30668

طبقه‌بندي نقص‌هاي جوش آلومينيوم به صورت بلادرنگ با استفاده از تصاوير دوربين محدوده‌ي ديناميكي بالا مبتني بر شبكه‌ي عصبي

كارشناسي ارشد

مهندسي برق - سيستم‌هاي الكترونيك ديجيتال

1399

1402/11/23

علي صدر

مهندسي برق

طي سال‌هاي اخير روش‌هاي متعددي براي پايش بلادرنگ سلامت جوش در سامانه‌هاي جوشكاري خودكار پيشنهاد شده است. تشخيص و طبقه‌بندي نقص‌ها با استفاده از شبكه‌هاي عصبي يكي از موارد پراستفاده در پژوهش‌هاي اخير است. در اين پژوهش به منظور بهبود دقتِ عملكرد شبكه‌ها‌ي عصبي در شناسايي و طبقه‌بندي نقص‌ها، از شبكه‌ي از قبل آموزش داده شده‌ي ResNet18 كه بر روي مجموعه داده‌‌ي ImageNet آموزش ديده است، استفاده شده است. استفاده از اين شبكه بر روي تصاوير جوشكاري آلومينيوم 5083 با روش جوشكاري TIG و به صورت بلادرنگ، دقت 6/83 درصدي را به ارمغان آورده است. اين درحالي است كه قبل از انجام اين پژوهش بهترين نتيجه براي طبقه‌بندي 6 كلاسي بر روي اين مجموعه داده، با استفاده از معماري‌هاي مختلفي از شبكه‌هاي تماما متصل و شبكه‌ي عصبي كانولوشني برابر 75/71 درصد بود. براي سبك‌سازي و كاهش محاسبات شبكه‌ي كانولوشنيِ عميق ResNet18، از داده‌هاي صحيح 8 بيتي به جاي داده هاي مميز شناور 32 بيتي استفاده شده است. شبكه با استفاده از اين رويكرد مورد بررسي قرار گرفت و با توجه به كاهش چشم‌گير تعداد پارامترها به دقت 4/74 درصد رسيد. با استفاده از اين روش علاوه بر كاهش مدت زمان آموزش، شبكه مي‌تواند بر روي پردازنده‌هايي كه قابليت انجام محسابات داده‌هاي مميز شناور 32 بيتي را ندارند پياده‌سازي شود. شبكه‌هاي عميق ResNet براي طبقه‌بندي تصاوير رنگي طراحي شده‌اند. در اين پژوهش به دليل مقياس خاكستري مجموعه داده، به جاي سه كانال (RGB) براي تصاوير ورودي از يك كانال در شبكه‌ي ResNet18 استفاده شده است. همچنين براي سبك‌سازي بيشتر شبكه، تعداد فيلترهاي هر لايه كاهش يافته و لايه‌ي آخر شبكه‌ حذف شده است. شبكه‌يِ جديد پس از آموزش و آزمايش بر روي مجموعه داده‌ي آلومينيوم 5083 با حفظ دقت 7/78 درصد، توانست تعداد پارامترهاي مدل را 33/14 برابر نسبت به اولين مدل پيشنهادي در اين پژوهش كاهش دهد.

1403/01/22

Classification of Aluminum Welding Defects in Real-Time Using High Dynamic Range Camera Images Based on Neural Network

1/1/1900 12:00:00 AM

In recent years, various methods have been proposed for comprehensive monitoring of the health of weld seams in automatic welding systems. The detection and classification of defects using neural networks have been widely utilized in recent research. In this study, in order to improve the accuracy of the neural networks in detecting and classifying defects, a pre-trained ResNet18 network, trained on the ImageNet dataset, was used. The application of this network to images of TIG-welded aluminum 5083 seams, performed seamlessly, yielded an accuracy of 83.50%. This is noteworthy considering that the best result for 6-class classification on this dataset prior to this research was 71%. For the purpose of reducing the computational load of the proposed deep convolutional network, 8-bit fixed-point data was used instead of 32-bit floating-point data. The network was examined using this approach, and due to a significant reduction in the number of parameters, it achieved an accuracy of 74.4%. With this method, the network can be implemented on processors that do not have the capability to perform computations on 32-bit floating-point data. ResNet deep networks are designed for classifying color images. In this study, due to the grayscale nature of the dataset, a single channel was used in the ResNet18 network instead of the typical three channels (RGB) for input images. Additionally, to further stylize the network, the number of filters in each layer was reduced, and the final layer of the network was removed. After training and testing on the aluminum 5083 dataset, the new network maintained an accuracy of 78.7%, successfully reducing the number of model parameters by 14.33 times compared to the initial proposed model in this research.

ResNet , شبكه‌‌هاي عصبي از قبل آموزش داده شده , آزمون غيرمخرب , بينايي ماشين , شبكه‌ها‌ي كانولوشني عميق , آلومينيوم 5083 , جوشكاري

TIG Welding , Convolutional Neural Networks , non-destructive testing , NDT , CNN , Aluminium 5083 , Pretrained Neural Networks

Shirin Askari

Dr. Ali Sadr