Search academic texts

Registration Number

0825U003236, PhD dissertation

Status

Доктор філософії, 122, Комп’ютерні науки

Date

25-08-2025

popup.evolution

.

Title

Development of methods for diagnosing surface defects by using machine learning methods

Author

Oleksandr Kravchenko,

popup.head Alexey A. Galuza
popup.opponent Oleg V. Zolotukhin
popup.opponent Viktoriia Strilets
popup.opponent Nataliia Volkova
popup.review Svitlana Y. Havrylenko

Description

У дисертаційній роботі вирішено науково-практичне завдання розробки методів та інформаційних технологій для автоматичного виявлення й класифікації типових мікродефектів на плоских дзеркальних поверхнях (ДзП)за їх монохромними інтерференційними картинами (ІК), отриманими з використанням мікроінтерферометра Лінніка (МЛ). Об’єкт дослідження – зображення ІК плоских ДзП, отримані за допомогою МЛ. Предмет дослідження – моделі, методи та інформаційні технології виявлення та класифікації дефектів на ДзП за зображеннями їх ІК. Мета i задачі дослідження – розробка моделей, методів й інформаційної технології для автоматичного виявлення і класифікації типових мікродефектів плоских ДзП за монохромними ІК, отриманими з використанням МЛ. У вступі обґрунтовано актуальність теми дисертаційної роботи, зазначено її зв’язок з науковими темами, сформульовано мету, задачі й цілі дослідження, визначено об’єкт, предмет і методи дослідження, показано новизну і практичне значення отриманих результатів і використання, особистий внесок здобувача, апробацію результатів дослідження та їх висвітлення у публікаціях. Приведено відомості щодо структури та обсягу дисертаційної роботи. У І розділі проведено аналіз задачі автоматизації діагностики якості поверхонь у високоточних оптичних системах. Визначено особливості інтерференційної діагностики, наведено приклади обмежень традиційних методів аналізу ІК за швидкістю й точністю. Проаналізовано підходи до застосування глибокого навчання для обробки зображень і обґрунтовано вибір мети і задач роботи. У ІІ розділі проаналізовано оптичну схему МЛ та процес формування зображення ІК в його полі зору. Побудовано математичні моделі ІК, які враховують основні параметри МЛ і дозволяють розраховувати розподіл інтенсивності світла в кожній точці зображення за заданою топографією поверхні, що досліджується. На основі цієї моделі створено програмний модуль для генерації зображень синтетичних ІК. У ІІІ розділі проведено аналіз особливостей реальних дзеркальних плоских поверхонь із мікродефектами. Розроблено фізично обґрунтовані математичні моделі топографії реалістичних мікроподряпин та вм’ятин. Створено програмний модуль для генерації синтетичних карт висот поверхонь з дефектами. Ці карти подаються на вхід модуля генерації інтерференційних картин для отримання відповідних інтерференційних зображень. В результаті було сформовано синтетичну навчальну вибірку для подальшого тренування нейромережевих моделей аналізу інтерференційних зображень. У четвертому розділі розглянуто сучасні підходи до класифікації дефектів поверхонь за зображеннями ІК із застосуванням методів глибокого навчання. Обґрунтовано теоретичні основи використання згорткових нейронних мереж для аналізу інтерференційних зображень. Адаптовану архітектуру MobileNetV2 для класифікації дефектів за чотирма класами із впровадженням технологій fine-tuning, GlobalAveragePooling2D, Dense-шарів із BatchNormalization, Dropout та Softmax. Застосовано техніки аугментації даних і soft voting для підвищення стійкості моделі. Проведено навчання і валідацію моделі на синтетичних даних, а також її перевірку на реальних зображеннях, що дозволило оцінити практичну ефективність запропонованої інформаційної технології. У висновках наведено основні результати дисертаційної роботи щодо вирішення поставлених наукових задач дослідження. За результатами дослідження отримано такі наукові результати: обґрунтовано необхідність автоматизації діагностики мікродефектів для високоточних оптичних систем, проаналізовано обмеження традиційних методів обробки ІК. Розроблено математичну модель ІК в полі зору МЛ, що враховує параметри мікроінтерферометра та топографію поверхні зразка; реалізовано програмне забезпечення для синтезу відповідних зображень. Створено математичні моделі та алгоритми синтезу рельєфу плоских ДзП із типовими мікродефектами; реалізовано відповідне програмне забезпечення для генерації синтетичних карт висот. Згенеровано збалансовану синтетичну навчальну вибірку зображень ІК, що охоплює всі розглянуті типові мікродефекти, а також фізично обґрунтовані варіації значень їх параметрів і параметрів інтерферометра. Адаптовано архітектуру MobileNetV2 для аналізу зображень ІК, що дозволило вирішити задачу класифікації типових мікродефектів на плоских ДзП. Розроблено інформаційну технологію для виявлення та класифікації типових мікродефектів плоских ДзП методами машинного навчання, особливістю якої є використання синтетичної навчальної вибірки для тренування нейромережі. Результати роботи впроваджено у НДР та навчальному процесi кафедри КМАД НТУ «ХПІ». Запропоновані методи й інформаційна технологія можна впроваджуваи в системи контролю якості оптичних компонентів і сприяти подальшим дослідженням у сфері автоматизації діагностики дефектів. Ключові слова: глибоке навчання, машинне навчання, інтерференційна картина, мікродефекти, мікроінтерферометр Лінніка, класифікація дефектів, комп’ютерний зір.

Registration Date

2025-07-31

popup.nrat_date

2025-07-31