Аннотация на русском языке: В рамках данной работы разработана система автоматизированного анализа магнитотрамм трубопроводов, направленная на повышение эффективности и надежности диагностики магистральных и промышленных трубопроводных систем. Система предназначена для автоматического выявления дефектов и конструктивных элементов на основе технологий искусственного интеллекта и формирования стандартизированной технической отчетности, необходимой для принятия обоснованных эксплуатационных решений. Проблема исследования заключается в высокой трудоемкости, субъективности и ограниченной воспроизводимости традиционного анализа магнитотрамм, что увеличивает вероятность пропуска критичных повреждений и снижает общую эффективность контроля технического состояния трубопроводов. Обработка больших объемов данных вручную требует значительных временных и кадровых ресурсов, а также сопряжена с высоким риском человеческой ошибки. Научная новизна проекта заключается в создании интегрированной облачной платформы, сочетающей в себе нейросетевые алгоритмы (YOLO, U-Net), методы машинного обучения и интеллектуальной постобработки. Система обеспечивает автоматическое распознавание и классификацию дефектов, прогнозирование их развития, расчет остаточного ресурса труб и формирование приоритетов для планово-предупредительных ремонтов. Использование контейнеризированной архитектуры и распределённых вычислений позволяет масштабировать решение под задачи анализа как протяжённых магистралей, так и разветвлённых сетей на промышленных объектах. Разработанная система обеспечивает увеличение точности выявления дефектов до 95%, ускорение обработки данных более чем в 10 раз и значительное снижение влияния человеческого фактора. Решение может быть интегрировано с существующими информационно-диагностическими платформами (SCADA, GIS), что делает его универсальным инструментом для мониторинга технического состояния трубопроводов в режиме реального времени.

The summary in English: As part of this work, a system for automated analysis of magnetic flux leakage (MFL) data from pipelines has been developed, aimed at improving the efficiency and reliability of diagnostics for mainline and industrial pipeline systems. The system is designed to automatically detect defects and structural elements using artificial intelligence technologies and to generate standardized technical reports to support informed operational decision-making. The core research problem lies in the high labor intensity, subjectivity, and limited reproducibility of traditional MFL data analysis, which increases the likelihood of overlooking critical defects and reduces the overall efficiency of pipeline condition assessment. Manual processing of large volumes of data is time-consuming, demands highly qualified personnel, and is prone to human error. The scientific novelty of the project is the development of an integrated cloud-based platform that combines neural network algorithms (YOLO, U-Net), machine learning techniques, and intelligent post-processing tools. The system enables automatic defect recognition and classification, defect growth forecasting, residual life estimation, and prioritization of maintenance actions. By leveraging containerized architecture and distributed computing, the solution can be scaled for both long-distance pipelines and complex industrial networks. The developed system delivers up to 95% defect detection accuracy, a tenfold increase in data processing speed, and significantly reduces dependence on human expertise. The solution can be integrated with existing SCADA and GIS systems, making it a universal tool for real-time monitoring and diagnostics of pipeline infrastructure.

Ключевые слова: анализ магнитотрамм, автоматизация контроля трубопроводов, искусственный интеллект, выявление дефектов, YOLO, облачные технологии.
Key words: MFL analysis, pipeline inspection automation, artificial intelligence, defect detection, YOLO, cloud technologies.