تشخیص و اندازه گیری تاب خوردگی در فرایند ساخت افزایشی FDM با استفاده از هوش مصنوعی و بینایی ماشین

فرایند ساخت افزایشی با روش مدل سازی رسوب ذوب شونده (FDM) در ساخت قطعات با چالش هایی از جمله بروز عیوب ساختاری مواجه است. شناسایی به موقع این عیوب می تواند از هدر رفت مواد و زمان جلوگیری کرده و در برخی موارد امکان اصلاح فرایند تولید را فراهم کند. در این پژوهش، یک رویکرد نوآورانه برای تشخیص و اندازه گیری تاب خوردگی قطعات با استفاده از هوش مصنوعی و بینایی ماشین ارائه شده است. این روش قابلیت تشخیص عارضه تاب را با استفاده از هر نوع دوربین (دوربین گوشی هوشمند، لپ تاپ و غیره) در شرایط طبیعی و غیرمهندسی به صورت برخط دارا است و همچنین قابلیت تعمیم برای تشخیص سایر عیوب بصری را نیز دارد. درگام نخست، از شبکه های یادگیری عمیق نظیر VGG و Xception برای شناسایی عیب استفاده و در مراحل بعد، از الگوریتم های کلاسیک مانند Canny و HSV برای اندازه گیری میزان تاب بهره گرفته شد. با تحلیل نتایج، فرایند به سمت بهره گیری بیشتر از روش های هوشمند هدایت شد، به گونه ای که تشخیص عیوب و ایجاد ماسک قطعات به طور کامل توسط هوش مصنوعی انجام گرفت. در نهایت، با استفاده از کتابخانهOpenCV و الگوریتم YOLOv۸، دقت تشخیص ۹۹ درصد در آستانه ۰.۵ و میانگین دقت ۰.۷۸ در بازه آستانه ۰.۵ تا ۰.۹۵ به دست آمد. به منظور افزایش کاربردپذیری این فرایند، یک برنامه تحت وب با استفاده از زبان HTML و کتابخانه Streamlit توسعه داده شد که امکان بهره برداری آسان تر از سیستم را فراهم می کند. این پژوهش گامی موثر در توسعه فناوری های هوشمند برای بهبود کیفیت ساخت افزایشی محسوب می شود.

کلیدواژه ها:

مدل سازی رسوب ذوب شونده ، تشخیص عیوب ساختاری ، هوش مصنوعی ، ساخت افزایشی ، بینایی ماشین ، تاب خوردگی قطعات