材料中最危险和最难预测的缺陷之一是疲劳损伤，即反复加载导致的失效。从输电塔到飞机机身，它影响着机械和结构的大部分部件。测试材料抗断裂能力的一种方法是进行疲劳裂纹生长速率测试。此类测试的一个重要步骤是在疲劳裂纹形成的初始阶段寻找裂纹。有几种方法可以从研究对象的表面图像中确定疲劳裂纹的位置。其中最有效的方法是使用卷积神经网络。这是一种特殊的神经网络结构，是在分析视觉生物机制的基础上开发出来的。它可以从试样变形表面的数字图像中确定疲劳裂纹的位置和大小，包括在疲劳裂纹生长速率测试的初始阶段。- 目前，国外正积极利用卷积神经网络来检测裂纹，包括疲劳裂纹。我们提出的算法的主要特点是使用一系列连续的变形试样图像，而不是单一的静态图像。通过这种方法，我们可以考虑到裂纹区域试样表面在加载过程中发生的动态变化。库尔恰托夫研究所全俄航空材料研究院实验室主任尼古拉-雅科夫列夫说："这提高了检测小裂缝的准确性。要使神经网络正常工作，就必须正确校准视频系统。库尔恰托夫研究所全俄航空材料研究院的科学家们提出了一种基于在样品表面应用条形码形式的参考标记的校准方法。这样，摄像机就能对每一系列图像进行 “自我调整”，并在疲劳裂纹扩展到控制区域之外时自动调整其相对于试样表面的位置。所介绍的神经网络模型可用于在疲劳裂纹生长速率测试过程中自动控制疲劳裂纹的位置和长度。这将实现裂纹生长控制过程的自动化，并提高结果的准确性。
