Intellectual Technologies on Transport

Интеллектуальные технологии на транспорте

2413-2527

114235

10.20295/2413-2527-2026-145-23-32

bjuohz

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ТРАНСПОРТНЫЕ СИСТЕМЫ

ARTIFICIAL INTELLIGENCE AND TRANSPORT SYSTEMS

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ТРАНСПОРТНЫЕ СИСТЕМЫ

YOLOv11 for Radiographic Non-Destructive Testing of Welded Joints

YOLOv11 для радиографического неразрушающего контроля сварных соединений

Брехт

Эдуард Александрович

Brekht

Eduard Aleksandrovich

ed.breht@mail.ru

Коншина

Вера Николаевна

Konshina

Vera Nikolaevna

vera.konshina@gmail.com

кандидат технических наук;

candidate of technical sciences;

Петербургский государственный университет путей сообщения Императора Александра I Санкт-Петербург Россия Emperor Alexander I St. Petersburg State Transport University Saint Petersburg Russian Federation

25 03 2026

1 23 32 01 02 2026 07 02 2026

https://atjournal.ru/en/nauka/article/114235/view

Представлено исследование о применении модели нейронной сети YOLOv11 при радиографическом контроле. Цель: обоснование возможности применения YOLOv11 для автоматического обнаружения и визуализации дефектов на рентгенографических снимках сварных соединений. Методы: анализ современных инструментов и технологий, включая нейронные сети, а также представительные выборки порядка 100 размеченных изображений с различными типами дефектов и индикаторами качества изображения, дополненная аугментацией и предварительной фильтрацией снимков. Результаты: показано, что за счет использования усовершенствованного Backbone с модулями C3k2 и блока пространственного внимания C2PSA модель обеспечивает высокие значения показателей mAP@0,5–0,95 и уверенно распознает как крупные, так и слабоконтрастные малые дефекты при приемлемом времени обработки одного изображения. Практическая значимость: состоит в возможности интеграции YOLO11 в действующие системы неразрушающего контроля сварных швов.

This study presents the application of the YOLOv11 neural network model in radiographic inspection. Purpose: to substantiate the feasibility of employing YOLOv11 for the automatic detection and visualization of defects in radiographic images of welded joints. Methods: the analysis of contemporary tools and techniques, including neural networks, alongside a representative dataset of approximately 100 annotated images, featuring various defect types and image quality indicators, supplemented by augmentation and prefiltering of the images. Results: it has been demonstrated that the utilization of an enhanced Backbone with C3k2 modules and a C2PSA spatial attention block can enable the model to achieve high values of mAP@0.5–0.95, reliably detecting both large and lowcontrast small defects while maintaining acceptable perimage processing times. Practical significance: the results indicate the potential for integrating YOLO11 into existing nondestructive testing systems for welded joints.

нейронная сеть рентгенографический контроль дефектограммы распознавание

neural network radiographic testing defectograms detection

Khanam R., Hussain M. YOLOv11: An Overview of the Key Architectural Enhancements // ArXiv. 2024. Vol. 2410.17725. 9 p. DOI: 10.48550/arXiv.2410.17725.

Khanam R., Hussain M. YOLOv11: An Overview of the Key Architectural Enhancements, ArXiv, 2024, vol. 2410.17725, 9 p. DOI: 10.48550/arXiv.2410.17725.

Ultralytics YOLO11. URL: http://docs.ultralytics.com/models/yolo11 (дата обращения: 01.12.2025).

Ultralytics YOLO11. Available at: http://docs.ultralytics.com/models/yolo11 (accessed: December 01, 2025).

Ultralytics YOLO11. Model Card. URL: http://huggingface.co/Ultralytics/YOLO11 (дата обращения: 01.12.2025).

Ultralytics YOLO11. Model Card. Available at: http://huggingface.co/Ultralytics/YOLO11 (accessed: Decem- ber 01, 2025).

Research on Object Detection and Recognition in Remote Sensing Images Based on YOLOv11 / L.-H. He [et al.] // Scientific Reports. 2025. Vol. 15. Art. 14032. 25 p. DOI: 10.1038/s41598-025-96314-x.

He L.-H., et al. Research on Object Detection and Recognition in Remote Sensing Images Based on YOLOv11, Scientific Reports, 2025, vol. 15, art. no. 14032, 25 p. DOI: 10.1038/s41598-025-96314-x.

