Вестник КРАУНЦ. Физ.-мат. науки. 2026.Т. 54. №2. C. 106 — 118. ISSN 2079-6641

ВЫЧИСЛИТЕЛЬНЫЕ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
https://doi.org/10.26117/2079-6641-2026-54-2-106-118
Научная статья
Полный текст на английском языке
УДК 004.932:004.93:004.032.26:639.2

Содержание выпуска

Read English Version

Интеллектуальная система распознавания дефектов упаковки рыбной продукции с использованием машинного зрения

А. Н. Шереметев, Е. A. Лутцева^{\ast}

Камчатский государственный технический университет, 683003, ул. Ключевская 35, г. Петропавловск-Камчатский, Россия

Аннотация. В статье представлено исследование по разработке системы автоматического контроля качества упаковки рыбной продукции на основе методов компьютерного зрения и свёрточных нейронных сетей. Актуальность работы обусловлена необходимостью снижения влияния человеческого фактора при визуальной инспекции на конвейерных линиях, особенно в условиях высокого темпа производства и скоропортящегося характера продукта. Для решения данной задачи была выбрана модель YOLO26. Предложена двухэтапная архитектура: на первом этапе модель YOLO26n детектирует область коробки на кадре (кадр обрезается), на втором этапе бинарный классификатор YOLO26s определяет наличие дефекта упаковки. Данный подход позволяет снизить ошибки модели классификации, связанные с некорректным обучением из-за различий фона между датасетом и реальными условиями. Собран собственный размеченный датасет изображений, полученный на прототипе конвейерной линии. Проведено экспериментальное сравнение классификаторов YOLO26s, YOLOv8s и YOLO11s на тестовой выборке. Тестирование на выборке из 108 изображений продемонстрировало точность 96,3% при доле ложноположительных и ложноотрицательных результатов по 3,7%. Сделан вывод о принципиальной применимости разработанной системы на существующем прототипе конвейерной линии и о возможности её масштабирования на промышленные рыбоперерабатывающие предприятия.

Ключевые слова: нейронные сети, компьютерное зрение, YOLO26, датасет, рыбная промышленность, дефект упаковки

Получение: 23.06.2026; Исправление: 26.07.2026; Принятие: 24.08.2026; Публикация онлайн: 14.09.2026

Для цитирования. Sheremetev A. N., Luttseva E. A. Intelligent defect recognition system for fish product packaging using machine vision // Вестник КРАУНЦ. Физ.-мат. науки. 2026. Т. 54. № 2. C. 106-118. EDN: ZQKLMN. https://doi.org/10.26117/2079-6641-2026-54-2-106-118.

Финансирование. Работа выполнена в рамках научно-исследовательского проекта кафедры «Промышленное рыболовство» ФГБОУ ВО «Камчатский государственный технический университет» (№ 126022517947-0).

Конкурирующие интересы. Конфликтов интересов в отношении авторства и публикации нет.

Авторский вклад и ответственность. Авторы участвовали в написании статьи и полностью несут
ответственность за предоставление окончательной версии статьи в печать.

^{\ast}Корреспонденция: E-mail: luttsevaea@gmail.com

Контент публикуется на условиях Creative Commons Attribution 4.0 International License

© Sheremetev A.N., Luttseva E. A., 2026

© ИКИР ДВО РАН, 2026 (оригинал-макет, дизайн, составление)

