Технічна діагностика та неруйнівний контроль, 2026, №03

2026 №03 (02)

DOI of Article 10.37434/tdnk2026.03.03

2026 №03 (04)

---

Технічна діагностика і неруйнівний контроль, 2026, №3, стор. 38-47

Автоматизоване розпізнавання дефектів на зображеннях магнітопорошкового контролю на основі моделі YOLO11

А.С. Момот¹, В.С. Якотюк¹, Ю.Ю. Лисенко^1,3, Р.М. Галаган¹, Й. Мірчев^2,3

¹Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського». 03056, м. Київ, Берестейський проспект, 37. Е-mail: j.lysenko@kpi.ua
²Інститут механіки Болгарської академії наук. 1113, м. Софія, вул. акад. Г. Бончева, Болгарія
³Центр компетенцій з мехатроніки та чистих технологій «Мехатроніка, інновації, робототехніка, автоматизація та чисті технології» – MIRACle. Болгарія. Е-mail: a.momot@kpi.ua

У роботі розглянуто можливості застосування моделей глибинного навчання сімейства YOLO11 у задачі автоматизації детектування дефектів на зображеннях магнітопорошкового контролю, який широко використовують для перевірки феромагнітних деталей, а рішення за його результатами впливають на безпечність експлуатації та витрати. Водночас зображення магнітопорошкового контролю часто містять зернистий фон, нерівномірне освітлення та відблиски, через що слабоконтрастні магнітні візерунки маскуються, а надійність простих методів аналізу знижується. Запропоновано програмний підхід, у якому кадри з камери автоматично опрацьовуються нейронною мережею, а на виході формуються рамки локалізації дефектів і виконується їхня класифікація за видом. Для навчання моделей використано реальні зображення, кількість яких була збільшена за допомогою аугментації шляхом перетворень, що імітують типові відхилення параметрів зйомки. Набір даних було розмічено за трьома класами дефектів і поділено на навчальну, валідаційну та тестову множини. Проведено навчання та порівняння моделей YOLO11n, YOLO11s, YOLO11m і YOLO11l за метриками Precision, Recall, mAP50 і mAP50-95 та за часом опрацювання кадру. Показано, що збільшення розміру моделі не дає пропорційного приросту якості на наявному наборі даних. Найкращий баланс між точністю та швидкодією забезпечила модель YOLO11m із показником mAP50-95 на рівні 0,238 із часом опрацювання кадру 29,5 мс. Аналіз результатів навчання засвідчив вищу якість детектування лінійних дефектів і складність під час виявлення дрібних групових дефектів, що обумовлено дефіцитом навчальних даних і зашумленим фоном. Надано рекомендації щодо методів зниження хибних спрацювань і розширення даних для покращення репрезентативності навчального набору. Бібліогр. 16, табл. 4, рис. 5.
Ключові слова: магнітопорошковий контроль, детектування дефектів, комп’ютерний зір, штучний інтелект, нейронні мережі

Отримано 01.06.2026
Отримано у переглянутому вигляді 29.07.2026
Підписано до друку 06.09.2026
Оприлюднено 22.09.2026

