بررسی و تشخیص صدمات ناشی از خستگی سایشی در نمونه های ساخته شده به روش افزایشی با استفاده از روش بینایی ماشین و داده محور

در این پژوهش با هدف ارتقای فرآیند پایش و تشخیص آسیب های سطحی ناشی از خستگی سایشی در آلیاژ تیتانیوم مدلی هوشمند مبتنی بر شبکه ی تشخیص اشیاء YOLOv۱۱ توسعه داده شد. نوآوری اصلی این تحقیق در به کارگیری رویکرد داده محور و مبتنی بر یادگیری عمیق برای پایش خودکار سطوح فرتینگ آلیاژ تیتانیوم ساخته شده به روش افزایشی نهفته است؛ موضوعی که تاکنون پژوهش مستقلی در این زمینه انجام نشده و برای نخستین بار در این مطالعه مورد بررسی قرار گرفته است. برای آموزش و ارزیابی، مدل مجموعه ای از تصاویر میکروسکوپی از سطوح آسیب دیده در آزمون فرتینگ مورد استفاده قرار گرفت. دو پیکربندی مختلف از مدل شامل حالت تک کلاسه تشخیص (ترک) و دو کلاسه (تشخیص هم زمان ترک و جدایش بین لایه ای) طراحی و مقایسه شد تا کارایی مدل در شرایط مختلف پایش صنعتی مورد سنجش قرار گیرد. نتایج حاصل از آزمایش ها نشان داد که هر دو مدل از دقت بالا، پایداری قابل توجه و سرعت پردازش مناسب برخوردارند و توانایی تشخیص آسیب های سطحی را به صورت موثر و قابل اعتماد فراهم می کنند. عملکرد هر دو پیکربندی بیانگر ایجاد تعادل مطلوب میان دقت تشخیص و کارایی محاسباتی بوده و قابلیت به کارگیری مدل را در سامانه های پایش بلادرنگ و خطوط تولید صنعتی تایید می کند. به طور کلی یافته های این پژوهش نشان می دهد که استفاده از روش های یادگیری عمیق می تواند فرآیند پایش و ارزیابی آسیب های سطحی فلزات را به صورت خودکار، دقیق و کارآمد انجام دهد. این دستاورد، گامی موثر در جهت توسعه سامانه های هوشمند بازرسی و ارتقای سطح فناوری در صنایع پیشرفته، به ویژه در حوزه های ساخت افزایشی و مهندسی هوافضا به شمار می آید.

کلیدواژه ها:

بینایی ماشین ، یادگیری عمیق ، YOLOv۱۱ ، تشخیص ترک خستگی ، سایشی ، آلیاژ تیتانیوم ، افزایشی ، پایش آسیب سطحی