کد مقاله : 1183-RIERCO

کویرتایر

کنترل کیفیت در صنعت تایرسازی به‌طور سنتی بر بازرسی چشمی و آزمون‌های نمونه‌ای متکی بوده است که علاوه بر هزینه‌بر بودن، دقت پایینی نیز دارند. خطای انسانی، خستگی اپراتور و زمان‌بر بودن فرآیند از مهم‌ترین محدودیت‌های این روش‌ها به‌شمار می‌روند. در این پژوهش، یک سامانه‌ی کنترل کیفیت هوشمند مبتنی بر بینایی ماشین و شبکه‌های یادگیری عمیق برای شناسایی عیوب سطحی و ساختاری تایر طراحی و پیاده‌سازی شد. معماری سامانه شامل تصویربرداری چندنما با استفاده از چهار دوربین صنعتی پیرامون تایر، نورپردازی خطی برای کاهش بازتاب، پیش‌پردازش تطبیقی برای بهبود کیفیت تصاویر و به‌کارگیری مدل‌های یادگیری عمیق است. در این چارچوب، الگوریتم YOLOv8 برای آشکارسازی عیوب ماکروسکوپی، معماری U-Net برای بخش‌بندی عیوب ریز و EfficientNet برای درجه‌بندی شدت نقص‌ها استفاده شدند. داده‌های مورد استفاده شامل ۵۰٬۰۰۰ تصویر صنعتی از تایرهای سالم و معیوب بودند. نتایج نشان داد که سیستم پیشنهادی توانست به دقت ۹۸٪ (mAP@0.5)، mAP@0.95 برابر با ۹۲٫۶٪ و دقت بخش‌بندی IoU معادل ۹۰٫۴٪ دست یابد. علاوه بر این، میانگین تأخیر پردازش کمتر از ۶۵۰ میلی‌ثانیه ثبت شد که امکان استفاده عملی آن را در خطوط تولید فراهم می‌کند. استقرار آزمایشی این سیستم در یک خط پرس پخت تایر منجر به کاهش ۱۸٪ ضایعات، بهبود ۱۲٪ شاخص OEE و کاهش ۲۱٪ دوباره‌کاری شد. یافته‌های به‌دست‌آمده نشان می‌دهند که ادغام بینایی ماشین و یادگیری عمیق می‌تواند تحولی اساسی در ارتقای کیفیت و بهره‌وری در صنعت تایر ایجاد کند.

کنترل کیفیت؛ تایرسازی؛ بینایی ماشین؛ یادگیری عمیق؛ YOLO؛ U-Net؛ MLOps؛ Digital Twin

فناوری‌های تولید