Представлена адаптивная модификация архитектуры однопроходного детектора YOLOv8, разработанная специально для задач автоматической детекции дефектов на рентгенограммах сварных соединений. Исследование выявило критическую проблему существующих решений – потерю точности до 12–18 % при изменении условий контроля (толщина материала, угол просвечивания, тип источника), что обусловлено использованием разнородных датасетов (наборов данных) и статических архитектур без учета доменных смещений. Предложенная архитектура «DICONDE-YOLO» включает четыре ключевых нововведения: замену блока SPPF на ASPP для многоканального извлечения признаков, интеграцию модуля эффективного канального внимания ECA для динамического перераспределения каналов, замену блоков C2F на комбинацию глубинных сверток и max-pooling для адаптивного рецептивного поля, а также токенизацию DICOM-метаданных с мультимодальным слиянием. Формирование валидированного датасета из 130 тыс. синтезированных изображений позволило преодолеть проблему разнородности разметки открытых наборов данных. Экспериментальные результаты на GPU RTX 3080 показали существенное повышение метрик: mAP@0.5 с 0,67 до 0,94, precision – до 0,85, recall – до 0,84 при сокращении времени вывода с 20,18 до 18,73 мс. Результаты подтверждают эффективность механизма динамической маршрутизации признаков для компенсации доменных смещений без этапа переобучения. Внедрение предлагаемой архитектуры в производственные линии неразрушающего контроля способно снизить нагрузку на специалистов по дефектоскопии и уменьшить долю пропускаемых дефектов при серийном производстве сварных конструкций, что особенно актуально в условиях дефицита квалифицированных кадров и ужесточения требований к качеству продукции.
An adaptive modification of the architecture of the YOLOv8 single-pass detector is presented, specially developed for tasks of automatic detection of defects on X-rays of welded joints. The study revealed a critical problem in existing solutions – loss of accuracy up to 12-18 % when changing control conditions (material thickness, irradiation angle, source type) due to the use of heterogeneous datasets and static architectures without consideration of domain shifts. The proposed architecture «DICONDE-YOLO» includes four key innovations: replacement of the SPPF block with ASPP for multi-channel feature extraction, integration of an efficient ECA channel focus module for dynamic channel reallocation, Replacing C2F blocks with a combination of deep bundles and max-pooling for the adaptive receptive field, and tokenization of DICOM metadata with multimodal fusion. The formation of a validated dataset from 130,000 synthesized images has overcome the problem of heterogeneous markup of open data sets. Experimental results on the RTX 3080 GPU showed a significant increase in metrics: mAP@0.5 from 0.67 to 0.94, precision – to 0.85, recall – to 0.84 with a reduction in output time from 20.18 to 18.73 ms. The results confirm the effectiveness of dynamic feature routing to compensate for domain shifts without a retraining step. The implementation of the proposed architecture in production lines of non-destructive inspection can reduce the burden on specialists in defect detection and reduce the ratio of defects that are missed during serial production of welded structures. This is particularly relevant in the context of a shortage of qualified personnel and stricter product quality requirements.
1. Сотников А. Л., Ковальчик Р. В., Орлов А. А. Разработка архитектуры веб-приложения для детекции объектов на рентгеновских снимках сварных соединений // Наукоемкие технологии и оборудование в промышленности и строительстве. 2025. № 8 (82). С. 53–61. URL: https://www.elibrary.ru/item.asp?id=82678004 (дата обращения: 05.06.2026).
2. Du F. J., Jiao S. J. Improvement of Lightweight Convolutional Neural Network Model Based on YOLO Algorithm and Its Research in Pavement Defect Detection // Sensors. 2022. Vol. 22. № 9. DOI: 10.3390/s22093537.
3. Васильев М. Е., Коськин А. В., Шалимов А. С. Автоматизация обнаружения дефектов поверхностей изделий на основе сверточных нейронных сетей // Вестник компьютерных и информационных технологий. 2024. Т. 21. № 3 (237). С. 30–36. URL: https://elibrary.ru/item.asp?id=65663298 (дата обращения: 05.06.2026). DOI: 10.14489/vkit.2024.03.pp.030-036.
