کد مقاله : 1744-RIERCO

¹شرکت

²دانشگاه صنعتی اصفهان

با گسترش فناوری‌های دیجیتال و افزایش رقابت در صنعت تایرسازی، نیاز به سامانه‌های هوشمند برای پایش کیفیت و پیش‌بینی دوام تایر بیش از پیش احساس می‌شود.
در این پژوهش، یک مدل مبتنی بر یادگیری عمیق برای تشخیص خودکار عیوب تایر توسعه داده شد تا به عنوان گامی عملی در مسیر کارخانه هوشمند تایر مورد استفاده قرار گیرد. داده‌ها شامل مجموعه‌ای از تصاویر واقعی تایرهای سالم و دارای عیب بودند که تحت شرایط نوری معمول در محیط تهیه شدند. مدل انتخابی بر پایه شبکه عصبی کانولوشنی ResNet18 بوده که با استفاده از وزن‌های اولیه ImageNet بازآموزی و برای طبقه‌بندی دودویی (سالم/دارای عیب) تنظیم شد. داده‌ها با نسبت ۸۰٪ آموزش و ۲۰٪ اعتبارسنجی تقسیم شدند و طی 20 ایپاک با الگوریتم Adam آموزش دیدند.
نتایج نشان داد مدل پیشنهادی توانست با دقت بیش از 97٪ و امتیاز F1 حدود 96٪ عیوب تایر را شناسایی نماید. این دستاورد نشان می‌دهد که هوش مصنوعی می‌تواند با اتوماسیون فرآیند بازرسی بصری، دقت کنترل کیفیت و سرعت تشخیص عیوب را افزایش داده و گامی مؤثر در جهت تحقق تولید هوشمند و تحلیل پیش‌بینانه عمر تایر باشد. به‌کارگیری چنین سامانه‌ای در خطوط تولید، موجب کاهش خطای انسانی و هزینه‌های بازرسی می‌شود.

عیوب تایر؛ هوش مصنوعی؛ پردازش تصویر؛ شبیه سازی؛ حل مسئله

فناوری ماشین‌آلات و قطعات تولیدی