تحقیقات موتور، جلد ۷۱، شماره ۴، صفحات ۳۳-۴۳
عنوان فارسی سامانه هوشمند بازرسی خودکار برای تشخیص رتبه‌بندی میل‌لنگ مبتنی بر بینایی ماشین و ‌یادگیری عمیق
چکیده فارسی مقاله انطباق یاتاقان‌­های اصلی با رتبه میل‌­لنگ، یک ملاحظه مهم در عملیات نصب یاتاقان است. اگر کاربر خط تولید دقت نکند، باعث کاهش قابل توجه کیفیت موتور نهایی همبندی شده می­‌شود و همچنین یکسری ایرادها در آن ایجاد می­‌شود. سامانه‌های بینایی ماشین ظرفیت اجرای تشخیص خطای خودران را دارند که می‌توانند زمان بازرسی را به مقدار قابل توجهی کاهش دهند و منجر به بازرسی‌های چندباره، دقیق‌تر و عینی‌تر شوند. در اینجا، سامانه‌‌ای برای بازرسی توسعه داده شد که قادر به تشخیص خودکار رتبه‌بندی‌‌های میل­‌لنگ از تصاویر میل­‌لنگ است. شرایط نوری خاصی برای به دست آوردن تصاویر مناسب از میل­‌لنگ­‌ها طراحی شد. در این راستا، یک رویکرد تشخیصی کارآمد بر اساس روش بخش‌­بندی معنایی ارائه شد. دو معماری مختلف شبکه عصبی پیچشی شامل MobileNet و VGG19 آموزش و ارزیابی شدند. MobileNet نشان داد که بهترین سازش بین دقت، با امتیاز IoU 85 درصد و زمان اعتبارسنجی، با 0.2 میلی ثانیه برای آشکارکردن حروف حک شده روی میل‌­لنگ است. با توجه به نتایج به‌دست‌آمده، رویکرد پیشنهادی می‌تواند به عنوان ابزاری کارآمد، دقیق و سریع برای تشخیص خودکار رتبه‌بندی‌‌های میل­‌لنگ در ایستگاه همبندی یاتاقان استفاده شود.
کلیدواژه‌های فارسی مقاله بینایی ماشین،یادگیری عمیق،خط تولید موتور،رتبه‌بندی میل‌‌لنگ،بازرسی خودکار،
عنوان انگلیسی Automatic intelligent inspection system for crankshaft grade detection based on ‎machine vision and deep learning
چکیده انگلیسی مقاله The adaption of main bearings with crankshaft grades is an important consideration in bearing installation tasks. If an operator is not careful, it will cause a significant decrease in the quality of the final assembled engine and also cause some defects. Machine vision systems have the potential to implement autonomous error detection that can significantly reduce inspection time and lead to more frequent, precise, and objective inspections. Herein, an inspection system was developed, capable of automatically detecting crankshaft grades from crankshaft images.  A specific lighting condition was designed to obtain proper images of the crankshafts. An efficient diagnostic approach based on the semantic segmentation method was presented in this regard. Two different convolutional neural network (CNN) architectures, including MobileNet and VGG19, were trained and evaluated. MobileNet was revealed to be the best compromise between accuracy, with an IoU-Score of 85%, and validation time, with 0.2 ms for discovering the characters engraved on the crankshaft. According to the obtained results, the proposed approach could be used as an efficient, accurate, and fast tool for the automatic detection of crankshaft grades in bearing assembly stations.
کلیدواژه‌های انگلیسی مقاله بینایی ماشین,یادگیری عمیق,خط تولید موتور,رتبه‌بندی میل‏‌لنگ,بازرسی خودکار
نویسندگان مقاله علیرضا یزدانی جو |
ادارة مهندسی محصول، شرکت تحقیق، طراحی و تولید موتور ایران خودرو (ایپکو)، تهران، ایران‏

سید اشکان موسویان |
گروه مهندسی مکانیک، دانشگاه ملی مهارت، تهران، ایران

نشانی اینترنتی https://www.engineresearch.ir/article_712308_b6e2c41ac514732dc6d0c48de1750dcc.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات