Site icon Измерители диаметра и эксцентриситета. Измеритель диаметра кабеля, трубы, прутка и катанки. Измерители толщины,. Измеритель толщины. Контроль изоляции. ЗАСИ. Машинное зрение.

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

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. Физико-технологические особенности производства и классификация дефектов
  1. Аппаратно-сенсорные платформы для сбора данных
  1. Эволюция методов компьютерного зрения и алгоритмов ИИ
  1. Обзор практических применений по технологиям производства
  1. Барьеры внедрения и открытые научные проблемы
  1. Перспективы развития и будущие направления исследований
  1. Заключение

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:

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:

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:

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

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:

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.

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

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

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:

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:

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:

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

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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:

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

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)
  1. Технологическая группа (оборудование, интеграция и эксплуатация)
  1. Финансово-экономическая группа (затраты, выгоды и окупаемость)
Exit mobile version