تشخیص و اندازه‌گیری تاب خوردگی در فرایند ساخت افزایشی FDM با استفاده از هوش مصنوعی و بینایی ماشین

Abstract

فرایند ساخت افزایشی با روش مدل‌سازی رسوب ذوب‌شونده (FDM) در ساخت قطعات با چالش‌هایی از جمله بروز عیوب ساختاری مواجه است. شناسایی به ‌موقع این عیوب می‌تواند از هدر رفت مواد و زمان جلوگیری کرده و در برخی موارد امکان اصلاح فرایند تولید را فراهم کند. در این پژوهش، یک رویکرد نوآورانه برای تشخیص و اندازه‌گیری تاب‌خوردگی قطعات با استفاده از هوش مصنوعی و بینایی ماشین ارائه شده است. این روش قابلیت تشخیص عارضه تاب را با استفاده از هر نوع دوربین (دوربین گوشی هوشمند، لپ‌تاپ و غیره) در شرایط طبیعی و غیرمهندسی به ‌صورت برخط دارا است و همچنین قابلیت تعمیم برای تشخیص سایر عیوب بصری را نیز دارد. درگام نخست، از شبکه‌های یادگیری عمیق نظیر VGG و Xception برای شناسایی عیب استفاده و در مراحل بعد، از الگوریتم‌های کلاسیک مانند Canny و HSV برای اندازه‌گیری میزان تاب بهره گرفته شد. با تحلیل نتایج، فرایند به سمت بهره‌گیری بیشتر از روش‌های هوشمند هدایت شد، به‌ گونه‌ای که تشخیص عیوب و ایجاد ماسک قطعات به‌ طور کامل توسط هوش مصنوعی انجام گرفت. در نهایت، با استفاده از کتابخانهOpenCV و الگوریتم YOLOv8، دقت تشخیص ۹۹ درصد در آستانه ۰.۵ و میانگین دقت 0.78 در بازه آستانه 0.5 تا 0.95 به ‌دست آمد. به ‌منظور افزایش کاربردپذیری این فرایند، یک برنامه تحت وب با استفاده از زبان HTML و کتابخانه Streamlit توسعه داده شد که امکان بهره‌ ‌برداری آسان‌تر از سیستم را فراهم می‌کند. این پژوهش گامی‌مؤثر در توسعه فناوری‌های هوشمند برای بهبود کیفیت ساخت افزایشی محسوب می‌شود.