Перизат Маратқызы Рахметова – PhD, ассоциированный профессор кафедры Робототехники и технических средств автоматики
050000, Республика Казахстан, г.Алматы, ул. Сатпаева 22
Perizat Rakhmetova – PhD, associate professor of the Department of Robotics and technical means of automation
050000, Republic of Kazakhstan, Almaty, Satpayev St. 22
Данияр Дауренович Даулетия – магистр технических наук по специальности «Вычислительная техника», заведующий научно-инновационной лабораторией «FabLab»
010000, Республика Казахстан, г. Астана, проспект Мангилик Ел, 55/11
Daniyar Dauletiya – Master of Technical Sciences in Computer Engineering. Head of the Research and Innovation Laboratory «FabLab»
010000, Republic of Kazakhstan, Astana, Mangilik El avenue, 55/11
Азамат Нурланович Ешмухаметов – PhD, заведующий лабораторией «ARMS»
010000, Республика Казахстан, г. Астана, пр. Кабанбай батыра, 53
Azamat Yeshmukhametov – PhD, Head of Laboratory «ARMS»
010000, Republic of Kazakhstan, Astana, 53, Kabanbay batyr avenue⃰
Целостность и безопасность трубопровода критически важны для транспортировки воды, нефти и газа, однако традиционные методы контроля требуют значительных ресурсов и подвержены ошибкам, что задерживает выявление дефектов и повышает риски. Современные технологии мониторинга нуждаются в улучшении для повышения эффективности диагностики и снижения затрат. Целью данной работы является создание автономной роботизированной системы, способной обнаруживать, локализовать и классифицировать проблемы внутри трубы, используя сложные методы визуализации и алгоритмы искусственного интеллекта. Для достижения этой цели использовались многомодальные датчики повышения точности (камеры RGB высокого разрешения, ультразвуковые и инфракрасные датчики) с методами обработки данных, такими как детектор краев Canny и алгоритм кластеризации DBSCAN. Практическое применение данной работы очень полезно для целостности и безопасности критически важных трубопроводных инфраструктур, транспортирующих воду, нефть, газ. Исследовательские подходы включают создание модульной роботизированной платформы для автономной навигации, создание синтетических данных для обучения глубоких нейронных сетей и экспериментальную проверку на трубопроводах из различных материалов и размеров. Экспериментальные результаты показывают, что система значительно превосходит существующие подходы, снижая время на обнаружение дефектов, что делает ее ценным инструментом для профилактического обслуживания, соблюдения нормативных требований и повышения безопасности трубопроводов.
Pipeline integrity and safety are critical for transporting water, oil and gas, but traditional inspection methods are resource-intensive and error-prone, delaying defect detection. The objective of this work is to create an autonomous robotic system capable of detecting, localizing and classifying problems inside a pipe using sophisticated imaging techniques and artificial intelligence algorithms. To achieve this goal, multimodal precision-enhancing sensors (high-resolution RGB cameras, ultrasonic and infrared sensors) with data processing methods such as the Canny edge detector and the DBSCAN clustering algorithm were used. The research approaches include the creation of a modular robotic platform for autonomous navigation, the creation of synthetic data for training deep neural networks, and experimental validation on pipelines of different materials and dimensions. The experimental results show that the system outperforms existing approaches, making it a valuable tool for predictive maintenance, regulatory compliance and improving pipeline safety.
The authors declare that there are no conflicts of interest present.