Виявлення включень і дірок у тривимірних об’єктах на основі числового моделювання та нейронних мереж

Автор(и)

  • Роман Ігорович Гавдульський Національний університет «Львівська політехніка», Україна https://orcid.org/0009-0004-6737-6018
  • Любов Михайлівна Журавчак Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0002-1444-5882

DOI:

https://doi.org/10.15587/2706-5448.2026.352493

Ключові слова:

YOLO, стаціонарна термографія, неруйнівний контроль, створення синтетичних даних, чисельне моделювання

Анотація

Об’єктом дослідження є стаціонарний процес теплопровідності у тривимірних неоднорідних середовищах, складові якого перебувають в ідеальному тепловому контакті.

Проблема полягає у складності виявлення, локалізації та класифікації включень у тривимірних об’єктах. Більшість методів опираються на активну термографію, котра формує дані у вигляді залежних від часу послідовностей. Однак їх отримання та обробка є досить дорогим та затратним процесом.

У цій роботі запропоновано гібридний метод, що використовує стаціонарні термограми, які значно простіше й дешевше отримати. Розроблений метод використовує один з варіантів непрямого методу приграничних елементів (НМПГЕ), детектори (YOLO 11n та 12n) і додатковий модуль оцінки глибини на основі ConvNeXt V2. Продемонстровано, що архітектура механізмів уваги є цілком перспективною для обробки стаціонарних термограм.

НМПГЕ з приграничними елементами у вигляді сімейств точок забезпечує час виконання близько 50 секунд на один зразок при дотриманні загальної максимальної похибки близько 0.08. Це дало змогу сформувати велику навчальну вибірку обсягом близько 130 тисяч зразків. Отримано тестову вибірку розміром 7 тисяч зразків з дещо іншою варіативністю. Обидві моделі YOLO 11n та YOLO 12n продемонстрували на тестовому наборі значення метрики mAP50:95 рівні 85.2% та 89.4% відповідно. Метрики точності/повноти – рівні 92.0/92.8% та 92.3/96.3%. Модуль оцінки глибини продемонстрував результати MAPE близькі до 2%.

Запропонований метод фокусується на виявленні включень та пустот за стаціонарними термограмами, тому він є придатним для відносно недорогого аналізу, оскільки отримання даних такого роду є швидшим, ніж збір залежних від часу даних. Метод може бути корисний для скринінгу плитоподібних структур, зокрема фотогальванічних панелей. Діагностика стін є однією з можливих майбутніх сфер використання, так як робота може бути розширена на напівбезмежні об’єкти. Таким чином, отримані результати можуть слугувати основою для недорогого інструменту щодо проведення перевірок внутрішньої структури.

Біографії авторів

Роман Ігорович Гавдульський, Національний університет «Львівська політехніка»

Аспірант

Кафедра програмного забезпечення

Любов Михайлівна Журавчак, Національний університет «Львівська політехніка»

