تشخیص نقص سطحی مبتنی بر تصویر با استفاده از یادگیری عمیق مطالعه موردی ژورنالهای ثابت میل لنگ

میل لنگ، به عنوان یکی از اجزای حیاتی در موتورهای احتراق داخلی در معرض انواع عیوب سطحی است که می تواند به کاهش کارایی و بروز خرابی های ثانویه منجر شود. از این رو جایگزینی سیستم های بازرسی سنتی متکی بر حواس انسان با یک سیستم خودکار دقیق و سریع در خط تولید، امری ضروری است. در این مطالعه یک روش هوشمند برای تشخیص خودکار عیوب با شدت های مختلف بر روی سطح ژورنال های ثابت میل لنگ ارائه شده که پیش از این کمتر مورد توجه قرار گرفته بود همچنین یک مجموعه داده جدید شامل تصاویر واقعی از عیوب سطحی میل لنگ جمع آوری و معرفی گردید. برای پردازش تصاویر از معماری MobileNet مبتنی بر شبکه عصبی کانولوشن و تکنیک تقسیم بندی معنایی استفاده شد که به دلیل دارا بودن پارامترهای کمتر گزینه مناسبی برای پردازش فوری است. بدون استفاده از افزایش داده، مدل به دقت ۷۱.۵ در معیار IoU دست یافت؛ اما با به کارگیری تکنیک افزایش داده این مقدار به %۷۹.۶ رسید که بهبودی چشمگیر معادل ۸.۱% را نشان می دهد. علاوه بر این چگونگی پیاده سازی عملی این سیستم در ایستگاه مونتاژ یاتاقان بر روی ژورنال های ثابت میل لنگ نیز تشریح شده است. امید است این روش کارآمد و در دسترس بودن کدهای مربوطه زمینه ساز توسعه بیشتر سیستم های بازرسی خودکار در صنعت موتور شود.

کلیدواژه ها:

عیب یابی موتور احتراق داخلی ، ژورنال های ثابت ، بینایی ماشین ، شبکه های عصبی کانولوشن