| بهینه سازی فرآیند شناسایی نقص‌های سطحی فلزات با استفاده از شبکه‌های عصبی ژرف |
| کد مقاله : 1580-ISME2025 |
| نویسندگان |
|
محمد حسین باباجانی، سمیر نیسی مینایی، علی علی نجفی اردکانی * دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی |
| چکیده مقاله |
| صنایع فلزی نقش مهمی در صنعتی دارند و کیفیت نهایی محصولات فلزی از اهمیت بالایی برخوردار است. این پژوهش یک چارچوب مبتنی بر یادگیری عمیق را برای شناسایی خودکار نقص‌های سطحی فلزات با استفاده از شبکه‌های عصبی پیچشی ارائه می‌دهد. هدف، بهینه‌سازی فرآیند بازرسی بصری، کاهش خطای انسانی و افزایش دقت تشخیص با بهره‌گیری از دو معماری شبکه عصبی ZFNet و 16VGG است. این مدل‌ها بر اساس معیارهای دقت ، بازخوانی و میانگین هماهنگ دقت و بازخوانی ارزیابی شدند. نتایج نشان داد که ZFNet در دسته‌بندی اولیه عملکرد ضعیفی داشت، اما پس از اعمال تکنیک‌های افزایش داده، دقت آن بهبود یافت. در مقابل، 16VGG با وزن‌های پیش‌آموزش‌یافته، دقت بالاتری ارائه کرد اما سرعت پردازش آن کمتر بود. اما با توجه به نویزهای محیطی و محدودیت‌های سخت‌افزاری در محیط صنعتی، استفاده از مدل‌های پیچیده‌تر می‌تواند منجر به افزایش حساسیت به نویز شود. بنابراین، این پژوهش مقایسه‌ای بین یک شبکه پیچشی مینیمال و یک شبکه پیچیده‌تر انجام داد تا مشخص شود آیا می‌توان با یک مدل سبک‌تر، دقت مناسب و سرعت پردازش بالا را حفظ کرد. نتایج نشان داد که VGG16 از نظر دقت برتری دارد، اما ZFNet به دلیل ساختار سبک‌تر و پردازش سریع‌تر، برای کاربردهای بلادرنگ مناسب‌تر است. در نهایت، انتخاب مدل مناسب برای کنترل کیفیت بصری در صنعت به تعادل میان دقت، سرعت پردازش و محدودیت‌های سخت‌افزاری بستگی دارد. |
| کلیدواژه ها |
| شبکه عصبی، شناسایی خوردگی، پردازش تصویر، ZFNet، VGG16 |
| وضعیت: پذیرفته شده برای ارائه شفاهی |