каналов она фиксирует отраженный или прошедший сквозь материал свет в десятках и сотнях узких, непрерывно следующих друг за другом спектральных диапазонов. В композитной промышленности наиболее информативным является ближний инфракрасный диапазон (NIR, от 900 до 2500 нанометров). На выходе система формирует трехмерный массив данных — так называемый гиперкуб, где двум пространственным координатам каждой точки поверхности соответствует подробный оптический спектр поглощения и отражения. Поскольку различные химические связи в молекулах полимеров и воды по-разному поглощают инфракрасное излучение, каждый участок стеклопластика получает уникальный «спектральный отпечаток».

В технологических процессах производства стеклопластиков гиперспектральные системы с поддержкой алгоритмов машинного обучения решают следующие задачи:

  • Контроль степени пропитки и распределения связующего. Полимерная смола и стеклянное волокно имеют принципиально разные спектры поглощения в ближнем инфракрасном диапазоне. Это позволяет алгоритмам с высокой точностью рассчитывать локальное массовое соотношение волокна и матрицы в каждой точке изделия, мгновенно выявляя скрытые сухие пятна, зоны дефицита смолы и локальные смоляные карманы даже в тех случаях, когда визуально материал выглядит однородным.
  • Мониторинг степени отверждения (полимеризации) матрицы. В процессе химической реакции отверждения в молекулах эпоксидных или полиэфирных смол разрываются одни химические связи и образуются новые. Гиперспектральная камера фиксирует эти молекулярные изменения в реальном времени по сдвигу пиков поглощения. Модели искусственного интеллекта переводят спектральные данные в карту степени полимеризации, позволяя вовремя обнаружить недоотвержденные участки до снятия детали с оснастки.
  • Выявление влаги и скрытых химических загрязнений. Молекулы воды обладают ярко выраженными полосами поглощения в инфракрасном спектре. Гиперспектральный контроль сухого ровинга или стеклоткани перед пропиткой позволяет мгновенно обнаружить отсыревшие участки материала, которые в противном случае вызвали бы вскипание смолы и образование микропор при нагреве. Аналогично система распознает следы антиадгезионных смазок, масел и разделительных составов, снижающих межслоевую адгезию.

Несмотря на уникальные аналитические возможности, промышленное внедрение гиперспектральных систем сдерживается рядом технических ограничений. Гиперспектральные камеры отличаются высокой стоимостью, требуют мощных широкополосных источников инфракрасного освещения и генерируют огромные объемы данных. Обработка гиперкубов в режиме реального времени требует применения специализированных алгоритмов снижения размерности данных и высокопроизводительных нейросетевых ускорителей. Кроме того, из-за высокой плотной упаковки слоев метод имеет ограниченную глубину проникновения излучения и наиболее эффективен при послойном контроле в процессе выкладки или при инспекции тонкостенных изделий.

4. Эволюция методов компьютерного зрения и алгоритмов ИИ

Аппаратные сенсоры обеспечивают получение сырых визуальных, тепловых, трехмерных или спектральных данных о состоянии стеклопластика. Однако сами по себе эти данные не несут прямой практической пользы для управления производством без интеллектуальной программной обработки. Преобразование многомерного потока пикселей или облаков точек в точные технологические решения о наличии брака, его координатах и степени критичности составляет главную задачу алгоритмов компьютерного зрения и искусственного интеллекта.

За последние два десятилетия программные методы анализа изображений в композитной индустрии прошли глубокую эволюцию. На ранних этапах внедрения машинного зрения применялись классические детерминированные алгоритмы, основанные на математических фильтрах, пороговой сегментации и ручном поиске геометрических признаков. По мере усложнения технологических процессов и повышения требований к точности контроля им на смену пришли методы классического машинного обучения, а затем произошла настоящая революция глубокого обучения. Современные сверточные нейронные сети и визуальные трансформеры способны самостоятельно извлекать сложнейшие иерархические признаки дефектов даже на фоне выраженной текстуры стекловолокна и бликов связующего.

В данном разделе последовательно прослеживается развитие алгоритмического аппарата в производстве стеклопластиков. Рассмотрены возможности и границы применимости классической обработки изображений, моделей машинного обучения с ручным конструированием признаков, современных глубоких нейросетевых архитектур для детекции и сегментации, а также новейших подходов, связанных с трансформерами и генеративным синтезом данных.

4.1. Классические алгоритмы обработки изображений

На ранних этапах внедрения автоматизированного визуального контроля в композитной индустрии программное обеспечение строилось исключительно на детерминированных алгоритмах классического компьютерного зрения. В основе этого подхода лежит строгая математическая обработка пиксельной матрицы изображения без использования обучаемых нейросетевых моделей. Инженер-разработчик заранее программирует четкую последовательность фильтров и правил, опираясь на априорные знания о том, как должен выглядеть конкретный дефект (например, его яркость, контраст, форма или периодичность).

В производстве стеклопластиков классические методы зарекомендовали себя при решении задач с высокой повторяемостью фона и стабильным освещением. К основным инструментам этой группы относятся:

  • Пространственная фильтрация и пороговая бинаризация. На первом этапе изображение подвергается сглаживанию (например, с помощью фильтров Гаусса или медианных фильтров) для подавления высокочастотного шума от микронеровностей смолы. Затем применяется пороговая обработка, разделяющая пиксели на темные и светлые области. Этот метод позволяет быстро выделять контрастные сухие пятна непропитки, крупные воздушные пузыри или темные посторонние включения на светлом фоне стекловолокна.
  • Детекторы границ и морфологический анализ. Операторы поиска перепадов яркости (такие как детектор Кэнни или фильтры Собеля) применяются для выделения четких контуров. В сочетании с морфологическими операциями (эрозией и дилатацией) они позволяют измерять ширину зазоров и нахлестов при выкладке препрега, а также оценивать геометрию кромки и наличие сколов после механической обрезки профиля.
  • Частотный анализ (преобразование Фурье) и фильтры Габора. Поскольку тканые стекломатериалы и однонаправленные ровинги обладают ярко выраженной периодической структурой, для контроля угла укладки волокон активно используется двумерное быстрое преобразование Фурье. Оно переводит изображение из пространственной области в частотную, где регулярное переплетение нитей формирует четкие энергетические пики. По угловому смещению этих пиков алгоритм с высокой точностью вычисляет локальное отклонение ориентации волокон от заданного направления. Фильтры Габора, имитирующие зрительную кору человека, дополнительно позволяют выделять локальные нарушения периодичности, такие как складки, сдвиги нитей и распушение ровинга.
  • Статистический анализ текстур (матрицы взаимной встречаемости уровней серого — GLCM). Позволяет количественно описать гладкость, однородность и энтропию поверхности композита. Резкое изменение статистических показателей текстуры сигнализирует о нарушении равномерности пропитки или появлении микротрещин матрицы.

Главными преимуществами классических алгоритмов являются их высокая скорость работы, низкие требования к вычислительным ресурсам, полная прозрачность логики принятия решений и отсутствие необходимости в сборе больших обучающих выборок. Они до сих пор успешно применяются на этапе предварительной подготовки кадров перед подачей в нейросеть или для базового геометрического контроля.

Однако в реальных цеховых условиях классические методы демонстрируют критическую уязвимость. Они крайне чувствительны к малейшим колебаниям внешнего освещения, изменению оттенка или прозрачности новой партии смолы, а также к появлению случайных бликов. При смене типа переплетения стеклоткани или геометрии изделия инженеру приходится заново вручную подбирать пороговые значения и коэффициенты фильтров, что делает такие системы негибкими и трудоемкими в сопровождении.

4.2. Машинное обучение с ручным извлечением признаков

По мере усложнения геометрии стеклопластиковых деталей и расширения номенклатуры применяемых связующих жесткие правила классической обработки изображений перестали справляться с задачей надежного распознавания брака. Ответом на это ограничение стал переход к методам классического машинного обучения (Traditional Machine Learning). В отличие от детерминированных алгоритмов, где инженер вручную задает пороговые значения яркости или размеров, модели машинного обучения самостоятельно находят сложные статистические закономерности в данных, обучаясь на примерах реальных дефектов.

Процесс работы таких систем в производстве стеклопластиков всегда строится в два последовательных этапа:

  1. Конструирование и извлечение признаков (Feature Engineering). На первом шаге программа с помощью математических алгоритмов сжимает исходное изображение или выделенный фрагмент поверхности в компактный числовой вектор признаков. Инженер заранее определяет, какие именно характеристики наиболее важны для конкретного типа брака. Для оценки текстуры плетения вычисляются статистические показатели гистограмм яркости, матрицы взаимной встречаемости уровней серого (GLCM) и локальные бинарные шаблоны (LBP). Для анализа формы сколов или пузырей рассчитываются геометрические дескрипторы: площадь, периметр, коэффициент округлости и моменты Ху. При работе с термограммами извлекаются динамические признаки, такие как максимальная скорость нагрева и время остывания пикселя.
  2. Классификация и принятие решений. На втором шаге сформированный вектор числовых признаков подается на вход классификатора машинного обучения, который относит проверяемый участок композита к норме или к определенному виду дефекта.

В задачах дефектоскопии стеклопластиков наибольшую эффективность продемонстрировали следующие алгоритмы классического машинного обучения:

  • Метод опорных векторов (Support Vector Machines, SVM). Алгоритм строит в многомерном пространстве признаков оптимальную разделяющую границу (гиперплоскость), которая с максимальным зазором отделяет бездефектные участки от зон с отклонениями. Метод опорных векторов отличается высокой обобщающей способностью даже при работе с небольшими обучающими выборками, что сделало его особенно популярным для классификации воздушных пор и сухих пятен на ранних этапах внедрения ИИ.
  • Случайный лес (Random Forest) и градиентный бустинг. Ансамблевые методы, объединяющие предсказания множества независимых решающих деревьев. Они устойчивы к выбросам и шумам в данных, не требуют сложной нормализации признаков и позволяют легко оценить, какие именно характеристики поверхности (например, контраст или энтропия текстуры) внесли наибольший вклад в обнаружение дефекта.
  • Метод k-ближайших соседей (k-NN) и кластеризация (K-means). Применяются для быстрой сегментации областей с аномальной пропиткой, группируя пиксели со схожими цветовыми и текстурными параметрами без необходимости длительного предварительного обучения.

Главным достоинством классического машинного обучения является его способность работать на сравнительно скромных объемах размеченных данных (достаточно нескольких сотен примеров дефектов) при невысоких требованиях к вычислительной мощности промышленных компьютеров. Такие модели легко запускаются на стандартных центральных процессорах без использования дорогих графических ускорителей.

Однако у данного подхода существует серьезное фундаментальное ограничение — его качество целиком зависит от этапа ручного конструирования признаков. Инженер должен заранее угадать, какие математические дескрипторы позволят отличить микротрещину или складку от естественного переплетения стекловолокна и бликов смолы. В реальном производстве, где одновременно могут возникать десятки различных по форме и контрасту дефектов, ручной подбор универсального набора признаков становится крайне трудоемкой, а зачастую и невыполнимой задачей. Это закономерно привело индустрию к переходу на глубокое обучение.

4.3. Глубокое обучение (Deep Learning) — современный стандарт

Настоящий прорыв в автоматизированном контроле качества стеклопластиков произошел с внедрением глубокого обучения и сверточных нейронных сетей (Convolutional Neural Networks, CNN). В отличие от классического машинного обучения, глубокие нейросети полностью избавляют инженера от необходимости вручную конструировать математические признаки. Сеть принимает на вход необработанное изображение и в процессе обучения самостоятельно формирует многоуровневую иерархию признаков. Первые слои сети учатся распознавать простейшие элементы — перепады яркости, края и направления отдельных стеклянных волокон. Глубокие слои объединяют эти элементы в сложные образы, позволяя безошибочно отличать реальную трещину или воздушный пузырь от случайного блика смолы или текстуры переплетения ткани.

В современной практике производства стеклопластиков архитектура глубокой нейросети выбирается в зависимости от технологической задачи, которую необходимо решить на конкретном участке линии:

  • Классификация изображений (Image Classification). Базовая задача, при которой нейросеть оценивает весь кадр или выделенный фрагмент поверхности целиком и присваивает ему метку (например, «норма», «непропитка», «обрыв нити»). Для этих целей широко применяются такие проверенные архитектуры, как ResNet, EfficientNet и MobileNet. Они эффективно работают при быстрой сортировке готовых деталей или для подачи сигнала тревоги при появлении критического брака на конвейере, но не указывают точные координаты и размеры дефекта.
  • Детекция объектов (Object Detection). Алгоритмы этого класса не только определяют тип брака, но и локализуют каждый отдельный дефект на снимке с помощью ограничивающей прямоугольной рамки (Bounding Box). В композитной индустрии здесь доминируют два семейства архитектур. Двухэтапные детекторы, такие как Faster R-CNN, сначала находят подозрительные области, а затем тщательно их классифицируют, обеспечивая высочайшую точность при поиске мелких и низкоконтрастных пор. Одноэтапные детекторы, главным представителем которых является семейство моделей YOLO (You Only Look Once), анализируют весь кадр за один проход. Благодаря феноменальной скорости обработки (десятки и сотни кадров в секунду) архитектуры YOLO стали отраслевым стандартом для непрерывного мониторинга в реальном времени на высокоскоростных линиях пултрузии и автоматизированной выкладки.
  • Семантическая и экземплярная сегментация (Semantic & Instance Segmentation). Для конструкционных стеклопластиков знания о самом факте наличия дефекта часто недостаточно — технологу необходимо точно знать площадь сухого пятна, ширину зазора между лентами препрега или глубину скола кромки, чтобы оценить их соответствие прочностным допускам. Задачи попиксельного выделения контуров брака решают модели сегментации. Архитектура U-Net, изначально созданная для медицинской диагностики, показала выдающуюся эффективность при анализе термограмм и рентгеновских снимков композитов, позволяя с высокой точностью очерчивать размытые границы внутренних расслоений. Модели Mask R-CNN и DeepLab успешно применяются для точного измерения площади воздушных включений и контроля геометрии укладки волокон, отделяя каждый отдельный дефект от сложного фона.

Ключевым преимуществом глубокого обучения является его высокая адаптивность. Использование технологии переноса обучения (Transfer Learning), когда модель предварительно обучается на миллионах обычных фотографий, а затем дообучается на сравнительно небольшой выборке снимков стеклопластика, позволяет достичь высокой точности распознавания даже в условиях ограниченного количества реальных производственных дефектов.

4.4. Новейшие тренды: Vision Transformers, обучение с малым количеством данных и синтетическая генерация дефектов

Несмотря на выдающиеся успехи сверточных нейронных сетей, их внедрение в реальное производство стеклопластиков сталкивается с двумя системными ограничениями. Во-первых, сверточные сети анализируют изображение локально, обрабатывая небольшие соседние группы пикселей, что затрудняет поиск протяженных дефектов, таких как плавное изменение угла укладки волокон по всей ширине рулона. Во-вторых, классическое глубокое обучение требует тысяч размеченных примеров каждого вида брака, которые крайне сложно и дорого собрать на отлаженном производстве. Для преодоления этих барьеров современная наука активно внедряет новейшие парадигмы искусственного интеллекта.

К наиболее перспективным алгоритмическим трендам последних лет в композитной дефектоскопии относятся следующие направления:

  • Визуальные трансформеры (Vision Transformers, ViT). Архитектуры, изначально разработанные для обработки естественного языка, произвели революцию в компьютерном зрении. В отличие от сверточных сетей, визуальный трансформер разбивает снимок композита на сетку небольших фрагментов (патчей) и с помощью механизма самовнимания (Self-Attention) анализирует взаимосвязи между всеми участками изображения одновременно. Благодаря глобальному полю восприятия трансформеры и гибридные архитектуры (например, Swin Transformer) превосходно выявляют протяженные волнистости ткани, глобальные перекосы ровинга и сложные скрытые расслоения на термограммах, где важен контекст всей поверхности детали, а не только локальный перепад яркости.
  • Обучение без учителя и поиск аномалий (Unsupervised Anomaly Detection). На современных предприятиях процент брака относительно невелик, поэтому собрать репрезентативную базу всех возможных редких дефектов практически невозможно. Подход поиска аномалий решает эту проблему кардинально: нейросеть (например, автоэнкодеры или модели на базе архитектуры PatchCore) обучается исключительно на изображениях идеального, бездефектного стеклопластика. Модель запоминает эталонную текстуру переплетения волокон и равномерной пропитки. В ходе работы любая область, отклоняющаяся от выученной нормы — будь то неизвестное постороннее включение, редкий вид трещины или нестандартное сухое пятно — автоматически выделяется как аномалия без необходимости предварительной разметки примеров брака.
  • Генеративный синтез дефектов (GAN и диффузионные модели). Чтобы компенсировать нехватку обучающих данных и устранить сильный дисбаланс классов, исследователи применяют генеративно-состязательные сети (GAN) и современные диффузионные модели. Эти алгоритмы способны генерировать фотореалистичные изображения различных дефектов стеклопластика (воздушных пор, сколов, складок) и органично встраивать их в реальные снимки бездефектной поверхности, сохраняя текстуру стеклоткани и блики связующего. Дополнение реального набора данных синтетическими примерами позволяет значительно повысить точность и устойчивость промышленных детекторов брака.
  • Обучение с малым количеством примеров (Few-Shot Learning) и самообучение (Self-Supervised Learning). Эти методики позволяют быстро адаптировать систему машинного зрения при переходе производственной линии на новый тип армирующего наполнителя или другой цвет смолы. Вместо длительного сбора нового датасета модель предварительно обучается на огромном массиве неразмеченных видеопотоков с конвейера, самостоятельно изучая физическую структуру материала, после чего для настройки на поиск нового дефекта ей требуется всего несколько десятков вручную размеченных примеров.

Внедрение этих передовых подходов снижает порог входа для композитных предприятий, сокращая время и затраты на подготовку данных при запуске интеллектуального контроля качества.

5. Обзор практических применений по технологиям производства

Эффективность внедрения систем компьютерного зрения и искусственного интеллекта в композитной индустрии напрямую зависит от особенностей конкретного технологического процесса. Производство стеклопластиков охватывает широкий спектр методов формования — от высокоскоростных непрерывных линий до циклических процессов изготовления крупногабаритных и сложнопрофильных конструкций. Каждый из этих методов характеризуется собственной кинематикой движения материала, агрегатным состоянием связующего в зоне контроля, доступностью поверхности для оптического наблюдения и уникальным набором критических дефектов.

В связи с этим архитектура интеллектуального комплекса контроля качества не может быть универсальной: она всегда проектируется под конкретный технологический передел. Для одних процессов приоритетом является сверхбыстрая обработка потока кадров на высокой скорости протяжки, для других — точное трехмерное измерение рельефа выкладываемого слоя или отслеживание динамики распространения жидкой смолы сквозь полупрозрачную оснастку. В данном разделе обобщен практический опыт и рассмотрены конкретные инженерные решения по интеграции алгоритмов ИИ и систем машинного зрения в ключевые промышленные технологии производства стеклопластиков, включая пултрузию, автоматизированную выкладку волокна, вакуумную инфузию и финишную механическую обработку.

Вводная часть к Разделу 5 готова. Далее мы можем последовательно раскрыть практические кейсы по технологиям:

5.1. Пултрузия: непрерывный мониторинг профиля и контроля натяжения ровинга на высокой скорости

Пултрузия представляет собой высокопроизводительный непрерывный процесс изготовления композитных профилей постоянного сечения, при котором пропитанные смолой стекловолокна протягиваются через нагретую формующую фильеру. Из-за высокой линейной скорости движения материала (до нескольких метров в минуту) и непрерывного цикла производства ручной визуальный контроль здесь практически неэффективен. Если дефект возникает на одном из участков, линия успевает выпустить десятки метров бракованного профиля до того, как оператор заметит отклонение. В связи с этим пултрузионные линии стали одной из первых площадок для массового внедрения систем компьютерного зрения.

Интеграция машинного зрения и алгоритмов ИИ в пултрузионное производство организуется последовательно в трех ключевых зонах линии:

  • Зона подачи и предварительного формирования сухого наполнителя. На этом участке камеры видимого спектра с линейным сканированием устанавливаются над направляющими гребенками (шпулярником), через которые сходят нити ровинга и ленты стекломата. Алгоритмы обработки изображений непрерывно отслеживают целостность и траекторию движения каждого жгута. Нейросети, обученные на задачах детекции аномалий, мгновенно фиксируют обрыв отдельных нитей, образование «пуха» из-за трения о направляющие, перехлест ровингов или смещение стекломата с заданной оси. Раннее обнаружение таких отклонений позволяет остановить тянущее устройство до попадания спутанных волокон в фильеру, предотвращая ее заклинивание и дорогостоящий ремонт.
  • Зона выхода профиля из нагретой фильеры. Сразу после выхода отвержденного профиля из формующей матрицы располагается многокамерный оптический пост, охватывающий изделие со всех сторон. Для сложного профиля (например, двутавра или швеллера) камеры и светодиодные осветители с перекрестной поляризацией монтируются под разными углами для исключения «слепых зон» и подавления бликов глянцевой смолы. На этом этапе легкие и сверхбыстрые сверточные нейросети (например, модификации архитектуры YOLO) в режиме реального времени анализируют поверхность. Они выявляют продольные трещины от термической усадки, раковины, сухие непропитанные полосы, наплывы полимера и изменения цвета, свидетельствующие о локальном перегреве или недоотверждении матрицы. Дополнительно пассивные инфракрасные камеры на выходе из фильеры контролируют равномерность температурного поля профиля, позволяя выявлять внутренние расслоения.
  • Зона финишной резки и сортировки. Перед автоматической отрезной пилой устанавливаются лазерные триангуляционные профилометры. Они измеряют геометрическую стабильность профиля, проверяя толщину стенок, прямолинейность и отсутствие коробления. Система компьютерного зрения присваивает каждому погонному метру изделия цифровой статус качества. При обнаружении критического дефекта управляющий контроллер автоматически дает команду отрезному узлу вырезать бракованный фрагмент и направить его в бункер отходов без участия человека.

Главной инженерной особенностью систем машинного зрения для пултрузии является жесткое требование к скорости вычислений. Алгоритмы должны обрабатывать поток изображений с высокой частотой кадров без накопления задержек, для чего применяются компактные нейросетевые модели и специализированные вычислительные ускорители, работающие непосредственно на линии.

5.2. Автоматизированная выкладка (AFP/ATL): контроль зазоров, нахлестов и складок препрега в реальном времени

Технологии автоматизированной выкладки волокна (Automated Fiber Placement, AFP) и автоматизированной укладки лент (Automated Tape Laying, ATL) являются стандартом при производстве крупногабаритных и высоконагруженных конструкций в авиастроении и ветроэнергетике. В этих процессах роботизированная головка с высокой скоростью укладывает узкие жгуты или широкие ленты предварительно пропитанного стекловолокна (препрега) на поверхность формовочной оснастки сложной геометрии, одновременно прикатывая и подогревая их. Главная проблема этого метода заключается в том, что каждый последующий слой полностью перекрывает предыдущий. Если вовремя не заметить дефект на нижнем слое, он окажется замурованным внутри многослойного пакета, что приведет к потере прочности всей конструкции.

Традиционно после выкладки каждого слоя робот останавливался, и оператор проводил ручной визуальный осмотр поверхности с помощью измерительных шаблонов. На такую инспекцию уходило от 30 до 50 процентов всего производственного времени. Интеграция компактных сенсоров машинного зрения и алгоритмов ИИ непосредственно на выкладочную головку позволила перейти к контролю в процессе движения без остановки оборудования.

В системах мониторинга AFP и ATL применяется комплекс из трех взаимодополняющих технологий:

  • Лазерная триангуляция высокого разрешения. Лазерный профилометр монтируется сразу за прикатывающим роликом выкладочной головки. В реальном времени он строит трехмерную карту высот только что уложенных лент препрега. Алгоритмы сегментации и анализа профиля рельефа с точностью до долей миллиметра выявляют зазоры между соседними полосами, их нахлесты, локальные вздутия (пузыри воздуха под лентой), перекручивание жгутов и подвороты кромок.
  • Активная инфракрасная термография. Поскольку для обеспечения липкости препрега перед прикатывающим роликом материал подогревается инфракрасной лампой или лазером, на выкладочную головку устанавливается компактный тепловизор. Он анализирует картину остывания только что уложенной полосы. Если под лентой образовался воздушный карман или нарушен контакт с нижележащим слоем из-за загрязнения, тепло отводится медленнее, и тепловизор фиксирует характерную температурную аномалию.
  • Оптические камеры видимого спектра. Используются для контроля целостности самих лент перед подачей в зону прикатки, позволяя обнаружить распушение стекловолокна, разрывы нитей или посторонние включения, попавшие на липкую поверхность препрега.

Роль искусственного интеллекта в этих системах выходит далеко за рамки простого обнаружения брака. Глубокие нейронные сети классифицируют выявленный дефект и сопоставляют его геометрические размеры (ширину зазора, высоту нахлеста, угол складки) с конструкционными допусками, заложенными в цифровую модель изделия. Если отклонение находится в пределах нормы, система просто заносит его точные пространственные координаты в цифровой паспорт детали для последующего прочностного анализа методом конечных элементов. Если же дефект превышает критический порог, система мгновенно останавливает выкладку и точно указывает роботу или оператору координаты участка, требующего локального ремонта.

5.3. Вакуумная инфузия и RTM: отслеживание фронта пропитки смолой и прогнозирование образования «сухих пятен»

Процессы закрытого формования с пропиткой под давлением (Resin Transfer Molding, RTM) и вакуумной инфузии (Vacuum Assisted Resin Infusion, VARI) широко применяются для изготовления крупногабаритных и сложных по геометрии стеклопластиковых конструкций, таких как корпуса судов, обтекатели и лопасти ветрогенераторов. Суть технологии заключается в укладке сухого армирующего пакета в форму, ее герметизации (жесткой полуматрицей или гибким вакуумным мешком) и последующем заполнении межволоконного пространства жидким полимерным связующим. Главный технологический риск на этом этапе связан с неравномерным течением смолы. Из-за локальных различий в плотности укладки стеклоткани или перепадов давления фронт связующего может двигаться неравномерно, огибая отдельные зоны и запирая внутри них воздух. В результате образуются непропитанные участки («сухие пятна») и скопления воздушных пор, которые критически снижают прочность изделия.

Поскольку в процессе вакуумной инфузии используется прозрачный или полупрозрачный полимерный вакуумный мешок, а сам стеклопластик меняет свои оптические свойства при смачивании (сухая белесая стеклоткань становится темной и полупрозрачной после пропитки), этот процесс идеально подходит для оптического мониторинга с помощью камер видимого спектра. При использовании закрытых жестких форм (RTM), оборудованных прозрачными смотровыми окнами или интегрированными оптоволоконными датчиками, дополнительно привлекаются методы инфракрасной термографии.

Системы искусственного интеллекта и компьютерного зрения решают в процессах пропитки следующие ключевые задачи:

  • Сегментация и отслеживание динамики фронта пропитки. Камеры высокого разрешения, установленные над формой, непрерывно фиксируют процесс заполнения пакета связующим. Модели семантической сегментации (например, на базе архитектуры U-Net) в реальном времени отделяют на изображении три зоны: сухую стеклоткань, полностью пропитанный композит и переходную границу фронта смолы. Алгоритмы вычисляют мгновенную скорость и направление движения связующего в каждой точке детали, сравнивая фактическую картину с расчетной физической моделью процесса.
  • Раннее прогнозирование и предотвращение «сухих пятен». Анализируя последовательность кадров во времени (с помощью рекуррентных нейросетей или пространственно-временных сверток), система способна предсказать смыкание двух встречных потоков смолы за несколько десятков секунд до того, как образуется замкнутый воздушный карман. В продвинутых автоматизированных линиях система компьютерного зрения работает в замкнутом контуре управления: при угрозе образования сухого пятна она подает сигнал на электромагнитные клапаны, перекрывая одни линии подачи смолы или открывая дополнительные вакуумные порты для перенаправления потока связующего в проблемную зону.
  • Выявление микропузырей и контроля качества дегазации. Применение перекрестной поляризации и яркой подсветки на просвет (если оснастка позволяет) дает возможность нейросетевым детекторам фиксировать миграцию мелких воздушных пузырьков вместе с потоком смолы и оценивать эффективность вакуумирования в реальном времени.
  • Мониторинг экзотермической реакции отверждения. После полного заполнения формы в работу включаются тепловизионные камеры. Они отслеживают распространение теплового фронта полимеризации по всей площади крупногабаритного изделия, выявляя зоны преждевременного закипания смолы или участки, где реакция отверждения замедлилась из-за нарушения пропорций отвердителя.

Внедрение интеллектуального визуального контроля в процессы инфузии превращает пропитку из искусства, целиком зависящего от интуиции и опыта мастера-технолога, в строго контролируемый, воспроизводимый и управляемый инженерный процесс.

5.4. Финишная дефектоскопия: автоматизированная сортировка и контроль мехобработки готовых изделий

Завершающий этап производства стеклопластиковых деталей включает расформовку, обрезку технологических припусков, фрезерование контуров, сверление монтажных отверстий и выходной контроль качества перед отгрузкой потребителю. Несмотря на развитие систем мониторинга непосредственно в процессе формования, финишная дефектоскопия остается критически важным рубежом безопасности. Стеклопластики обладают высокой абразивностью и слоистой структурой, из-за чего при механической обработке в них легко возникают специфические разрушения, которые могут стать очагами усталостного разрушения конструкции при эксплуатации.

Внедрение роботизированных инспекционных ячеек с системами компьютерного зрения и искусственного интеллекта на финишном участке позволяет заменить медленный и субъективный ручной осмотр. Промышленные манипуляторы перемещают оптические сенсоры вокруг сложной трехмерной детали по заранее заданной траектории, обеспечивая стопроцентный охват поверхности.

На этапе финишного контроля алгоритмы ИИ решают следующие основные задачи:

  • Контроль качества сверления и фрезерования. При прохождении сверла сквозь стеклопластиковый пакет на выходе часто образуются расслоения (вырывы выходного слоя), сколы полимерной матрицы и бахрома из неперерезанных стеклянных волокон. Для проверки каждого отверстия применяются коаксиальные камеры высокого разрешения и лазерные профилометры. Нейросети сегментации точно измеряют диаметр отверстия, ширину зоны прикромочного расслоения и сравнивают эти значения с инженерными допусками.
  • Выявление поверхностных и подповерхностных дефектов после расформовки. После извлечения из оснастки изделие проходит сканирование в камере с комбинированным освещением. Системы светлопольного освещения и дефлектометрии выявляют раковины, недоливы, царапины от оснастки и локальное коробление геометрии. Для поиска скрытых внутренних расслоений, возникших при остывании или неаккуратном извлечении детали из формы, финишные посты оснащаются установками импульсной термографии с нейросетевой обработкой термограмм.
  • Оценка эстетического качества и однородности покрытия. Для видовых деталей (например, кузовных панелей транспорта или элементов городской инфраструктуры) важен внешний вид. Модели глубокого обучения классифицируют дефекты гелькоута, такие как «апельсиновая корка», потеки, посторонние включения пыли и разнотон окраски.
  • Автоматизированная сортировка и формирование паспорта качества. По результатам комплексного сканирования интеллектуальная система принимает решение о годности изделия. Детали без отклонений автоматически направляются на упаковку, изделия с незначительными поверхностными дефектами маркируются для локального косметического ремонта, а критический брак отбраковывается. Все выявленные микродефекты с их точными координатами привязываются к индивидуальному штрихкоду детали, формируя ее цифровой паспорт качества.

Интеграция систем машинного зрения на финишном этапе не только гарантирует заказчику отсутствие скрытого брака, но и обеспечивает ценную обратную связь для технологов, позволяя вовремя отследить износ режущего инструмента или деградацию формовочной оснастки.

6. Барьеры внедрения и открытые научные проблемы

Несмотря на впечатляющие результаты, продемонстрированные алгоритмами искусственного интеллекта и компьютерного зрения в лабораторных экспериментах и пилотных проектах, их масштабное тиражирование на реальных предприятиях композитной индустрии все еще сталкивается с рядом системных трудностей. Перенос нейросетевой модели из контролируемых условий исследовательского стенда в агрессивную и нестабильную среду промышленного цеха требует решения комплекса научных, инженерных и организационных задач.

Ключевая причина этого разрыва заключается в высокой вариативности реального производства стеклопластиков. Смена поставщика стекловолокна, колебания вязкости смолы от партии к партии, запыленность цеха, вибрации оборудования и жесткие требования к скорости принятия решений создают условия, в которых стандартные алгоритмы могут терять точность и давать ложные срабатывания. В данном разделе систематизированы основные барьеры, сдерживающие широкое промышленное внедрение систем машинного зрения — от дефицита размеченных наборов данных и вычислительных ограничений до проблем адаптивности моделей и их интеграции в существующие автоматизированные системы управления технологическими процессами.

6.1. Проблема «дефицита данных»: высокая стоимость создания датасетов реальных дефектов и дисбаланс классов

Фундаментальным барьером на пути внедрения глубокого обучения в производство стеклопластиков является острая нехватка качественных размеченных наборов данных (датасетов). В отличие от задач общего компьютерного зрения, где в открытом доступе существуют миллионы фотографий повседневных объектов, в композитной индустрии практически отсутствуют публичные эталонные базы изображений. Каждое предприятие вынуждено собирать и размечать обучающую выборку самостоятельно, что сопряжено со следующими системными трудностями:

  • Экстремальный дисбаланс классов. На современном отлаженном производстве доля брака обычно составляет от нескольких десятых до нескольких процентов от общего объема выпуска. В результате камеры за смену генерируют терабайты снимков идеального, бездефектного стеклопластика, и лишь единичные кадры содержат реальные отклонения. При обучении на таких несбалансированных данных нейросеть быстро привыкает к тому, что брака почти не бывает, и начинает пропускать редкие, но критически важные дефекты, такие как внутренние расслоения или локальные сухие пятна.
  • Высокая стоимость искусственной генерации брака. Для пополнения базы данных исследователи нередко прибегают к намеренному созданию дефектов в лабораторных условиях — например, подкладывают тефлоновую пленку между слоями стеклоткани для имитации расслоения или нарушают вакуум для получения воздушных пор. Однако в промышленных масштабах такой подход оказывается экономически нецелесообразным из-за высокой стоимости материалов, необходимости останавливать основную линию и невозможности повторно переработать испорченные термореактивные детали.
  • Сложность и субъективность экспертной разметки. Чтобы обучить модель сегментации, необходимо вручную обвести границы каждого дефекта на тысячах снимков с попиксельной точностью. Из-за полупрозрачности стеклопластика и бликов смолы границы сухих пятен или микротрещин часто выглядят размытыми. Для корректной разметки требуется привлечение высококвалифицированных инженеров-технологов, время которых стоит дорого, а даже два опытных специалиста могут по-разному определить точные контуры одного и того же сложного дефекта.
  • Конфиденциальность промышленных данных. Производители композитных конструкций для авиации, ветроэнергетики и оборонного сектора строго охраняют свои технологические ноу-хау и статистику брака. Предприятия крайне неохотно делятся реальными производственными снимками с научным сообществом или сторонними разработчиками программного обеспечения, что тормозит создание универсальных отраслевых моделей искусственного интеллекта.

Преодоление дефицита данных требует активного внедрения методов обучения без учителя, синтетической генерации дефектов с помощью генеративных нейросетей, а также развития отраслевых стандартов обмена обезличенными данными.

6.2. Вычислительные ограничения: баланс между высокой точностью нейросетей и скоростью обработки в реальном времени

Вторая критическая проблема при внедрении систем искусственного интеллекта в производство стеклопластиков связана с жесткими требованиями к времени отклика алгоритмов. В научных публикациях исследователи часто стремятся достичь максимальной точности распознавания дефектов, используя тяжелые, многослойные архитектуры нейронных сетей и изображения сверхвысокого разрешения. Однако в реальных промышленных условиях такие модели оказываются неприменимыми из-за неприемлемо низкой скорости вычислений.