4. Yasmine G., Maha G., Hicham M. Overview of single-stage object detection models: from Yolov1 to Yolov7 // 2023 International Wireless Communications and Mobile Computing (IWCMC). IEEE, 2023. P. 1579–1584. DOI: 10.1109/IWCMC58020.2023.10182423.
5. Сотников А. Л., Ковальчик Р. В., Орлов А. А. Разработка интеллектуальной системы распознавания объектов на рентгеновских снимках сварных соединений // Вестник Череповецкого государственного университета. 2026. № 1. С. 47–65. DOI: 10.23859/1994-0637-2026-1-130-4.
6. Wang X., Zscherpel U., Tripicchio P., D’Avella S., Zhang B., Wu J., Liang Z., Zhou S, Yu X. A comprehensive review of welding defect recognition from X‑ray images // Journal of Manufacturing Processes. 2025. Vol. 140. P. 161–180. URL: https://www.sciencedirect.com/journal/journal-of-manufacturing-processes (дата обращения: 06.06.2026). DOI: 10.1016/j.jmapro.2025.02.039.
7. García-Pérez A., Gómez-Silva M. J., De La Escalera-Hueso A. Improving automatic defect recognition on GDXRay castings dataset by introducing GenAI synthetic training data // NDT & E International. 2025. Vol. 151. P. 103303. DOI: 10.1016/j.ndteint.2024.103303.
8. Usamentiaga R., Venegas P. Infrared imaging and NDT // Applied Sciences (Switzerland). 2021. Vol. 11. Is. 7. DOI: 10.3390/app11073024.
9. Topp M., Els C., Nestler D. Artificial Intelligence in NDT and NDE: Overview and Current Status // Handbook of Nondestructive Evaluation 4.0. 2025. P. 1–30. URL: https://link.springer.com/referencework/10.1007/978-3-030-48200-4 (дата обращения: 05.06.2026).
10. Корчагин В. Д., Кувшинников В. С., Ковшов Е. Е. Критериальный анализ моделей обработки данных радиационного неразрушающего контроля // International Journal of Open Information Technologies. 2024. Т. 12. № 4. С. 23–31. URL: https://elibrary.ru/item.asp?id=65612526 (дата обращения: 05.06.2026).
11. Корчагин В. Д. Анализ современных SOTA-архитектур искусственных нейронных сетей для решения задач классификации изображений и детекции объектов // Программные системы и вычислительные методы. 2023. № 4. С. 73–87. URL: https://nbpublish.com/library_read_article.php?id=69306 (дата обращения: 05.06.2026). DOI: 10.7256/2454-0714.2023.4.69306.
12. Гинзбург А. В., Адамцевич Л. А., Адамцевич А. О. Строительная отрасль и концепция «Индустрия 4.0»: обзор // Вестник МГСУ. 2021. Т. 16. № 7. С. 885–911. URL: https://cyberleninka.ru/article/n/stroitelnaya-otrasl-i-kontseptsiya-industriya-4-0-obzor (дата обращения: 05.06.2026).
13. Maev R. G. Introduction to rnde nde 4.0 // Research in Nondestructive Evaluation. 2020. Т. 31. № 5–6. С. 271–274. DOI: 10.1080/09349847.2020.1817641.
14. Song Z., Yao H., Tian D., Zhan G., Gu Y. Segmentation method of U-net sheet metal engineering drawing based on CBAM attention mechanism // AI EDAM. 2025. Vol. 39. P. e14. DOI: 10.1017/S0890060424000301.
15. Popuri J. R., Ackshay N. R., Nitish N. H., Kumar D. D., Varun P. G. Automated weld defect detection using gated attention and squeeze and excitation fusion U-Net // Scientific Reports. 2025. Vol. 15. Is. 1. P. 40623. DOI: 10.1038/s41598-025-24406-9.
16. Terven J., Córdova-Esparza D. M., Romero-González J. A. A comprehensive review of YOLO architectures in computer vision: From yolov1 to YOLOv8 and YOLO-nas // Machine learning and knowledge extraction. 2023. Т. 5. № 4. С. 1680–1716. DOI: 10.3390/make5040083.
17. Chen Y., Tang H., Zhou C., Xiong G., Tang H. Weld seam defect detection based on deformable convolutional neural networks // IEICE Electronics Express. 2024. Vol. 21. Is. 24. P. 20240468-20240468. DOI: 10.1587/elex.21.20240468.
