28050

بررسي و تشخيص عيب در چاپگرهاي سه بعدي با استفاده از بينايي كامپيوتر

كارشناسي ارشد

مهندسي مكانيك- ساخت و توليد -مكاترونيك

1398

1401/12/10

دكتر مجيد رجبي

دكتر محمد شهبازي اغبلاغ

مهندسي مكانيك

چاپ سه بعدي يك فرآيند نمونه سازي سريع است، كه در آن يك طرح، به شي واقعي مبدل مي گردد. تقريبا 25 روش براي چاپ سه بعدي قطعات به بازار معرفي شده است، كه 10 مورد از آن ها به صورت تجاري در صنعت نمونه سازي مورد استفاده قرار مي گيرد. يكي از پركاربرد ترين اين روش ها، چاپ (FDM) يا به معادل فارسي روش مدل سازي رسوب ذوب شده است .به طور تجربي حدود40 نوع ايراد بصري و ساختاري در قطعات توليد شده به اين روش چاپ شناسايي شده است. در اين پايان نامه، تشخيص يكي از عيوب مشهود در قطعات چاپ شده به اين روش به صورت كانديد از بين ساير ايرادات با استفاده از آموزش دو نوع شبكه عصبي كانولوشني (CNN) و ( Faster R-CNN Resnet50) مبتني بر يادگيري عميق نظارت شده، بر روي مجموعه ديتاست تهيه شده از تصاوير ايراد تراوش (Oozing) يا رشته اي شدن (Stringing)، با استفاده از اصول كلاس بندي و تشخيص شي در دو روش كدنويسي مجزا صورت مي پذيرد. كه در نتايج، مقادير 94 و 69 درصد دقت در شبكه اول به ترتيب در داده هاي آموزش و تست و دقت 83 درصد در شبكه دوم در داده هاي تست با مقدار حساسيت 90 درصد حاصل گرديد. اين تحقيقات به منظور ايجاد يك سيستم شناسايي هوشمند عيوب و راه حلي قابل اجرا به جهت تفكيك قطعه معيوب از قطعه سالم در فرآيند چاپ در نظر گرفته شده است، تا با جايگزيني آن با روش كنترل كيفيت چشمي و اعلان خودكار خرابي به كاربر با دقتي بالاتر و زمان سريع تر به منظور تصحيح عيب و كاهش هدر رفت منابع مالي و زماني به كارگرفته شود.

1401/12/27

Checking and Diagnosing Defects in 3D Printers Using Computer Vision

2/29/2024 12:00:00 AM

3D printing is a rapid prototyping process, where a design becomes a real object. Almost 25 methods for 3D printing of parts have been introduced to the market, 10 of which are used commercially in the prototyping industry. One of the most widely used methods is printing (FDM) or fused deposition modeling method. Experimentally, about 40 types of visual and structural defects have been identified in the parts produced by this printing method. In this thesis, the detection of one of the obvious defects in the parts printed in this way as a candidate from among other defects using the training of two types of Convolutional Neural Network (CNN) and (Faster R-CNN Resnet50) based on deep learning supervised done, on the set of dataset prepared from Oozing or Stringing images, using the principles of object classification and recognition in two separate coding methods. In the results, 94% and 69% accuracy values were obtained in the first network in the training and test data, respectively, and 83% accuracy in the second network in the test data with a sensitivity-Recall value of 90%. This research is intended to create an intelligent defect detection system and an applicable solution to separate the defective part from the healthy part in the printing process, to replace it with the visual quality control method and automatically notify the user of the failure with higher accuracy. And the time should be used faster in order to correct the defect and reduce the wastage of financial and time resources.

چاپ سه بعدي , ساخت افزايشي , تشخيص اشيا , رشته اي شدن , هوش مصنوعي , بينايي كامپيوتر , شبكه عصبي كانولوشني

Convolutional Neural Network , 3D printing , Additive manufacturing , Stringing , Object Detection , Artificial Intelligence , Computer Vision

milad nasiri parman

majid rajabi