ООО «Исследовательский центр ТМК», Москва, Россия

И. Ю. Пышминцев, генеральный директор, докт. техн. наук, профессор
Е. А. Шкуратов, начальник отдела диджитализации и технологий искусственного интеллекта, канд. техн. наук, эл. почта: evgeniy.shkuratov@tmk-group.com
И. В. Косьмин, инженер-исследователь отдела диджитализации и технологий искусственного интеллекта
С. К. Росоленко, инженер отдела диджитализации и технологий искусственного интеллекта
Г. А. Яшин, инженер-разработчик отдела диджитализации и технологий искусственного интеллекта

Представлены результаты разработки адаптивной системы контроля геометрических параметров горячекатаных труб, основанной на технологиях машинного зрения. Предложена программная архитектура, обеспечивающая автоматическую перенастройку алгоритмов обработки изображений под изменяющиеся режимы прокатки и условия наблюдения. Выполнен системный анализ факторов, влияющих на точность измерений труб в горячем состоянии, в частности температурных градиентов, бликов, окалинообразования, вибраций оборудования и вариаций скорости перемещения заготовки. Разработана прикладная классификация режимов съемки и уровней теплового воздействия для ключевых переделов трубопрокатного агрегата, позволяющая рационально выбирать статические и динамические методы измерения и конфигурировать траектории обработки данных. Алгоритмическое ядро включает разреженные и плотные оценки оптического потока для покадрового суммирования смещений, нейросетевую локализацию торцов с детекцией моментов входа и выхода из зоны контроля и адаптивное формирование области интереса с учетом сегментации бликов и окалины. Дополнительно применены квантильная фильтрация и проверка согласованности forward-backward, снижающие долю выбросов и систематические погрешности при калибровке системы. Средняя погрешность оценки межкадрового сдвига не превышала 0,1 px (пикселя), что обеспечило высокую точность вычисления геометрических параметров. Промышленная реализация системы показала рост точности и воспроизводимости определения длины и диаметра в режиме реального времени. Реализация микросервисной архитектуры обеспечила отказоустойчивость системы, ее масштабируемость и возможность бесшовной интеграции с действующими цифровыми инфраструктурами промышленных предприятий. Это создало основу для расширения функций технологического контроля и внедрения адаптивного управления процессами производства труб для всей линии трубопрокатного агрегата.

1. Шкуратов Е. А., Ульман Н. В., Левшин Д. В., Пьянков К. П. Основные принципы и подходы в создании предиктивной модели для минимизации простоев оборудования при производстве труб в непрерывном стане // Металлург. 2025. № 5. С. 100–105.
2. Шкуратов Е. А., Белов В. Д., Кодос Н. Н., Косьмин И. В., Гусейнов Э. Р. и др. Программа для определения позиций валков непрерывного стана при производстве труб Roll Position. Гос. рег. № 2024690777; заявл. 04.12.2024, опубл. 17.12.2024.
3. Пышминцев И. Ю., Шкуратов Е. А., Яшин Г. А., Косьмин И. В. и др. Разработка программно-аппаратного комплекса для поточного контроля труб в непрерывном производстве // Металлург. 2025. № 6. С. 82–87.
4. Косьмин И. В., Шкуратов Е. А., Бушин Р. О., Пьянков К. П., Панасенко О. А. Повышение конструктивной точности трубопрокатного оборудования в результате применения лазерных 3D-систем и математических моделей для обработки // Металлург. 2023. № 7. С. 97–101.
5. Шкуратов Е. А., Выдрин А. В. Совершенствование технологии продольной прокатки полых заготовок на непрерывных раскатных станах // Черные металлы. 2017. № 3. С. 42–46.
6. Выдрин А. В. Развитие технологий производства труб с заданными свойствами на основе современных методов исследования // Трубы-2021: Труды XXIV Междунар. науч.-практ. конф., Челябинск, 20–22.09.2021. Ч. 1. — Челябинск : АО «РусНИТИ», 2021. — С. 117–121.
7. Song X., Cao S., Zhang J., Hou Z. Steel surface defect detection algorithm based on YOLOv8 // Electronics. 2024. Vol. 13. 988. DOI: 10.3390/electronics13050988.
8. Yang W., Zheng J. Real-time face detection based on YOLO // Proc. of ICKII. 2018. P. 221–224. DOI: 10.1109/ICKII.2018.8569109.
9. Aboyomi D. D., Daniel C. A comparative analysis of modern object detection algorithms: YOLO vs. SSD vs. Faster R-CNN // ITEJ. 2023. Vol. 8, No. 2. P. 96–106. DOI: 10.24235/itej.v8i2.123
10. Nayar S. K. et al. Real-time 100 object recognition system // Proc. IEEE Int. Conf. on Robotics and Automation. 1996. Vol. 3. P. 2321–2325.
11. Maturana D., Scherer S. A. VoxNet: A 3D Convolutional neural network for real-time object recognition // Proc. IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS). 2015. P. 922–928.
12. Lucas B. D., Kanade T. An iterative image registration technique with an application to stereo vision // Proc. of Imaging Understanding Workshop. 1981. P. 121–130.
13. Baker S., Matthews I. Lucas–Kanade 20 years on: A unifying framework // International Journal of Computer Vision. 2004. Vol. 56, No. 3. P. 221–255.
14. Bouguet J.-Y. Pyramidal implementation of the Lucas–Kanade feature tracker: description of the algorithm. — Intel Corporation, Microprocessor Research Labs, 2000. 9 p.
15. Farnebäck G. Two-frame Motion Estimation Based on Polynomial Expansion // Proc. 13th Scandinavian Conference on Image Analysis (SCIA). 2003. P. 363–370.
16. Bruhn A., Weickert J., Schnörr C. Lucas/Kanade meets Horn/Schunck: Combining local and global optic flow methods // International Journal of Computer Vision. 2005. Vol. 61. P. 211–231.