پذیرفته شده برای پوستر

کد مقاله : 1181-RIERCO

کویرتایر

کیفیت و ایمنی تایر نقش اساسی در عملکرد خودرو و حفظ جان سرنشینان دارد. در فرآیند تولید انبوه تایر، شناسایی سریع و دقیق عیوب ساختاری از اهمیت بالایی برخوردار است. روش‌های سنتی بازرسی که متکی بر نیروی انسانی و مشاهده چشمی تصاویر X-Ray هستند، به‌دلیل محدودیت دقت و سرعت پاسخ‌گویی با چالش‌های جدی مواجه‌اند. در این پژوهش یک چارچوب ترکیبی مبتنی بر پردازش تصویر و یادگیری ماشین برای تشخیص خودکار عیوب در تصاویر اشعه ایکس تایر ارائه شده است. در این روش، ابتدا ویژگی‌های بافتی محلی با استفاده از الگوریتم استخراج ویژگی‌های بافتی محلی از تصاویر (LBP) و ویژگی‌های آماری از طریق ماتریسی آماری برای بررسی توزیع هم‌زمان سطوح خاکستری و بافت تصویر (GLCM) استخراج می‌شوند. سپس با به‌کارگیری روش‌های انتخاب ویژگی نظیر PCA و RFE، ابعاد داده‌ها کاهش یافته و تنها شاخص‌های مؤثر حفظ می‌شوند. در ادامه، ویژگی‌های منتخب به الگوریتم‌های یادگیری ماشین شامل الگوریتم یادگیری نظارت‌شده برای طبقه‌بندی داده‌ها با یافتن مرز تصمیم‌گیری بهینه (SVM)، الگوریتم یادگیری ماشین مبتنی بر جنگل درخت تصمیم برای طبقه‌بندی و رگرسیون (RF) و الگوریتم ساده‌ای که داده جدید را بر اساس شباهت به نزدیک‌ترین نمونه‌های آموزشی (k-NN) داده شده‌اند. نتایج آزمایش‌ها بر روی مجموعه‌ای از تصاویر X-Ray تایر نشان داد که مدل SVM با کرنل RBF بهترین عملکرد را داشته و دقتی در حدود ۹۳٪ و نرخ یادآوری بیش از ۹۵٪ ارائه داده است. همچنین، ترکیب LBP و GLCM نسبت به استفاده جداگانه از هرکدام، بهبود قابل‌توجهی در معیارهای عملکرد ایجاد کرد.

پردازش تصویر؛ یادگیری ماشین؛ هوش مصنوعی در تولید Tire X-Ray Inspection؛ Defect Detection؛ (LBP)

فناوری ماشین‌آلات و قطعات تولیدی