Доктор технічних наук, старший науковий співробітник, професор

Кафедра програмного забезпечення

Посилання

  1. Rezayiye, R. K., Ibarra-Castanedo, C., Maldague, X. (2024). Methods for Corrosion Detection in Pipes Using Thermography: A Case Study on Synthetic Datasets. Algorithms, 17 (10), 439. https://doi.org/10.3390/a17100439
  2. Salah, M., Werghi, N., Svetinovic, D., Abdulrahman, Y. (2025). Multi-Modal Attention Networks for Enhanced Segmentation and Depth Estimation of Subsurface Defects in Pulse Thermography. ArXiv. https://doi.org/10.48550/arxiv.2501.09994
  3. Sels, S., Bogaerts, B., Verspeek, S., Ribbens, B., Steenackers, G., Penne, R. et al. (2020). 3D Defect detection using weighted principal component thermography. Optics and Lasers in Engineering, 128, 106039. https://doi.org/10.1016/j.optlaseng.2020.106039
  4. Dudzik, S. (2015). Two-stage neural algorithm for defect detection and characterization uses an active thermography. Infrared Physics & Technology, 71, 187–197. https://doi.org/10.1016/j.infrared.2015.03.003
  5. Szymanik, B., Psuj, G., Hashemi, M., Lopato, P. (2021). Detection and Identification of Defects in 3D-Printed Dielectric Structures via Thermographic Inspection and Deep Neural Networks. Materials, 14 (15), 4168. https://doi.org/10.3390/ma14154168
  6. Kumar, R., Puranik, V. E., Gupta, R. (2024). Unveiling the Potential of Infrared Thermography in Quantitative Investigation of Potential-Induced Degradation in Crystalline Silicon PV Module. Solar Energy Advances, 4, 100049. https://doi.org/10.1016/j.seja.2023.100049
  7. Spajić, M., Talajić, M., Mršić, L. (2024). Using CNNs for Photovoltaic Panel Defect Detection via Infrared Thermography to Support Industry 4.0. Business Systems Research Journal, 15 (1), 45–66. https://doi.org/10.2478/bsrj-2024-0003
  8. Di Tommaso, A., Betti, A., Fontanelli, G., Michelozzi, B. (2022). A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle. Renewable Energy, 193, 941–962. https://doi.org/10.1016/j.renene.2022.04.046
  9. Ta, Q. T., Mac, V. H., Huh, J., Yim, H. J., Lee, G. (2025). Automatic detection of subsurface defects in concrete structures using state-of-the-art deep learning-based object detectors on the infrared dataset. Engineering Structures, 329, 119829. https://doi.org/10.1016/j.engstruct.2025.119829
  10. Jeon, M., Yoo, S., Kim, S.-W. (2022). A Contactless PCBA Defect Detection Method: Convolutional Neural Networks With Thermographic Images. IEEE Transactions on Components, Packaging and Manufacturing Technology, 12 (3), 489–501. https://doi.org/10.1109/tcpmt.2022.3147319
  11. Liu, J., Long, X., Jiang, C., Liao, W. (2024). Multi-feature vision transformer for automatic defect detection and quantification in composites using thermography. NDT & E International, 143, 103033. https://doi.org/10.1016/j.ndteint.2023.103033
  12. Wu, Z., Chen, S., Feng, F., Qi, J., Feng, L., Tao, N. et al. (2023). Automatic defect detection and three-dimensional reconstruction from pulsed thermography images based on a bidirectional long-short term memory network. Engineering Applications of Artificial Intelligence, 124, 106574. https://doi.org/10.1016/j.engappai.2023.106574
  13. Resendiz-Ochoa, E., Trejo-Chavez, O., Saucedo-Dorantes, J. J., Morales-Hernandez, L. A., Cruz-Albarran, I. A. (2024). Application of Thermography and Convolutional Neural Network to Diagnose Mechanical Faults in Induction Motors and Gearbox Wear. Applied System Innovation, 7 (6), 123. https://doi.org/10.3390/asi7060123
  14. Era, I. Z., Zhou, F., Raihan, A. S., Ahmed, I., Abul-Haj, A., Craig, J. et al. (2024). In-Situ Melt Pool Characterization via Thermal Imaging for Defect Detection in Directed Energy Deposition Using Vision Transformers. ArXiv. https://doi.org/10.48550/arxiv.2411.12028
  15. Zheng, S., Zhang, J., Zu, R., Li, Y. (2024). Vision transformer-enhanced thermal anomaly detection in building facades through fusion of thermal and visible imagery. Journal of Asian Architecture and Building Engineering, 24 (4), 2854–2868. https://doi.org/10.1080/13467581.2024.2379866
  16. Campione, I., Lucchi, F., Santopuoli, N., Seccia, L. (2020). 3D Thermal Imaging System with Decoupled Acquisition for Industrial and Cultural Heritage Applications. Applied Sciences, 10 (3), 828. https://doi.org/10.3390/app10030828
  17. Sabathiel, S., Sanchis-Alepuz, H., Wilson, A. S., Reynvaan, J., Stipsitz, M. (2024). Neural network-based reconstruction of steady-state temperature systems with unknown material composition. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-024-73380-1
  18. Zhuravchak, L. M., Zabrods’ka, N. V. (2010). Nonstationary thermal fields in inhomogeneous materials with nonlinear behavior of the components. Materials Science, 46 (1), 36–46. https://doi.org/10.1007/s11003-010-9261-9
  19. Zhuravchak, L., Kruk, O. (2015). Consideration of the nonlinear behavior of environmental material and a three-dimensional internal heat sources in mathematical modeling of heat conduction. Mathematical Modeling and Computing, 2 (1), 107–113. https://doi.org/10.23939/mmc2015.01.107