Противоречие между точностью и производительностью на композитных предприятиях проявляется в следующих аспектах:

  • Высокие скорости непрерывных процессов. При пултрузии, перемотке ровинга или автоматизированной выкладке материал движется мимо камер со скоростью от нескольких десятков сантиметров до нескольких метров в секунду. Чтобы не пропустить мелкие дефекты (например, обрыв отдельного волокна или микротрещину матрицы), система должна захватывать и полностью анализировать десятки и сотни кадров в секунду. Если время обработки одного кадра превышает интервал между съемками, возникает очередь необработанных данных, система теряет режим реального времени, а сигнал об остановке линии поступает с критическим опозданием.
  • Огромные объемы генерируемых данных. Для надежного обнаружения микроскопических дефектов на крупногабаритных изделиях, таких как многометровые лопасти ветрогенераторов, требуются линейные камеры с разрешением в тысячи пикселей по ширине или многокамерные установки. Еще более тяжелые потоки данных формируют лазерные 3D-сканеры и гиперспектральные камеры. Передача и обработка таких массивов информации в реальном времени создает колоссальную нагрузку на шины передачи данных и оперативную память.
  • Ограничения периферийных вычислений (Edge AI). Передача потокового видео высокого разрешения в облачные центры обработки данных или на удаленные заводские серверы часто невозможна из-за сетевых задержек и требований промышленной кибербезопасности. Поэтому вычисления приходится переносить непосредственно на линию — в компактные промышленные компьютеры и встраиваемые вычислительные модули, установленные рядом со станком. Такие устройства ограничены по габаритам, энергопотреблению и теплоотводу (особенно в условиях запыленных цехов с повышенной температурой), что не позволяет использовать в них самые мощные серверные графические ускорители.

Для преодоления этого барьера инженерам приходится идти на сложные компромиссы и применять методы оптимизации нейронных сетей. К ним относятся квантование весов модели (переход к вычислениям с пониженной точностью), прореживание (удаление избыточных связей в нейросети) и дистилляция знаний, когда компактная и быстрая модель обучается имитировать работу большой эталонной сети. Кроме того, активно используется гибридная обработка: быстрые классические фильтры предварительно отсеивают заведомо бездефектные участки полотна, передавая на вход тяжелой нейросети только подозрительные области интереса.

6.3. Устойчивость моделей при смене типа смолы, цвета красителя или партии стекловолокна

Серьезным препятствием для промышленного масштабирования систем машинного зрения является проблема сдвига домена (Domain Shift). Нейронная сеть, обученная на изображениях стеклопластика определенного состава, часто демонстрирует резкое падение точности при малейшем изменении сырьевых компонентов или технологических режимов. В отличие от металлообработки, где стальной лист имеет стабильные оптические свойства, в композитном производстве рецептура и характеристики сырья регулярно меняются под задачи конкретного заказчика.

Утрата устойчивости (робастности) алгоритмов искусственного интеллекта на реальной линии происходит по следующим причинам:

  • Изменение оптических свойств связующего. Переход от эпоксидной смолы к полиэфирной или винилэфирной меняет коэффициент преломления, вязкость и степень прозрачности матрицы. Еще более радикальное влияние оказывает добавление пигментов, красителей или огнезащитных наполнителей (например, гидроксида алюминия). Окрашивание смолы в серый, синий или белый цвет полностью скрывает подповерхностные слои и радикально меняет контрастность воздушных пор и сухих пятен. Модель, настроенная на работу с полупрозрачным янтарным композитом, перестает распознавать дефекты на непрозрачном пигментированном изделии.
  • Вариативность армирующего наполнителя. Смена поставщика стекловолокна, изменение поверхностной плотности стекломата или переход с полотняного переплетения ткани на саржевое формируют совершенно новый фоновый рисунок. Для сверточной нейросети изменение периодичности текстуры может восприниматься как аномалия, вызывая поток ложных срабатываний.
  • Деградация и дрейф аппаратной части в цеховых условиях. Производство стеклопластиков сопровождается выделением стеклянной пыли, аэрозолей стирола и частиц полимерного связующего. Постепенное оседание пыли на защитных стеклах объективов и светильников снижает яркость и четкость кадров. Кроме того, со временем светодиодные осветители теряют интенсивность излучения, а вибрации оборудования могут слегка сбить фокусировку или угол наклона камеры. Эти плавные изменения накапливаются и выводят входные данные за пределы того распределения, на котором обучалась модель.

Для решения этой проблемы применяются методы адаптации домена (Domain Adaptation) и активного обучения. Вместо дорогостоящего полного переобучения нейросети под каждую новую партию сырья разрабатываются алгоритмы, способные настраиваться на новый цвет смолы или тип ткани по небольшой калибровочной выборке бездефектных кадров, собранных в первые минуты запуска линии. Одновременно внедряются системы самодиагностики сенсоров, которые автоматически отслеживают падение контрастности изображения из-за запыления оптики и сигнализируют оператору о необходимости технического обслуживания.

6.4. Интеграция систем машинного зрения в существующие АСУ ТП

Внедрение камер и нейросетевых алгоритмов часто ограничивается уровнем пассивного мониторинга, при котором система лишь фиксирует дефект и выводит предупреждение на экран оператора. Однако полноценный экономический эффект от цифровизации достигается только при глубокой интеграции компьютерного зрения в автоматизированные системы управления технологическими процессами (АСУ ТП) с переходом к замкнутому циклу управления (Closed-Loop Control). Реализация такого перехода на композитных предприятиях сталкивается с рядом технических и организационных барьеров.

Основные сложности при интеграции интеллектуальных систем в промышленную автоматику включают следующие аспекты:

  • Несовместимость промышленных протоколов и устаревший парк оборудования. На многих действующих заводах по производству стеклопластиков эксплуатируются пултрузионные линии, намоточные станки и прессы прошлых поколений, оснащенные закрытыми программируемыми логическими контроллерами (ПЛК). Эти контроллеры работают по классическим промышленным шинам (например, Modbus, Profibus) с жесткими циклами опроса и не рассчитаны на прием сложных аналитических данных от современных нейросетевых модулей. Для их сопряжения требуются специализированные программно-аппаратные шлюзы.
  • Сложность преобразования визуального диагноза в управляющее воздействие. Обнаружение дефекта нейросетью не дает прямого ответа на вопрос, как именно нужно изменить режим работы станка для устранения причины брака. Физика формования стеклопластиков обладает высокой инерционностью. Например, если камера зафиксировала локальную непропитку на выходе из фильеры, немедленное снижение скорости протяжки или повышение температуры нагревательных зон скажется на качестве профиля только через несколько минут. Разработка математических моделей, связывающих визуальные признаки дефекта с оптимальными параметрами регулирования температуры, давления и натяжения, остается сложной междисциплинарной задачей.
  • Проблема пространственно-временной синхронизации (трекинг дефектов). Чтобы система автоматической отбраковки точно вырезала дефектный участок профиля или робот провел локальный ремонт слоя при выкладке, необходимо с миллиметровой точностью сопоставить момент захвата кадра камерой с текущей координатой движения материала. Это требует жесткой аппаратной синхронизации работы камер, импульсных осветителей и энкодеров приводов конвейера на уровне микросекунд.
  • Высокая цена ошибки автоматического управления и недоверие персонала. В замкнутом контуре управления ложное срабатывание нейросети способно привести к необоснованной остановке непрерывной линии, что при производстве термореактивных композитов грозит полимеризацией смолы прямо внутри пропиточной ванны или фильеры. Из-за риска дорогостоящего простоя технологи и операторы часто опасаются доверять искусственному интеллекту прямое управление оборудованием, переводя систему в режим ручного подтверждения.

Преодоление этих барьеров требует поэтапного внедрения: от создания систем поддержки принятия решений (советчиков технолога), которые рекомендуют корректировку параметров, к постепенной автоматизации наиболее безопасных и предсказуемых контуров управления, таких как сортировка готовой продукции или регулировка натяжения сухого ровинга.

7. Перспективы развития и будущие направления исследований

Анализ текущего состояния технологий показывает, что искусственный интеллект и компьютерное зрение уже перестали быть экспериментальными инструментами и уверенно закрепляются в практике производства стеклопластиков. Однако существующие промышленные решения по-прежнему фокусируются преимущественно на локальном обнаружении отдельных дефектов и требуют значительных усилий по настройке и сопровождению. Дальнейшая эволюция этой области связана с переходом от изолированных камер-дефектоскопов к созданию комплексных, самообучающихся киберфизических систем, способных глубоко понимать физику технологического процесса.

Будущие научные исследования и инженерные разработки в композитной индустрии сосредоточены на преодолении рассмотренных выше ограничений — дефицита данных, недостаточной глубины оптического зондирования и закрытости алгоритмов принятия решений. В данном разделе обозначены ключевые векторы развития технологий на ближайшие годы, включая объединение данных от разнородных физических сенсоров (мультимодальный ИИ), интеграцию машинного зрения с цифровыми двойниками производства и внедрение методов объяснимого искусственного интеллекта для повышения прозрачности и надежности управления.

