کد مقاله : 1397-RIERCO

کارخانه لاستیک بارز

صنعت تولید لاستیک با چالش‌ های متعددی از جمله ضایعات تولید (scrap)، نقص‌ های کیفی و هزینه‌ های بازگشتی مواجه است که هم بار اقتصادی و هم زیست ‌محیطی قابل ‌توجهی ایجاد می‌کند. هوش مصنوعی (AI) و یادگیری ماشینی امکانات نوینی برای تشخیص زودهنگام عیوب، پیش ‌بینی رخداد های منجر به ضایعات و بهینه ‌سازی فرایند های تولید فراهم کرده‌ اند. این مقاله مروری-کاربردی است که تأثیر روش ‌های بینایی ماشین، شبکه ‌های عمیق، مدل‌ های پیش ‌بینی مبتنی بر داده و تحلیل پیشگویانه را بر کاهش ضایعات در خطوط تولید لاستیک بررسی می ‌کند. در بخش تجربی، یک مطالعه عملی از کاربرد شبکه Xception با تکنیک ‌های Explainable AI برای شناسایی اجسام خارجی و عیوب در تصاویر رادیوگرافی تایر ارائه شده؛ در این مطالعه مدل با مجموعه ‌داده ‌ای شامل ۲۳۰۳ نمونه معیوب و 49198 نمونه سالم آموزش‌دیده و دقت، بازیابی و معیار F1 به ترتیب ۹۹.۱۹٪، ۹۸.۷۵٪ و ۹۹.۰۵٪ گزارش شده است. همچنین یک پیاده‌ سازی صنعتی از راهکار بینایی ‌ماشین (Shanghai DeepSight با ابزار OpenVINO) که دقت تشخیص را تا بیش از ۹۹.۹٪ ارتقاء داده و سرعتِ بازرسی را به کمتر از یک ثانیه رسانده و ضایعات و هزینه‌ های نیروی انسانی را کاهش داده، بررسی می ‌شود. مقاله مراحل پیاده‌ سازی، نیازهای داده ‌ای، چالش ‌های عملی و پیشنهادات مدیریتی و تکنیکی برای استقرار راهکارهای AI در کارخانجات لاستیک‌ سازی را بیان می‌کند و نشان میدهد ترکیب بینایی ماشین، حسگرهای خطی و مدل‌ های پیش ‌بینی می ‌تواند کاهش ملموسی در نرخ ضایعات به همراه داشته

هوش مصنوعی؛ یادگیری عمیق؛ بازرسی بصری؛ پیش‌ بینی ضایعات؛ تولید لاستیک؛ کیفیت؛ Explainable AI

فناوری‌های تولید