  20. Zhuravchak, L. (2019). Computation of pressure change in piecewise-homogeneous reservoir for elastic regime by indirect near-boundary element method. 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT), 141–144. https://doi.org/10.1109/stc-csit.2019.8929820
  21. Zhuravchak, L.; Shakhovska, N., Medykovskyy, M. O. (Eds.) (2019). Mathematical Modelling of Non-stationary Processes in the Piecewise-Homogeneous Domains by Near-Boundary Element Method. Advances in Intelligent Systems and Computing IV. Cham: Springer, 64–77. https://doi.org/10.1007/978-3-030-33695-0_6
  22. Havdulskyi, R., Zhuravchak, L. (2025). Recognition of inclusion characteristics using neural network methods in stationary process modeling. Visnyk Natsionalnoho universytetu “Lvivska politekhnika”. Seriia Informatsiini systemy ta merezhi, 17, 75–92. https://doi.org/10.23939/sisn2025.17.075
  23. Havdulskyi, R., Zhuravchak, L., Yakovyna, V.; Hovorushchenko, T., Savenko, O., Popov, P. T., Lysenko, S. (Eds.) (2025). Inclusion parameters estimation using INBEM and CNNs with gradient-based feature extraction. 2nd International Workshop on Intelligent & CyberPhysical Systems (ICyberPhyS 2025). CEUR Workshop Proceedings, 4013. Available at: https://ceur-ws.org/Vol-4013/paper2.pdf
  24. Khanam, R., Hussain, M. (2024). YOLOv11: An Overview of the Key Architectural Enhancements. ArXiv. https://doi.org/10.48550/arxiv.2410.17725
  25. Tian, Y., Ye, Q., Doermann, D. (2025). YOLOv12: Attention-Centric Real-Time Object Detectors. ArXiv. https://doi.org/10.48550/arxiv.2502.12524
  26. Jaeger, B. E., Schmid, S., Grosse, C. U., Gögelein, A., Elischberger, F. (2022). Infrared Thermal Imaging-Based Turbine Blade Crack Classification Using Deep Learning. Journal of Nondestructive Evaluation, 41 (4). https://doi.org/10.1007/s10921-022-00907-9
  27. Zhuravchak, L. M., Zabrodska, N. V. (2020). Using of partly-boundary elements as a version of the indirect near-boundary element method for potential field modeling. Mathematical Modeling and Computing, 8 (1), 1–10. https://doi.org/10.23939/mmc2021.01.001
  28. Zhuravchak, L. M. (2024). Potential field modeling by combination of near-boundary and contact elements with non-classical finite differences in a heterogeneous medium. Mathematical Modeling and Computing, 11 (2), 373–384. https://doi.org/10.23939/mmc2024.02.373
  29. Zhuravchak, L., Zabrodska, N. (2024). Algorithm for determining inclusion parameters in solving inverse problems of geoelectrical exploration using the profiling method. Geodynamics, 1 (36), 98–107. https://doi.org/10.23939/jgd2024.01.098
  30. Ren, S., He, K., Girshick, R., Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. ArXiv. https://doi.org/10.48550/arxiv.1506.01497
  31. Sharma, A., Kumar, V., Longchamps, L. (2024). Comparative performance of YOLOv8, YOLOv9, YOLOv10, YOLOv11 and Faster R-CNN models for detection of multiple weed species. Smart Agricultural Technology, 9, 100648. https://doi.org/10.1016/j.atech.2024.100648
  32. Russakovsky, O., Deng, J., Su, H., Krause, J., Sanjeev Satheesh, Ma, S. et al. (2014). ImageNet Large Scale Visual Recognition Challenge. ArXiv. https://doi.org/10.48550/arxiv.1409.0575
  33. Woo, S., Debnath, S., Hu, R., Chen, X., Liu, Z., Kweon, I. S. et al. (2023). ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders. ArXiv. https://doi.org/10.48550/arxiv.2301.00808
  34. Shazeer, N. (2020). GLU Variants Improve Transformer. ArXiv. https://doi.org/10.48550/arXiv.2002.05202
  35. Arora, I. (2024). Improving Performance of Data Science Applications in Python. Indian Journal Of Science And Technology, 17 (24), 2499–2507. https://doi.org/10.17485/ijst/v17i24.914
  36. Zhuravchak, L. (2023). Computational Aspects of the Use of Different Types of Near-boundary elements in Modeling the Non-stationary Heat Conduction Process. 2023 IEEE 18th International Conference on Computer Science and Information Technologies (CSIT). Lviv: IEEE, 1–5. https://doi.org/10.1109/csit61576.2023.10324216
  37. Sapkota, R., Harsha, C. R., Sharda, A., Karkee, M. (2025). YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection. ArXiv. https://doi.org/10.48550/arxiv.2509.25164
Виявлення включень і дірок у тривимірних об’єктах на основі числового моделювання та нейронних мереж

##submission.downloads##

Опубліковано

2026-02-28

Як цитувати

Гавдульський, Р. І., & Журавчак, Л. М. (2026). Виявлення включень і дірок у тривимірних об’єктах на основі числового моделювання та нейронних мереж. Technology Audit and Production Reserves, 1(2(87), 113–122. https://doi.org/10.15587/2706-5448.2026.352493

Номер

Том 1 № 2(87) (2026): Інформаційно-керуючі системи

Розділ

Математичне моделювання

Ліцензія

Авторське право (c) 2026 Roman Havdulskyi , Liubov Zhuravchak

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.