Вводная часть к Разделу 7 готова. Далее мы можем последовательно раскрыть три перспективных направления исследований:

7.1. Мультимодальный ИИ: объединение визуальных данных с показаниями ультразвуковых, акустических датчиков и датчиков давления и температуры

Как было показано в предыдущих разделах, ни один отдельно взятый оптический сенсор не способен дать исчерпывающую информацию о состоянии стеклопластикового изделия по всей его толщине. Камеры видимого спектра и лазерные сканеры фиксируют только поверхностную геометрию и текстуру, а термография теряет разрешающую способность по мере увеличения глубины залегания дефекта. Перспективным ответом на это фундаментальное ограничение становится переход к мультимодальному искусственному интеллекту (Multimodal AI), который объединяет и совместно анализирует данные от разнородных физических датчиков в едином вычислительном контуре.

Суть мультимодального подхода заключается в слиянии данных (Sensor Fusion) на различных уровнях обработки. Вместо того чтобы оценивать изображение с камеры изолированно, мультимодальная нейронная сеть сопоставляет его с синхронными сигналами от внутренних и контактных сенсоров, встроенных в формовочную оснастку или установленных на технологической линии.

В производстве стеклопластиков наибольший синергетический эффект демонстрируют следующие комбинации сенсорных модальностей:

  • Слияние оптического зрения и ультразвуковой дефектоскопии. В высокоответственном производстве, например, при изготовлении лонжеронов лопастей ветрогенераторов, камеры видимого спектра и лазерные профилометры контролируют точность укладки каждого слоя препрега на поверхности. Параллельно с этим бесконтактные или роликовые ультразвуковые датчики прозвучивают сформированный пакет на всю глубину. Мультимодальная нейросеть объединяет поверхностную карту складок и зазоров с внутренним ультразвуковым откликом. Это позволяет безошибочно отличать безопасные поверхностные неровности смолы от критических внутренних расслоений и точно определять объемную пористость конструкции.
  • Объединение компьютерного зрения с датчиками давления, температуры и диэлектрического анализа. В процессах вакуумной инфузии и RTM камеры отслеживают движение фронта пропитки на поверхности пакета, в то время как встроенные в матрицу датчики фиксируют локальное давление смолы, температуру экзотермической реакции и изменение диэлектрической проницаемости связующего (характеризующее степень его отверждения). Искусственный интеллект сопоставляет визуальную картину смачивания с внутренними физическими параметрами. Благодаря этому система способна вовремя обнаружить скрытую непропитку в нижних слоях толстого стеклопакета даже тогда, когда верхний слой выглядит полностью пропитанным.
  • Интеграция видеопотока с акустической эмиссией и вибродиагностикой. При пултрузии, намотке и финишной механической обработке микрофоны и датчики акустической эмиссии улавливают высокочастотные упругие волны, возникающие при обрыве отдельных стеклянных волокон или растрескивании матрицы под нагрузкой. Совместный анализ акустических сигналов и изображений с высокоскоростных камер резко снижает количество ложных срабатываний. Если камера фиксирует подозрительную тень на поверхности профиля, нейросеть проверяет, сопровождался ли этот момент характерным акустическим щелчком разрыва нити, что многократно повышает достоверность диагноза.

Развитие мультимодальных архитектур на базе современных трансформеров позволяет формировать целостное, объемное представление о качестве композита в реальном времени. Такие системы не просто фиксируют внешние симптомы, но и восстанавливают полную физическую картину происходящих внутри материала процессов.

7.2. Создание цифровых двойников процессов формования стеклопластиков на основе данных компьютерного зрения

Одним из наиболее амбициозных направлений цифровой трансформации композитной индустрии является переход от простого обнаружения производственных отклонений к прогнозированию эксплуатационных свойств готового изделия с помощью технологии цифровых двойников (Digital Twins). Цифровой двойник представляет собой динамическую виртуальную копию реального физического объекта или технологического процесса, которая непрерывно обновляется данными с производственной линии. В производстве стеклопластиков, где свойства материала формируются непосредственно в момент сборки и отверждения, именно компьютерное зрение выступает главным «органом чувств», питающим виртуальную модель актуальной информацией.

Традиционное инженерное проектирование стеклопластиковых конструкций опирается на идеализированные расчетные модели. Предполагается, что все волокна уложены строго под заданными углами, пропитка абсолютна равномерна, а поры и складки отсутствуют. Чтобы компенсировать неизбежные производственные несовершенства, конструкторы вынуждены закладывать избыточные коэффициенты запаса прочности, что утяжеляет и удорожает изделие. Интеграция машинного зрения с цифровыми двойниками кардинально меняет этот подход, позволяя перейти к проектированию и сертификации изделий по их фактическому состоянию (As-Built).

Взаимодействие систем компьютерного зрения и цифровых двойников в производстве стеклопластиков реализуется на двух взаимосвязанных уровнях:

  • Цифровой двойник технологического процесса. В таких операциях, как вакуумная инфузия или пултрузия, виртуальная модель воспроизводит физику течения вязкой смолы сквозь пористую среду стекловолокна и кинетику экзотермической реакции полимеризации. Камеры видимого спектра и тепловизоры в реальном времени передают в модель фактические координаты фронта пропитки и температурные поля. Если из-за локального уплотнения стеклоткани смола начинает двигаться медленнее расчетного графика, цифровой двойник мгновенно пересчитывает сценарий заполнения формы. Он проигрывает наперед возможные варианты развития событий и выдает управляющей автоматике оптимальную команду (например, изменить вакуумное разрежение или скорректировать температуру подогрева оснастки), чтобы предотвратить образование сухого пятна.
  • Цифровой двойник готового изделия и оценка годности. В ходе послойной укладки или пултрузии оптические и лазерные сканеры фиксируют каждый реальный микродефект: локальное отклонение угла укладки нитей на пару градусов, небольшой зазор между лентами препрега или скопление микропор. Алгоритмы искусственного интеллекта оцифровывают геометрию этих отклонений и автоматически переносят их в трехмерную конечно-элементную модель детали. Программный комплекс немедленно проводит виртуальные прочностные испытания изделия с учетом всех выявленных несовершенств. Это позволяет дать научно обоснованный ответ на главный вопрос технолога: снизит ли конкретная складка или пора несущую способность конструкции ниже критического порога, или же деталь можно безопасно допустить к эксплуатации без дорогостоящей переделки.

Кроме того, цифровые двойники открывают новые возможности для обучения самих алгоритмов искусственного интеллекта. Виртуальная среда позволяет симулировать любые, даже самые редкие и катастрофические сценарии нарушения технологии формования, генерируя бесконечное количество синтетических данных для тренировки нейросетей без риска испортить реальное оборудование и дорогостоящие материалы.

7.3. Объяснимый ИИ (Explainable AI — XAI) для повышения доверия технологов к решениям нейросетей

Современные глубокие нейронные сети и визуальные трансформеры демонстрируют высочайшую точность при обнаружении дефектов стеклопластиков, однако с точки зрения инженера-технолога они часто работают как «черный ящик». Алгоритм получает на вход изображение поверхности композита и выдает итоговый вердикт — например, классифицирует участок как критическое расслоение или дает команду на остановку пултрузионной линии — но не объясняет, какими именно физическими признаками он руководствовался. В ответственных отраслях, таких как авиастроение и ветроэнергетика, где цена ошибки измеряется безопасностью эксплуатации и многомиллионными убытками, непрозрачность решений искусственного интеллекта становится серьезным психологическим и нормативным барьером.

Решением этой проблемы выступает внедрение методов объяснимого искусственного интеллекта (Explainable AI, XAI). Основная задача XAI заключается в том, чтобы сделать внутреннюю логику работы сложных нейросетевых моделей наглядной, интерпретируемой и проверяемой для человека-эксперта.

В системах компьютерного зрения для производства стеклопластиков технологии объяснимого ИИ развиваются по следующим ключевым направлениям:

  • Визуализация карт значимости и внимания (Saliency Maps и Grad-CAM). Эти методы позволяют подсветить на исходном снимке композита именно те пиксели и области, которые оказали наибольшее влияние на итоговое решение нейросети. Например, при анализе термограммы или фотографии пропитанной стеклоткани система накладывает на экран оператора полупрозрачную тепловую карту. Технолог сразу видит, отреагировала ли нейросеть на реальную зону непропитки и воздушные пузыри, или же ее сбил с толку случайный блик от цехового светильника или край формовочной оснастки. Это позволяет мгновенно выявлять и устранять ложные срабатывания еще на этапе отладки оборудования.
  • Привязка решений к физическим параметрам и допускам. Вместо выдачи абстрактной вероятности брака в процентах современные интерпретируемые системы переводят внутренние признаки нейросети на понятный инженеру язык материаловедения. Система сопровождает сигнал тревоги конкретными физическими обоснованиями: указывает измеренный угол отклонения армирующих нитей, площадь сухого пятна в квадратных миллиметрах, ширину зазора между лентами препрега или скорость остывания аномальной зоны на термограмме.
  • Интеграция физических законов в архитектуру сетей (Physics-Informed AI). Перспективным научным направлением является встраивание уравнений теплопередачи, гидродинамики вязких жидкостей и механики композитов непосредственно в процесс обучения нейросетей. Такие модели не просто ищут статистические корреляции в пикселях, но и проверяют, не противоречит ли обнаруженная картина законам физики. Благодаря этому решения алгоритма становятся более предсказуемыми, устойчивыми к шумам и легко обосновываются при прохождении строгой отраслевой сертификации.

