چکیده مقاله
بازرسی چشمی جوش در بسیاری از خطوط تولید با محدودیت هایی مانند زمان بر بودن، وابستگی به مهارت بازرس و حساسیت به تغییرات نور و زاویه دید مواجه است در این پژوهش یک سامانه بینایی ماشین مبتنی بر یادگیری عمیق برای تشخیص خودکار کیفیت جوش و شناسایی عیوب با استفاده از مدل های تشخیص شیء Look Once You Only YOLO توسعه داده شد داده ها شامل تصاویر جوش برچسب گذاری شده در قالب YOLO بوده و مدل YOLOv۸m روی تصاویر با اندازه ۶۴۰×۶۴۰ آموزش یافت برای بهبود تعمیم پذیری افزون بر مجموعه داده پایه، یک نسخه توسعه یافته با افزودن تصاویر مکمل و به کارگیری تقویت سازی های پیشرفته از جمله تغییر HSV تصاویر، ترکیب چند تصویر با هم و MixUp ایجاد شد ارزیابی با معیارهای دقت، بازخوانی، F۱ و ۰ ۵@mAP روی مجموعه آزمون مستقل انجام گرفت نتایج نشان داد نسخه توسعه یافته نسبت به نسخه پایه بهبود معناداری در ۰ ۵@mAP از ۶۶ به ۷۵ و بازخوانی از ۶۱ به ۷۴ ایجاد کرده و درعین حال زمان تاخیر پیش بینی در حد چند ده میلی ثانیه باقی مانده است؛ بنابراین روش پیشنهادی قابلیت به کارگیری در سناریوهای بازرسی بلادرنگ جوش را دارد
کلیدواژهها
نویسندگان
امیر بیژه
دانشجوی کارشناسی ارشد مهندسی مواد و متالورژی گرایش جوشکاری دانشگاه صنعتی امیرکبیر
سید محمد مهدی زمانی
دانشجوی پسادکترا دانشکده مهندسی مکانیک دانشگاه صنعتی امیرکبیر
اسلام رنجبر نوده
عضو هیئت علمی دانشکده مهندسی مواد و متالورژی دانشگاه صنعتی امیرکبیر
شیوه ارجاع
�یژه، امیر و زمانی، سید محمد مهدی و رنجبر نوده، اسلام،1404،تشخیص خودکار عیوب جوشکاری با استفاده از YOLOv۸ برای بازرسی بلادرنگ،هشتمین کنفرانس بین المللی جوشکاری و آزمایش های غیرمخرب، بیست و ششمین کنفرانس ملی جوش و بازرسی، پانزدهمین کنفرانس ملی آزمایش های غیرمخرب و چهارمین کنفرانس ملی ساخت افزایشی،تهران
ارائهشده در
مجموعه مقالات هشتمین کنفرانس بین المللی جوشکاری و آزمایش های غیرمخرب، بیست و ششمین کنفرانس ملی جوش و بازرسی، پانزدهمین کنفرانس ملی آزمایش های غیرمخرب و چهارمین کنفرانس ملی ساخت افزایشی20 بهمن 1404 · تهران