18. Wen R., Xie W., Fan Y., Shen L. SABE-YOLO: structure-aware and boundary-enhanced YOLO for weld seam instance segmentation // Journal of Imaging. 2025. Vol. 11. Is. 8. P. 262. DOI: 10.3390/jimaging11080262.
19. Zong Y., Liu L., Guo D., Zhang H., Shen M. A novel method for segmentation and detection of weld defects in UHV equipment based on multiscale feature fusion // Russian Journal of Nondestructive Testing. 2024. Vol. 60. Is. 11. P. 1305–1313. DOI: 10.1134/S1061830924602903.
20. Liu Z., Zhu M., Gao B., Zhao K. YOLO-DC for vehicle detection using deformable convolutional networks and cross-channel coordinate attention // Scientific Reports. 2026. URL: https://www.nature.com/articles/s41598-026-37094-w#citeas (дата обращения: 05.06.2026). DOI: 10.1038/s41598-026-37094-w.
21. Ai Sh., Li J., Li Y. MDC-YOLO: an enhanced steel plate surface defect detection algorithm based on YOLOv8 // Engineering Research Express. 2025. Vol. 7. Is. 4. P. 0452a5. DOI: 10.1088/2631-8695/ae2237.
22. Ковшов Е. Е., Кувшинников В. С. Формирование изображения объекта контроля на гибком детекторе в среде симулятора промышленной радиографии // Контроль. Диагностика. 2024. Т. 27. № 3 (309). С. 23–34. URL: https://elibrary.ru/item.asp?id=65116979 (дата обращения: 05.06.2026). DOI: 10.14489/td.2024.03.pp.023-034.
23. Кувшинников В. С., Ковшов Е. Е. Подготовка специалистов по радиационному виду неразрушающего контроля с применением цифровых технологий // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13. № 4. С. 54–69. URL: https://elibrary.ru/item.asp?id=65606784 (дата обращения: 05.06.2026). DOI: 10.21869/2223-1536-2023-13-4-54-69.
24. Кувшинников В. С., Ковшов Е. Е., Сударев А. В. Симуляционная модель промышленного импульсного Ре-источника // Контроль. Диагностика. 2026. Т. 29. № 6 (336). С. 24–33. URL: https://td-j.ru/index.php/current-issue-rus/3848-024-033 (дата обращения: 05.06.2026). DOI: 10.14489/td.2026.06.pp.024-033.
25. ГОСТ 30242-97. Межгосударственный стандарт. Дефекты соединений при сварке металлов плавлением. Классификация, обозначение и определения. М.: ИПК Издательство стандартов, 2001. 36 с.
26. ГОСТ 23055-78. Контроль неразрушающий. Сварка металлов плавлением. Классификация сварных соединений по результатам радиографического контроля. М.: Издательство стандартов, 1992. 8 с.
27. ГОСТ Р ИСО 6520-1-2012. Сварка и родственные процессы. Классификация дефектов геометрии и сплошности в металлических материалах. Ч. 1. Сварка плавлением. М.: Стандартинформ, 2014. 44 с.
28. Ковшов Е. Е., Кувшинников В. С. Виртуализация контроля и оценки радиографических изображений в среде симулятора промышленной радиографии // Информационные системы и технологии. 2025. № 4 (150). С. 17–25. URL: https://elibrary.ru/contents.asp?titleid=82688264 (дата обращения: 05.06.2026).
29. Клейзер М. П., Кувшинников В. С., Ковшов Е. Е. Применение сверточных нейронных сетей при обработке растровых изображений в неразрушающем контроле // Контроль. Диагностика. 2024. Т. 27. № 6 (312). С. 60–71. DOI: 10.14489/td.2024.06.pp.060-071. URL: https://elibrary.ru/item.asp?id=67911241 (дата обращения: 05.06.2026).
30. Сударев А. В., Кувшинников В. С., Ковшов Е. Е. Инструментальные методы и средства автоматизированной оценки качества радиографических изображений в формате DICONDE // Контроль. Диагностика. 2025. Т. 28. № 12 (330). С. 30–39. URL: https://elibrary.ru/item.asp?id=84105933 (дата обращения: 05.06.2026). DOI: 10.14489/td.2025.12.pp.030-039.