Развитие объяснимого ИИ превращает систему машинного зрения из непрозрачного контролера в полноценного интеллектуального помощника технолога. Понимая логику алгоритма, специалисты производства не только быстрее доверяют автоматике управление линией, но и получают новый инструмент для глубокого анализа причин возникновения брака и совершенствования рецептур стеклопластиков.

8. Заключение

Внедрение технологий искусственного интеллекта и компьютерного зрения знаменует собой фундаментальный сдвиг в обеспечении качества при производстве стеклопластиков. Проведенный в настоящем обзоре анализ научной литературы и промышленных практик за последнее десятилетие убедительно демонстрирует, что композитная индустрия активно уходит от трудоемкого, субъективного и дорогостоящего постоперационного контроля. На смену ему приходит концепция непрерывного интеллектуального мониторинга в режиме реального времени, интегрированного непосредственно в технологические процессы.

Систематизация современных исследований позволяет сделать следующие ключевые выводы о текущем состоянии и перспективах развития данной области:

  • Преодоление оптических барьеров материала. Уникальные физические свойства стеклопластиков — высокая полупрозрачность, низкий контраст между волокном и матрицей, периодическая текстура плетения и интенсивные блики жидкой смолы — делают стандартные камеры малоэффективными. Успешное промышленное внедрение машинного зрения достигается только при комплексном согласовании оптики и алгоритмов: применении перекрестной поляризации, темнопольного освещения, активной инфракрасной термографии, синей лазерной триангуляции и гиперспектральной съемки.
  • Доминирование глубокого обучения и переход к новым архитектурам. Классические методы обработки изображений и алгоритмы машинного обучения с ручным извлечением признаков уступили место глубоким сверточным нейронным сетям, моделям быстрой детекции и семантической сегментации. В настоящее время на передний край науки выходят визуальные трансформеры, способные анализировать глобальный контекст поверхности, а также алгоритмы поиска аномалий и генеративные модели, решающие острую проблему нехватки размеченных примеров брака.
  • Высокая технологическая готовность в ряде процессов. Наиболее зрелыми и готовыми к массовому масштабированию являются системы оптического и лазерного контроля в высокоскоростной пултрузии, при автоматизированной выкладке препрегов (AFP/ATL), а также в роботизированных ячейках финишной дефектоскопии. В процессах закрытого формования и вакуумной инфузии компьютерное зрение успешно эволюционирует от простого отслеживания фронта пропитки к активному управлению клапанами подачи смолы.
  • Необходимость преодоления системных барьеров. Дальнейшая экспансия искусственного интеллекта в композитную отрасль требует решения проблем сдвига домена при смене партий сырья и красителей, оптимизации тяжелых нейросетей для работы на периферийных вычислителях в цеховых условиях, а также разработки надежных протоколов интеграции в существующие автоматизированные системы управления.

В ближайшей перспективе основным вектором развития станет переход от изолированных систем обнаружения поверхностного брака к мультимодальным комплексам диагностики, объединяющим машинное зрение с ультразвуковыми, акустическими и тепловыми датчиками. Интеграция этих потоков данных с цифровыми двойниками изделий и методами объяснимого искусственного интеллекта позволит не только свести процент производственного брака к минимуму, но и перейти к сертификации ответственных стеклопластиковых конструкций по их фактическому состоянию, открывая новые горизонты для применения композитов в мировой промышленности.

Оценка уровня технологической готовности (TRL) и экономический эффект внедрения

Для объективного понимания перспектив промышленного масштабирования рассмотренных решений целесообразно оценить их текущий уровень технологической готовности (Technology Readiness Level, TRL) по общепринятой девятибалльной шкале, где начальные уровни соответствуют фундаментальным исследованиям, а высшие — полноценной коммерческой эксплуатации:

  • Высокий уровень зрелости (TRL 7–9): коммерческое внедрение. На этом уровне находятся системы видимого спектра с линейными камерами, поляризованным освещением и классическими сверточными нейросетями для контроля непрерывной пултрузии, а также лазерные 3D-профилометры для контроля зазоров и нахлестов при автоматизированной выкладке (AFP/ATL). Эти решения прошли успешную апробацию в реальных цеховых условиях и серийно поставляются ведущими интеграторами промышленного оборудования.
  • Средний уровень зрелости (TRL 5–6): опытно-промышленная демонстрация. Сюда относятся системы активной импульсной термографии с нейросетевой сегментацией скрытых расслоений, комплексы оптического мониторинга фронта пропитки в процессах вакуумной инфузии с полуавтоматическим управлением клапанами, а также модели на базе визуальных трансформеров и поиска аномалий. Эти технологии уже доказали свою работоспособность на полноразмерных прототипах и пилотных участках, но все еще требуют тонкой индивидуальной настройки под конкретное предприятие.
  • Начальный уровень зрелости (TRL 3–4): лабораторная валидация. На стадии экспериментальных стендов и прототипов находятся системы гиперспектрального контроля химической кинетики отверждения смолы, мультимодальные комплексы глубокого слияния оптических и ультразвуковых данных, а также полноценные цифровые двойники формования с замкнутым циклом управления (Closed-Loop Control) и объяснимым искусственным интеллектом.

Внедрение систем искусственного интеллекта и компьютерного зрения оказывает комплексное положительное влияние на экономику и качество производства стеклопластиков:

  • Прямое снижение производственных потерь. Раннее выявление обрывов ровинга, складок ткани и нарушений пропитки позволяет остановить процесс до полимеризации связующего. Это сокращает объем неперерабатываемого брака термореактивных композитов на 15–30 процентов и экономит дорогостоящее сырье.
  • Рост производительности оборудования. Замена ручного послойного осмотра автоматическим контролем в реальном времени (особенно при выкладке крупногабаритных авиационных деталей и лопастей ветрогенераторов) сокращает время простоев оснастки на 20–40 процентов, напрямую увеличивая выпуск товарной продукции.
  • Снижение издержек на гарантийное обслуживание и сертификацию. Формирование цифрового паспорта качества каждого изделия с точной картой микродефектов повышает доверие заказчиков, снижает риски отказов конструкций в эксплуатации и открывает стеклопластикам доступ в наиболее строгие по требованиям безопасности секторы промышленности.

9. Список использованных источников

Ниже представлен обновленный список литературы, из которого полностью удалены все внешние ссылки, упоминания веб-платформ и веб-адресов.

Фундаментальные обзоры по ИИ и машинному обучению в производстве композитов

  1. A Comprehensive Review on Bridging the Research Gap in AI-Driven Material Simulation for FRP Composites // Materials Today Communications. – 2025. – Систематический обзор более 170 научных работ (2015–2025 гг.), посвященных применению нейронных сетей, метода опорных векторов и градиентного бустинга для прогнозирования механических свойств и классификации дефектов волокнистых полимерных композитов.
  2. Data-Driven Optimization of Discontinuous and Continuous Fiber Composite Processes Using Machine Learning: A Review // Polymers. – 2025. – Vol. 17, Issue 18. – Art. 2557. – Обзор применения машинного обучения, графовых нейронных сетей и гиперспектральной визуализации для адаптивного управления и дефектоскопии в реальном времени при производстве непрерывных и дискретных волокнистых композитов.
  3. Artificial Intelligence in the Design and Optimization of Laminated FRP Composites: A Review of Methodologies and Applications // Journal of Composites Science. – 2025. – Vol. 9, Issue 12. – Art. 654. – Анализ сверточных и генеративных нейросетей, а также методов объяснимого искусственного интеллекта для контроля ориентации волокон, неразрушающей оценки и управления производственными неопределенностями.
  4. A Review of Recent Trends in Machine Learning Applications for Manufacturing FRP Composites // Applied Composite Materials. – 2026. – Обзор новейших трендов внедрения алгоритмов глубокого обучения в технологические переделы изготовления полимерных композитов.
  5. Artificial Intelligence and Machine Learning in Composite Manufacturing: Recent Advances, Emerging Trends, Digital Twins, and Future Perspectives // Advances in Composite Engineering. – 2026. – Комплексный анализ применения ИИ в процессах пултрузии, RTM и AFP, включая мультимодальное слияние сенсоров, цифровые двойники и физически информированное машинное обучение.

Компьютерное зрение, оптический контроль и глубокое обучение в дефектоскопии

  1. Фарахов Р. Р., Бурнашев Р. А., Матренина О. М. Применение технологий искусственного интеллекта для анализа полимерных композиционных материалов в условиях производства // Научно-технические ведомости СПбПУ. Естественные и инженерные науки. – 2025. – № 115 (2). – Исследование применения глубоких сверточных нейронных сетей для автоматизированной визуальной классификации и анализа микроструктуры композитов на производственной линии.
  2. AI-Based Vision Inspection System for Automated Defect Detection in Additive Manufacturing Processes Using Deep Learning and Transfer Learning Approaches // Journal of Intelligent Manufacturing. – 2026. – Сравнительное исследование эффективности сверточных нейронных сетей (включая архитектуру EfficientNet) и переноса обучения по сравнению с классическими алгоритмами при поиске пор, трещин и смещения слоев.
  3. Компьютерное зрение для анализа характеристических изображений материалов // Современные научные исследования и разработки. – 2026. – Обобщение алгоритмов предварительной шумоподавляющей фильтрации, попиксельной сегментации и классификации микроструктур материалов методами машинного зрения.
  4. Компьютерное зрение в технологиях применения искусственного интеллекта // Инженерные и транспортные системы. – 2026. – № 1135. – Анализ современных аппаратно-программных решений, периферийных вычислений и методов генеративного синтеза данных для преодоления дефицита обучающих выборок в промышленной дефектоскопии.