Список літератури

1. International Organization for Standardization (2016) ISO 9934-1:2016 Non-destructive testing. Magnetic particle testing. Pt 1 General principles. Geneva, ISO.
2. Якотюк В.С., Глабець, С.М., Лисенко, Ю.Ю., Момот, А.С. (2025) Практичний досвід застосування та аналіз ефективності різних магнітних суспензій. Технічна діагностика та неруйнівний контроль, 4, 44–48. DOI: https://doi.org/10.37434/tdnk2025.04.06
3. Yang, Y., Yang, Y., Li, L. et al (2022) Automatic defect identification method for magnetic particle inspection of bearing rings based on visual characteristics and highlevel features. Appl. Sci., 12(3), 1293. DOI: https://doi.org/10.3390/app12031293
4. Mao, Z., Wu, Q., Qin, X. et al (2023) Magnetic particle inspection. Status, advances, and challenges. Demands for automatic non-destructive testing. NDT & E International, 143, 103030. DOI: https://doi.org/10.1016/j.ndteint.2023.103030
5. Wu, Q., Qin, X., Dong, K. et al (2023) A learning-based crack defect detection and 3D localization framework for automated fluorescent magnetic particle inspection. Expert Systems with Applications, 214, 118966. DOI: https://doi.org/10.1016/j.eswa.2022.118966
6. Tout, K., Meguenani, A., Urban, J.-P., Cudel, C. (2021) Automated vision system for magnetic particle inspection of crankshafts using convolutional neural networks. The Internnational J. of Advanced Manufacturing Technology, 112(8), 3307–3326. DOI: https://doi.org/10.1007/s00170-020-06467-4
7. Chen, J., Tong, J., Su, J. (2025) Design of a real-time abnormal detection system for rotating machinery based on YOLOv8. Frontiers in Mechanical Engineering, 11, 1683572. DOI: https://doi.org/10.3389/fmech.2025.1683572
8. Momot, A., Kretsul, V., Muraviov, O., Galagan, R. (2024) Automated defect detection in printed circuit boards based on the YOLOv5 neural network. The Paton Welding J., 4, 46–52. DOI: https://doi.org/10.37434/tpwj2024.04.07
9. Shi, A., Wu, Q., Qin, X. et al (2024) Lightweight detector based on knowledge distillation for magnetic particle inspection of forgings. NDT & E International, 143, 103052. DOI: https://doi.org/10.1016/j.ndteint.2024.103052
10. Wu, Q., Qin, X., Xiong, X. (2025) Investigating the effects of data and image enhancement techniques on crack detection accuracy in FMPI. Advanced Engineering Informatics, 65(PA), 103169. DOI: https://doi.org/10.1016/j.aei.2025.103169
11. Wang, H., Du, W., Xu, G. et al (2024) Automated crack detection of train rivets using fluorescent magnetic particle inspection and instance segmentation. Sci. Reports, 14, 10666. DOI: https://doi.org/10.1038/s41598-024-61396-6
12. Ivasenko, I.B., Vorobel, R.A., Uchanin, V.M. et al. (2023) Detection of chalcopyrite in digital images of copper ore sample sections. Information Extraction and Processing, 51(127), 52–61. DOI: https://doi.org/10.15407/vidbir2023.51.052
13. Storozhyk, D., Protasov, A., Kuts, Yu. et al. (2024) Enhancing neural network efficiency in automated image analysis for thermal nondestructive testing. J. of Theoretical and Applied Mechanics, 54, 242–252. DOI: https://doi.org/10.55787/jtams.24.54.2.242
14. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2016) You only look once: Unified, real-time object detection. In: Proce. of the IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 779–788. DOI: https://doi.org/10.48550/arXiv.1506.02640
15. Wang, J., Wang, Y., Li, X. et al (2025) SCI-YOLO11: An improved defect detection algorithm for transmission line insulators based on YOLO11. Plos One, 20(10), e0322561. DOI: https://doi.org/10.1371/journal.pone.0322561
16. Everingham, M., Van Gool, L., Williams, C.K.I. et al (2010) The PASCAL visual object classes (VOC) challenge. Int. J. of Comput. Vis., 88,

---

Ця стаття у відкритому доступі за Creative Commons Attribution Non-Commercial 4.0 International (CC-BY-NC).

---

Рекомендоване цитування

А.С. Момот, В.С. Якотюк, Ю.Ю. Лисенко, Р.М. Галаган, Й. Мірчев (2026) Автоматизоване розпізнавання дефектів на зображеннях магнітопорошкового контролю на основі моделі YOLO11. Технічна діагностика та неруйнівний контроль, 03, 38-47. https://doi.org/10.37434/tdnk2026.03.03

---

Реклама в цьому номері:

---