Цель исследования – повышение достоверности распознавания типовых дефектов автомобильных колесных дисков автоматической оптической системой контроля, использующей алгоритмы машинного обучения. В работе обосновано применение системы технического зрения с использованием технологий обработки изображений на основе сверточных нейронных сетей для контроля дефектов колесных дисков. В статье рассмотрено создание модели работы поста контроля в программном обеспечении «Blender», включающей в себя определение параметров сцены, создание полигональных моделей объекта контроля, написание алгоритма изменения текстуры, наложение маски, изменение положения дефекта на модели. Модель выполнена с учетом особенностей аппаратной части системы контроля (системы освещения, камеры, объектива), конструкции и свойств поста контроля, объекта контроля (геометрии и светоотражения материалов). Разработанная модель использовалась для генерации синтетических данных. На основе массива полученных кадров была создана обучающая выборка в формате, требуемом для обучения нейронной сети решению задачи детектирования дефектов колесных дисков и самообучения. Предварительное обучение модели проведено для сверточной нейронной сети Yolov8m на полученном массиве данных. Произведена оценка результатов работы полученной системы контроля, из которой следует, что обученная модель способна с высокой надежностью определить наличие и расположение дефекта на поверхности колесных дисков.

The objective of the study is to increase the reliability of recognition of typical defects of automobile wheel rims by an automatic optical inspection system using machine learning algorithms. The paper substantiates the use of a machine vision system using image processing technologies based on convolutional neural networks to inspect wheel rim defects. The article considers the creation of a model of the inspection post operation in the Blender software, which includes defining scene parameters, creating polygonal models of the inspection object, writing an algorithm for changing the texture, applying a mask, changing the position of the defect on the model. The model is made taking into account the features of the inspection system hardware (lighting system, camera, lens), the design and properties of the inspection post, the inspection object (geometry and light reflectivity of materials). The developed model was used to generate synthetic data. Based on the array of received frames, a training sample was created in the format required for training the neural network to solve the problem of detecting wheel rim defects and self-training. Preliminary training of the model was carried out for the Yolov8m convolutional neural network on the obtained data array. An evaluation of the results of the obtained control system operation was carried out, from which it follows that the trained model is capable of determining with high reliability the presence and location of a defect on the surface of wheel disks.