پذیرفته شده برای پوستر ، صفحه 163-164 (2)

کد مقاله : 1183-RIERCO

کویرتایر

کنترل کیفیت در صنعت تایرسازی به‌طور سنتی بر بازرسی چشمی و آزمون‌های نمونه‌ای متکی بوده است که افزون‌بر هزینه‌بر بودن، دقت پایینی نیز دارند. خطای انسانی، خستگی اپراتور و زمان‌بر بودن فرایند از مهم‌ترین محدودیت‌های این روش‌ها به‌شمار می‌روند. در این پژوهش، یک سامانه کنترل کیفیت هوشمند مبتنی‌بر 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 مورداستفاده شامل ۵۰۰۰۰ تصویر صنعتی از تایرهای سالم و معیوب بودند. نتایج نشان داد که سیستم پیشنهادی توانست به‌دقت ٪۹۸ mAP@0.95 ،(mAP@0.5) برابر با 6/٪92 و دقت بخش‌بندی IoU معادل 4/٪90 دست یابد. افزون‌بر 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