Кретов Е. Ф. Ультразвуковая дефектоскопия в энергомашиностроении. 4 е изд., перераб. СПб.: СВЕН, 2014. 312 с.

Kretov E. F. Ultrazvukovaya defektoskopiya v energomashinostroenii [Ultrasonic Flaw Detection in Power Machine Engineering]. Saint Petersburg, SVEN Publishing House, 2014, 312 p. (In Russian)

Kotthapalli M., Ravipati D., Bhatia R. YOLOv1 to YOLOv11: A Comprehensive Survey of Real-Time Object Detection Innovations and Challenges // ArXiv. 2025. Vol. 2508.02067. 13 p. DOI: 10.48550/arXiv.2508.02067.

Kotthapalli M., Ravipati D., Bhatia R. YOLOv1 to YOLOv11: A Comprehensive Survey of Real-Time Object Detection Innovations and Challenges, ArXiv, 2025, vol. 2508.02067, 13 p. DOI: 10.48550/arXiv.2508.02067.

Maity A., Ghosh T. Comparative Analysis of Object Detection Algorithms for Surface Defect Detection // ArXiv. 2025. Vol. 2510.21811. 14 p. DOI: 10.48550/arXiv.2510.21811.

Maity A., Ghosh T. Comparative Analysis of Object Detection Algorithms for Surface Defect Detection, ArXiv, 2025, vol. 2510.21811, 14 p. DOI: 10.48550/arXiv.2510.21811.

Применение показателей достоверности для валидации методик неразрушающего контроля / Г. Я. Дымкин, В. Н. Коншина, К. Нокеманн, Г.-Р. Тиллак // Дефектоскопия. 2000. № 3. С. 75–84.

Dymkin G. Ya., Konshina V. N., Nockemann C., Tillack G.-R. Primenenie pokazateley dostovernosti dlya validatsii metodik nerazrushayushchego kontrolya [A Using Confidence Ratings in Validation of Nondestructive Testing Techniques], Defektoskopiya [Russian Journal of Nondestructive Testing], 2000, no. 3, pp. 75–84. (In Russian)

ГОСТ 7512–82. Контроль неразрушающий. Соединения сварные. Радиографический метод = Nondestructive testing. Welded joints. Radiography method: межгосударственный стандарт: введен в действие постановлением Государственного комитета СССР по стандартам от 20 декабря 1982 г. № 4923: дата введения: 1984-01-01. М.: Стандартинформ, 2008. 19 с.

GOST 7512–82. Kontrol nerazrushayushchiy. Soedineniya svarnye. Radiograficheskiy metod [GOST 7512–82. Nondestructive testing. Welded joints. Radiography method]. Effective from January 01, 1984. Moscow, StandartInform Publishing House, 2008, 19 p. (In Russian)

10.

Брехт Э. А., Коншина В. Н. Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте. 2022. № 2 (30). С. 41–47. DOI: 10.24412/2413-2527-2022-230-41-47.

Breht E. A., Konshina V. N. Primenenie neyronnoy seti YOLO dlya raspoznavaniya defektov [Application of YOLO Neural Network for Defect Recognition], Intellektualnye tekhnologii na transporte [Intellectual Technologies on Transport], 2022, no. 2 (30), pp. 41–47. DOI: 10.24412/2413-2527-2022-230-41-47. (In Russian)

11.

Pan K., Hu H., Gu P. WD-YOLO: A More Accurate YOLO for Defect Detection in Weld X-ray Images // Sensors. 2023. Vol. 23, iss. 21. Art. 8677. 16 p. DOI: 10.3390/s23218677.

Pan K., Hu H., Gu P. WD-YOLO: A More Accurate YOLO for Defect Detection in Weld X-ray Images, Sensors, 2023, vol. 23, iss. 21, art. no. 8677, 16 p. DOI: 10.3390/s23218677.

12.

ГОСТ 33514–2015. Продукция железнодорожного назначения. Правила верификации методик неразрушающего контроля = Railway application. Verification of nondestructive testing techniques. межгосударственный стандарт: введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 29 октября 2015 г. № 1662-ст: дата введения: 2016-08-01. М.: Стандартинформ, 2016. 16 с.

GOST 33514–2015. Produktsiya zheleznodorozhnogo naznacheniya. Pravila verifikatsii metodik nerazrushayushchego kontrolya [GOST 33514–2015. Railway application. Verification of nondestructive testing techniques]. Effective from August 01, 2016. Moscow, StandartInform Publishing House, 2008, 16 p. (In Russian)