10.14489/vkit.2024.04.pp.003-009

DOI: 10.14489/vkit.2024.04.pp.003-009

Болдырев П. А., Каскинов И. З.
ОСОБЕННОСТИ ПРИМЕНЕНИЯ ИНСТРУМЕНТОВ АВТОМАТИЧЕСКОГО МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧАХ ФРАКТОГРАФИЧЕСКОГО ИССЛЕДОВАНИЯ
(c. 3-9)

Аннотация. Статья посвящена разработке информационной системы анализа механизмов разрушения металлов на основе автоматического машинного обучения (AutoML). Проведено исследование теоретических основ AutoML, приведен ряд задач и подходящих для них инструментов AutoML, а также дана характеристика особенностей их применения в анализе фрактографических изображений в рамках количественной металлографии. Изложены принципы создания информационной системы анализа механизмов разрушения металлов на основе AutoML с использованием современных средств и инструментов разработки программных продуктов. Приведено сравнение различных инструментов AutoML через призму решаемых ими задач, а также обоснован выбор инструмента Liner.io в качестве оптимального варианта в решении задач автоматизации фрактографического анализа. Представлены практические результаты использования наиболее подходящего для анализа фрактографических изображений инструмента автоматического машинного обучения Liner.ai, дана оценка перспектив применения данного инструмента для решения задач как в металлографическом исследовании, так и в других отраслях промышленности. Примеры снабжены визуализацией результатов обучения нейросетевой модели и сравнительного анализа размеченного фрактографического изображения и результата прогноза нейросетевой модели.

Ключевые слова: количественная металлография; фрактография; анализ изображений; нейронные сети; AutoML.

Boldyrev P. A., Kaskinov I. Z.
FEATURES OF THE AUTOMATIC MACHINE LEARNING TOOLS IN THE TASKS OF FRACTOGRAPHIC ANALYSIS
(pp. 3-9)

Abstract. The article is devoted to the development of an information system for analyzing the mechanisms of metal destruction based on automatic machine learning (AutoML). The theoretical foundations of AutoML are investigated, a number of tasks and AutoML tools suitable for them are presented, and the characteristics of their application in the analysis of fractographic images in the framework of quantitative metallography are given. The principles of creating an information system for analyzing the mechanisms of metal destruction based on AutoML, using modern software development tools and tools, are described. Attention is paid to the collection and preparation of fractographic images for further analysis, as well as the development of machine learning algorithms for automatic analysis and classification of damage characteristics and causes of destruction of metal materials. Various AutoML tools are compared through the prism of the tasks they solve, and the choice of the tool is justified Liner.io as an optimal option in solving problems of automation of fractographic analysis. The practical results of using the most suitable automatic machine learning tool for the analysis of fractographic images Liner.ai are presented, and also an assessment of the prospects of using this tool to solve problems both in metallographic research and in other industries is given. The examples are provided with visualization of the learning results of the neural network model and comparative analysis of the marked-up fractographic image and the prediction result of the neural network model.

Keywords: Quantitative metallography; Fractography; Image analysis; Neural network; AutoML.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

П. А. Болдырев, И. З. Каскинов (Оренбургский государственный университет, Оренбург, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

P. A. Boldyrev, I. Z. Kaskinov (Orenburg State University, Orenburg, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Курих А. Эксперты об AutoML: подробно об инструментах, специалистах и перспективах [Электронный ресурс]. URL: https://cloud.vk.com/blog/jeksperty-ob-automl-podrobno (дата обращения: 29.11.2023).
2. Barbudo R., Ventura S., Romero J. R. Eight Years of AutoML: Categorisation, Review and Trends // Knowledge and Information Systems. 2023. V. 65. P. 5097–5149. DOI: 10.1007/s10115-023-01935-1
3. Bilalli B., Abelló A., Aluja-Banet T., Wrembel R. Automated Data Pre-Processing via Meta-Learning // Model and Data Engineering. Lecture Notes in Computer Science. V. 9893. P. 194–208. Cham: Springer, 2016. DOI: 10.1007/978-3-319-45547-1_16
4. De Campos L., De Oliveira R., Roisenberg M. Optimization of Neural Networks through Grammatical Evolution and a Genetic Algorithm // Expert Systems with Applications. 2016. V. 56. P. 368–384. DOI: 10.1016/j.eswa.2016.03.012
5. Mohr F., Wever M., Hüllermeier E. ML-Plan: Automated Machine Learning via Hierarchical Planning // Machine Learn. 2018. V. 107. P. 1495–1515. DOI: 10.1007/s10994-018-5735-z
6. Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines / N. Nikitin, P. Vychuzhanin, M. Sarafanov et al. // Future Generation Computer Systems. 2022. V. 127. P. 109–125. DOI: 10.1016/j.future.2021.08.022

Eng

1. Kurih A. Experts on AutoML: in detail about tools, specialists and prospects. Retrieved from https://cloud.vk.com/blog/jeksperty-ob-automl-podrobno (Accessed: 29.11.2023). [in Russian language]
2. Barbudo R., Ventura S., Romero J. R. (2023). Eight Years of AutoML: Categorisation, Review and Trends. Knowledge and Information Systems, 65, 5097–5149. Retrieved from https://doi.org/10.1007/s10115-023-01935-1 (Accessed: 10.10.2023).
3. Bilalli B., Abelló A., Aluja-Banet T., Wrembel R. (2016). Automated Data Pre-processing via Meta-learning. Model and Data Engineering. Lecture Notes in Computer Science, 9893, 194–208. Cham: Springer. Re-trieved from https://doi.org/10.1007/978-3-319-45547-1_16 (Accessed: 11.11.2023).
4. De Campos L., De Oliveira R., Roisenberg M. (2016). Optimization of Neural Networks through Grammatical Evolution and a Genetic Algorithm. Expert Systems with Applications, 56, 368 – 384. Retrieved from https://doi.org/10.1016/j.eswa.2016.03.012 (Accessed: 13.11.2023).
5. Mohr F., Wever M., Hüllermeier E. (2018). ML-Plan: Automated Machine Learning via Hierarchical Planning. Machine Learn, 107, 1495 – 1515. Retrieved from https://doi.org/10.1007/s10994-018-5735-z (Accessed: 12.12.2023).
6. Nikitin N., Vychuzhanin P., Sarafanov M. et al. (2022). Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines. Future Generation Computer Systems, 127, 109 – 125. Retrieved from https://doi.org/10.1016/j.future.2021.08.022 (Ac-cessed: 11.12.2023).

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2024.04.pp.003-009

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2024.04.pp.003-009

and fill out the form