Прикладные исследования по процессам формования (AFP, RTM, инфузия, пултрузия)

  1. Study on the Resin Infusion Process Based on Automated Fiber Placement Fabricated Dry Fiber Preform // Scientific Reports. – 2019. – Vol. 9. – Art. 7523. – Исследование влияния геометрии укладки сухих лент на динамику фронта пропитки смолой при вакуумной инфузии и методы визуального контроля качества пропитки.
  2. Automated Dry Fiber Placement and Resin Infusion for Out-of-Autoclave Manufacturing // Concordia University Research Monographs. – 2023. – Анализ контроля зазоров между жгутами волокна при автоматизированной выкладке и их влияния на проницаемость преформы и образование сухих пятен при инфузии.
  3. Enhancing Additive Manufacturing Precision: Intelligent CFRP/FRP Misalignment Defect Detection Approach // Results in Engineering. – 2024. – Vol. 22. – Art. 102022. – Сравнительный анализ традиционных методов неразрушающего контроля и алгоритмов глубокого обучения для выявления отклонений угла укладки волокон.
  4. Разработка полимерных композиционных материалов с применением методов искусственного интеллекта // Композитный мир. – 2023. – Аналитический обзор применения методов машинного обучения и цифрового материаловедения для прогнозирования свойств и контроля качества полимерных матриц.

Промышленная политика, экономика и барьеры внедрения ИИ

  1. Искусственный интеллект в России: технологии и рынки / Под ред. Л. М. Гохберга. – М.: Изд. дом ВШЭ, 2025. – 148 с. – ISBN 978-5-7598-3019-1. – Комплексное исследование практик промышленного внедрения ИИ, оценки экономической эффективности, барьеров масштабирования и кадровых вызовов в российском производственном секторе.

10. Часто задаваемые вопросы по внедрению искусственного интеллекта и компьютерного зрения в производство стеклопластиков

Ниже представлен систематизированный перечень ключевых вопросов, возникающих у исследователей, инженеров-технологов и руководителей предприятий при оценке и внедрении интеллектуальных систем контроля качества.

  1. Научно-техническая группа (алгоритмы, оптика и данные)
  • Почему обычные промышленные камеры и стандартные нейросети плохо работают со стеклопластиком?
    Стекловолокно и полимерная смола имеют близкие показатели преломления, из-за чего материал становится полупрозрачным, а границы дефектов выглядят размытыми. Кроме того, глянцевая смола создает сильные зеркальные блики, которые стандартные алгоритмы путают с воздушными порами или сухими пятнами. Для получения четкого изображения требуется специальная оптика, например, перекрестная поляризация света или синие лазеры.
  • Как обучить нейросеть, если на современном производстве процент брака очень низок и примеров дефектов почти нет?
    Для решения проблемы дефицита данных применяются методы поиска аномалий без учителя. Нейросеть обучается исключительно на снимках идеального, бездефектного стеклопластика и запоминает эталонную текстуру плетения. Любое отклонение от нормы фиксируется автоматически без предварительной разметки брака. Дополнительно используются генеративные модели, создающие синтетические дефекты на реальных фотографиях.
  • Могут ли оптические камеры обнаруживать внутренние расслоения и поры в толстостенных изделиях?
    Камеры видимого спектра фиксируют только поверхностные дефекты и неоднородности на небольшой глубине за счет частичной прозрачности материала. Для контроля толстостенных или окрашенных стеклопластиков компьютерное зрение объединяют с активной инфракрасной термографией (регистрацией тепловых аномалий после импульсного нагрева) или ультразвуковыми датчиками.
  • Что произойдет с точностью алгоритмов при смене поставщика стеклоткани, типа смолы или цвета красителя?
    При резком изменении цвета матрицы или рисунка переплетения точность стандартной модели снижается из-за эффекта сдвига домена. Чтобы избежать длительного переобучения с нуля, используются алгоритмы адаптации домена. Они позволяют перенастроить систему под новую партию сырья по небольшой калибровочной выборке бездефектных кадров, снятых в первые минуты запуска линии.
  • Как убедить технологов доверять решениям нейросети, если она работает как «черный ящик»?
    Для этого внедряются методы объяснимого искусственного интеллекта. Система выводит на экран оператора тепловую карту внимания, подсвечивая пиксели, на которые отреагировал алгоритм, и переводит диагноз на понятный инженерный язык — указывает точную площадь сухого пятна, ширину зазора в миллиметрах или угол отклонения волокон.
  1. Технологическая группа (оборудование, интеграция и эксплуатация)
  • Можно ли установить систему компьютерного зрения на старую пултрузионную или намоточную линию?
    Да, системы машинного зрения являются бесконтактными и монтируются над конвейером или вокруг зоны выхода профиля без вмешательства в конструкцию станка. Для связи с устаревшими программируемыми логическими контроллерами применяются промышленные программно-аппаратные шлюзы, передающие простые дискретные сигналы об остановке линии или срабатывании отрезного узла.
  • Справится ли система с контролем качества на высокой скорости движения материала?
    Для непрерывных высокоскоростных процессов (например, при пултрузии со скоростью несколько метров в минуту) применяются линейные сканирующие камеры с высокой частотой опроса и компактные сверточные нейросети (семейства YOLO), оптимизированные под периферийные вычислительные ускорители. Это позволяет анализировать поток кадров в реальном времени без задержек.
  • Как защитить камеры и осветители от стеклянной пыли, аэрозолей смолы и вибраций в реальном цехе?
    Оптические модули размещаются в герметичных промышленных кожухах со степенью защиты не ниже IP65, оснащенных системами воздушного обдува (воздушными ножами) или сменными защитными стеклами. Для компенсации вибраций применяются демпфирующие крепления и камеры с глобальным затвором, исключающим смазывание кадра при движении.
  • Способна ли система не просто находить брак, но и сама управлять параметрами станка?
    В зрелых системах реализуется замкнутый цикл управления. Например, при вакуумной инфузии камера отслеживает движение фронта смолы, а искусственный интеллект автоматически открывает или перекрывает вакуумные клапаны для предотвращения сухих пятен. В пултрузии система может автоматически управлять отрезной пилой для вырезки бракованного участка профиля.
  • Насколько сложно персоналу цеха обслуживать и настраивать такой комплекс?
    После пусконаладки система работает в полностью автоматическом режиме. Задача оператора сводится к контролю уведомлений на сенсорном экране и периодической протирке защитных стекол оптики. Интерфейсы современных промышленных систем строятся по принципу светофора (норма, предупреждение, критический брак) и не требуют от персонала знаний в области программирования.
  1. Финансово-экономическая группа (затраты, выгоды и окупаемость)
  • Из каких статей складывается бюджет внедрения системы компьютерного зрения на производстве?
    Основные затраты включают приобретение промышленных камер, специализированных осветителей с поляризацией, защитных кожухов, промышленного компьютера с графическим ускорителем, а также стоимость разработки или лицензирования программного обеспечения и пусконаладочных работ на линии. При этом затраты на камеры видимого спектра существенно ниже, чем на тепловизионные или гиперспектральные комплексы.
  • Каков средний срок окупаемости таких проектов в композитной индустрии?
    В зависимости от масштаба производства и стоимости выпускаемых изделий средний срок окупаемости составляет от 6 до 18 месяцев. Наиболее быстро окупаются проекты на высокоскоростных непрерывных линиях (пултрузия профилей и арматуры) и при производстве крупногабаритных дорогостоящих конструкций (лопастей ветрогенераторов, корпусов судов), где предотвращение даже одного случая критического брака экономит значительные средства.
  • За счет каких именно факторов достигается прямой экономический эффект?
    Главный источник экономии — снижение объема неперерабатываемого брака термореактивных стеклопластиков на 15–30 процентов за счет остановки процесса до полимеризации смолы. Дополнительную выгоду приносят сокращение времени простоев оборудования на ручной послойный осмотр (рост производительности на 20–40 процентов при выкладке) и оптимизация фонда оплаты труда контролеров ОТК.
  • Как внедрение искусственного интеллекта влияет на себестоимость готового стеклопластикового изделия?
    Наличие точного цифрового паспорта качества и сплошного контроля позволяет инженерам снизить избыточные коэффициенты запаса прочности, которые ранее закладывались на случай скрытых производственных дефектов. Это дает возможность уменьшить расход дорогостоящего стекловолокна и смолы при сохранении расчетной прочности конструкции, напрямую снижая ее себестоимость.
  • Есть ли смысл внедрять машинное зрение на мелкосерийном производстве с частой сменой номенклатуры?
    Для мелкосерийных производств с широкой номенклатурой деталей покупка узкоспециализированных стационарных порталов экономически нецелесообразна. В таких условиях оптимальным решением становятся универсальные роботизированные инспекционные ячейки с 3D-сканерами и моделями поиска аномалий, которые легко перенастраиваются на проверку новой геометрии детали по ее цифровой модели без длительного сбора обучающих выборок.