Список литературы

  1. Jiao X., Zhu J., Ye W., Zou H., Yan B., Zhang N., Qiang J., Tao Y., Zhang H., Zhang D., Fan D. Artificial intelligence in smart seafood safety across the supply chains: Recent advances and future prospects, Trends in Food Science & Technology, 2025. vol. 163, pp. 105161 DOI: 10.1016/j.tifs.2025.105161.
  2. Mahatheesan A. J., Sharmilan T.Advancements and Challenges in Real-Time Electronic Vision Technologies for Canned Fish Quality Inspection: A Comprehensive Review, European Modern Studies Journal, 2024. vol. 8, no. 4, pp. 414–421 DOI: 10.59573/emsj.8(4).2024.19.
  3. Savinov E. D., Ivashko E. E. Analytical review of technologies for contactless «weighing» fish, Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Rybnoe khozyaistvo, 2024. vol. 1, no. 1, pp. 84–94 DOI: 10.24143/2073-5529-2024-1-84-94 (In Russian).
  4. Ivanovsky A. N. Application of neural networks in fish sorting systems on fishing fleet vessels, Vestnik Kerchenskogo gosudarstvennogo morskogo tekhnologicheskogo universiteta. Seriya: Morskie tekhnologii, 2023. vol. 1, no. 2, pp. 112–118 (In Russian).
  5. Alekseev P.P., Kvyatkovskaya I.Yu. Application of neural networks in system of recognition of commercial aquatic organisms during increased fluctuation, Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Upravlenie, vychislitel’naya tekhnika i informatika, 2022. vol. 1, no. 2, pp. 76–86 DOI: 10.24143/2072-9502-2022-2-76-86 (In Russian).
  6. Sheremetev A. N., Luttseva E. A. Development of a system for recognizing defects in fish product packaging /Tekhnicheskaya ekspluatatsiya vodnogo transporta: problemy i puti razvitiya, Materialy Vos’moi natsional’noi (vserossiiskoi) nauchno-tekhnicheskoi konferentsii (Petropavlovsk-Kamchatsky, November 27–28, 2025). Petropavlovsk-Kamchatsky, Kamchatka State Technical University, 2026, pp. 273–277 (In Russian).
  7. CVAT.ai Data Annotation Platform for Vision AI, Website https://www.cvat.ai.
  8. Ultralytics The ultimate end-to-end computer vision platform, Website, https://www.ultralytics.com.
  9. Vychegzhanin S. V., Tatarinova A. G., Myshkin R. E. Comparative analysis of neural network models for detecting unmanned aerial vehicles, Komp’yuternaya optika, 2026. vol. 50, no. 2, pp. 17–28 DOI: 10.18287/COJ1728 (In Russian).
  10. Beqqali Hassani I., Benhida S., Lamii N., et al. From YOLO V1 to YOLO V11: comparative analysis of YOLO algorithm (review), International Journal of Electrical and Computer Engineering, 2026. vol. 16, no. 1, pp. 450–462 DOI: 10.11591/ijece.v16i1.pp450-462.
  11. Nebaba S. G., Markov N.G. Convolutional neural networks of YOLO family for mobile computer vision systems, Komp’yuternye issledovaniya i modelirovanie, 2024. vol. 16, no. 3, pp. 615–631 DOI:
    10.20537/2076-7633-2024-16-3-615-631 (In Russian).
  12. Sapkota R., Karkee M. Ultralytics YOLO Evolution: An Overview of YOLO26, YOLO11, YOLOv8 and YOLOv5 Object Detectors for Computer Vision and Pattern Recognition, 2026, arXiv: arXiv:2510.09653.
  13. COCO Consortium COCO Dataset, Website, https://cocodataset.org.
  14. ImageNet ImageNet Dataset, Website, https://www.image-net.org.
  15. Flach P. Mashinnoe obuchenie. Nauka i iskusstvo postroeniya algoritmov, kotorye izvlekayut znaniya iz dannykh [Machine Learning: The Science and Art of Building Algorithms that Extract Knowledge from Data]. Moscow: DMK Press, 2015. 400 pp. (In Russian)
  16. Kalabin A. L., Tolstel O. V., Shirkin A. E. Construction of a computer vision system for aligning the contents of packages by a delta manipulator in food production, Programmnye produkty i sistemy, 2023. vol. 1, no. 2, pp. 334–341 DOI: 10.15827/0236-235X.142.334-341 (In Russian).

Информация об авторах

Шереметев Алексей Николаевич — студент кафедры систем управления Камчатского государственного технического университета, Петропавловск-Камчатский, Россия, ORCID 0009-0002-0200-9159.

Лутцева Екатерина Александровна — старший преподаватель кафедры систем управления Камчатского государственного технического университета, Петропавловск-Камчатский, Россия, ORCID 0009-0003-6552-805X.

Read articleСкачать