АВТОМАТИЗАЦІЯ КОНТРОЛЮ ЯКОСТІ ВЖИВАНИХ ДЕТАЛЕЙ НА ОСНОВІ 2D-ЗОБРАЖЕНЬ І НЕВІЗУАЛЬНОЇ ІНФОРМАЦІЇ: ПІДХІД ДО ПОДОВЖЕННЯ ЖИТТЄВОГО ЦИКЛУ ВИРОБУ
DOI:
https://doi.org/10.20998/2078-9130.2024.2.316341Ключові слова:
автоматизація контролю якості, повторне використання деталей, комп'ютерний зір, mask r-cnn, класифікатор, random forest, багаторівнева 3d-концепція, виявлення дефектів, машинне навчання, алгоритм, життєвий цикл.Анотація
У статті представлено методологію автоматизації контролю якості використаних деталей після їх розбірки, зосереджуючись на визначенні їхньої придатності до повторного використання. Запропонований підхід використовує 2D-зображення деталей, доповнені невізуальною інформацією, зокрема розмірами та історією експлуатації, для точної ідентифікації зношених або пошкоджених компонентів. Методологія складається з чотирьох етапів: отримання вихідних даних, сегментації отворів, класифікації масштабу та оптимізації, а також класифікації та валідації допусків діаметра. Використання моделі Mask R-CNN з механізмом уваги (SEBlock) у поєднанні з класифікатором Random Forest дозволило досягти високої точності виявлення дефектів, зокрема невідповідностей діаметрів отворів встановленим допускам. Результати дослідження продемонстрували середню точність класифікації на рівні 79%, із максимальними показниками прецизії, повноти та F1-оцінки у певних випадках. Система показала високу ефективність, уникаючи хибнонегативних результатів та мінімізуючи кількість хибнопозитивних помилок. Запропонована методологія є економічно ефективною, оскільки усуває потребу в дорогому 3D-сканувальному обладнанні, що спрощує її інтеграцію у виробничі лінії та ремонтні станції. Інтеграція багаторівневої 3D-концепції дозволяє враховувати геометричні параметри та мікроструктурні характеристики деталей на різних рівнях, що підвищує точність аналізу. Система має певні обмеження: вона може аналізувати лише один тип деталі за раз і не здатна виявляти особливості, невидимі на 2D-зображеннях. Водночас вона відкриває перспективи для подальших досліджень, спрямованих на вдосконалення методів аналізу поверхонь і використання багатокутового стереозору. Впровадження запропонованої системи сприяє підвищенню ефективності виробничих процесів, зменшенню витрат на закупівлю нових компонентів та підтримує екологічну сталість шляхом продовження життєвого циклу деталей. Подальші дослідження будуть зосереджені на адаптації методології для різних типів деталей і впровадженні підходів багатокутового стереозору для підвищення точності та надійності контролю якості.
Посилання
Ameri, R., et al. “A Systematic Review of Deep Learning Approaches for Surface Defect Detection in Industrial Applications.” Engineering Applications of Artificial Intelligence, vol. 130, 2024, https://doi.org/10.1016/j.engappai.2023.107717. Scopus.
Cai, W., et al. “Weld Beads and Defects Automatic Identification, Localization, and Size Calculation Based on a Lightweight Fully Convolutional Neural Network.” Optics and Laser Technology, vol. 170, 2024, https://doi.org/10.1016/j.optlastec.2023.110266. Scopus.
Kang, D., J. Lai, and Y. Han. “Accurate Detection of Surface Defects by Decomposing Unreliable Tasks under Boundary Guidance.” Expert Systems with Applications, vol. 244, 2024, https://doi.org/10.1016/j.eswa.2023.122977. Scopus.
Kang, D., J. Lai, J. Zhu, et al. “An Adaptive Feature Reconstruction Network for the Precise Segmentation of Surface Defects on Printed Circuit Boards.” Journal of Intelligent Manufacturing, vol. 34, no. 7, 7, 2023, pp. 3197–214, https://doi.org/10.1007/s10845-022-02008-w. Scopus.
Liu, Q., et al. “A Real-Time Anchor-Free Defect Detector with Global and Local Feature Enhancement for Surface Defect Detection.” Expert Systems with Applications, vol. 246, 2024, https://doi.org/10.1016/j.eswa.2024.123199. Scopus.
