نقش هوش مصنوعی در ارتقای دقت بازرسی‌های بصری: رویکردی مبتنی بر شبکه‌های عصبی

نقش هوش مصنوعی در ارتقای دقت بازرسی‌های بصری: رویکردی مبتنی بر شبکه‌های عصبی

زهرا فروتن فر1

1) کارشناس ارشد شیمی دانشگاه ازاد شهرضا

کد IOI مقاله : ABEB-ACZGEF
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    بازرسی بصری قطعات پلیمری یکی از فرآیندهای حیاتی در تضمین کیفیت است، با این حال، این فرآیند همچنان به شدت در برابر خطای انسانی و شرایط محیطی ناپایدار آسیب‌پذیر است. این پژوهش یک چارچوب بازرسی خودکار پیشرفته مبتنی بر معماری‌های یادگیری عمیق را جهت ارتقای دقت تشخیص و کارایی عملیاتی پیشنهاد می‌دهد. یک مدل شبکه عصبی کانولوشنال (CNN) تخصصی توسعه یافته و تحت شرایط متغیر نوری و سطوح مختلف نویز به دقت مورد آزمایش قرار گرفت. نتایج تجربی نشان می‌دهد که سیستم پیشنهادی به دقت ۹۸.۲% و معیار F1-Score معادل ۹۸.۱% دست یافته است که به طور قابل توجهی از بازرسی انسانی و روش‌های سنتی بینایی ماشین برتر است. از منظر مدیریتی، پیاده‌سازی این رویکرد مبتنی بر هوش مصنوعی منجر به کاهش ۸۲.۲ درصدی در نرخ ضایعات و کاهش ۷۰.۸ درصدی در هزینه‌های کل بازرسی گردید، در حالی که ظرفیت خروجی تولید را بیش از ۶ برابر افزایش داد. این یافته‌ها نشان می‌دهند که ادغام یادگیری عمیق در فرآیندهای تولید پلیمر، گامی حیاتی به سوی دستیابی به تولید بدون خطا (ZDM) و افزایش رقابت‌پذیری جهانی در چارچوب صنعت ۴.۰ است.

کلمات کلیدی : یادگیری عمیق بازرسی بصری تشخیص عیوب پلیمر صنعت ۴ ۰ تولید بدون خطا مدیریت کیفیت