Zhang, W., et al. “An Online Automatic Carbide Insert High-Resolution Surface Defect Detection System Based on Template-Guided Model.” Expert Systems with Applications, vol. 238, 2024, https://doi.org/10.1016/j.eswa.2023.122089. Scopus.
Wei, J., et al. “Mask-Guided Generation Method for Industrial Defect Images with Non-Uniform Structures.” Machines, vol. 10, no. 12, 12, 2022, https://doi.org/10.3390/machines10121239. Scopus.
Asadi, R., et al. “Process Monitoring by Deep Neural Networks in Directed Energy Deposition: CNN-Based Detection, Segmentation, and Statistical Analysis of Melt Pools.” Robotics and Computer-Integrated Manufacturing, vol. 87, 2024, https://doi.org/10.1016/j.rcim.2023.102710. Scopus.
Levichev, Nikita, et al. “A Virtual Sensing Approach for Quality and Productivity Optimization in Laser Flame Cutting.” The International Journal of Advanced Manufacturing Technology, vol. 121, no. 9–10, Aug. 2022, pp. 6799–810. DOI.org (Crossref), https://doi.org/10.1007/s00170-022-09750-8.
Plankovskyy, Sergiy, et al. “Cutting Irregular Objects from the Rectangular Metal Sheet.” Integrated Computer Technologies in Mechanical Engineering, edited by Mykola Nechyporuk et al., vol. 1113, Springer International Publishing, 2020, pp. 150–57. DOI.org (Crossref), https://doi.org/10.1007/978-3-030-37618-5_14.
Wang, H., et al. “Synthetic Datasets for Rebar Instance Segmentation Using Mask R-CNN.” Buildings, vol. 13, no. 3, 3, 2023, https://doi.org/10.3390/buildings13030585. Scopus.
Bondar, Dmytro, et al. «Analysis of the Efficiency of Quality Control Algorithms for Modified Surfaces for High-Error Processes Based on 2d Miniatures and Non-Visual Information». International Conference on Reliable Systems Engineering (ICoRSE) - 2024, edited by Daniela Doina Cioboată, вип. 1129, Springer Nature Switzerland, 2024, с. 35–50. DOI.org (Crossref), https://doi.org/10.1007/978-3-031-70670-7_3.
Han, B., et al. “Mask_LaC R-CNN for Measuring Morphological Features of Fish.” Measurement: Journal of the International Measurement Confederation, vol. 203, 2022, https://doi.org/10.1016/j.measurement.2022.111859. Scopus.
Kim, E., et al. “A SHINE MUSCAT GRAPE BERRY DETECTION AND GRAPE CLUSTER COMPACTNESS ESTIMATION FOR ASSESSMENT OF GRAPE QUALITY BASED ON INSTANCE SEGMENTATION METHODS.” Journal of the ASABE, vol. 66, no. 5, 5, 2023, pp. 1173–85, https://doi.org/10.13031/ja.15503. Scopus.
López-Acevedo, Francisco J., et al. “Identification of Aggregates Quarries via Computer Vision Analysis as a Tool for Sustainable Aggregates Management and Land Planning.” Sustainability, vol. 16, no. 8, Apr. 2024, p. 3099. DOI.org (Crossref), https://doi.org/10.3390/su16083099.
Sun, Haozhe, et al. “RRR-Net: Reusing, Reducing, and Recycling a Deep Backbone Network.” 2023 International Joint Conference on Neural Networks (IJCNN), IEEE, 2023, pp. 1–9. DOI.org (Crossref), https://doi.org/10.1109/IJCNN54540.2023.10191770.
Kharrazi, H., et al. “General and Optimal 2D Convolutional Neural Networks to Predict the Residual Compressive Strength of Concretes Exposed to High Temperatures.” Engineering Applications of Artificial Intelligence, vol. 131, 2024, https://doi.org/10.1016/j.engappai.2024.107901. Scopus.
Shapovalova, Mariya Ihorivna, and Oleksii Oleksandrovich Vodka. “Two-Level Mathematical Models for Determining the Stress State and Life Plate with a Hole.” Bulletin of the National Technical University «KhPI» Series: Dynamics and Strength of Machines, no. 1, 1, Dec. 2021, pp. 55–59. DOI.org (Crossref), https://doi.org/10.20998/2078-9130.2021.1.234843.
