تشخیص و اندازه‌گیری تاب خوردگی در فرایند ساخت افزایشی fdm با استفاده از هوش مصنوعی و بینایی ماشین

فرایند ساخت افزایشی با روش مدل‌سازی رسوب ذوب‌شونده (fdm) در ساخت قطعات با چالش‌هایی از جمله بروز عیوب ساختاری مواجه است. شناسایی به ‌موقع این عیوب می‌تواند از هدر رفت مواد و زمان جلوگیری کرده و در برخی موارد امکان اصلاح فرایند تولید را فراهم کند. در این پژوهش، یک رویکرد نوآورانه برای تشخیص و اندازه‌گیری تاب‌خوردگی قطعات با استفاده از هوش مصنوعی و بینایی ماشین ارائه شده است. این روش قابلیت تشخیص عارضه تاب را با استفاده از هر نوع دوربین (دوربین گوشی هوشمند، لپ‌تاپ و غیره) در شرایط طبیعی و غیرمهندسی به ‌صورت برخط دارا است و همچنین قابلیت تعمیم برای تشخیص سایر عیوب بصری را نیز دارد. درگام نخست، از شبکه‌های یادگیری عمیق نظیر vgg و xception برای شناسایی عیب استفاده و در مراحل بعد، از الگوریتم‌های کلاسیک مانند canny و hsv برای اندازه‌گیری میزان تاب بهره گرفته شد. با تحلیل نتایج، فرایند به سمت بهره‌گیری بیشتر از روش‌های هوشمند هدایت شد، به‌ گونه‌ای که تشخیص عیوب و ایجاد ماسک قطعات به‌ طور کامل توسط هوش مصنوعی انجام گرفت. در نهایت، با استفاده از کتابخانهopencv و الگوریتم yolov8، دقت تشخیص 99 درصد در آستانه 0.5 و میانگین دقت 0.78 در بازه آستانه 0.5 تا 0.95 به ‌دست آمد. به ‌منظور افزایش کاربردپذیری این فرایند، یک برنامه تحت وب با استفاده از زبان html و کتابخانه streamlit توسعه داده شد که امکان بهره‌ ‌برداری آسان‌تر از سیستم را فراهم می‌کند. این پژوهش گامی‌موثر در توسعه فناوری‌های هوشمند برای بهبود کیفیت ساخت افزایشی محسوب می‌شود.

detection and measurement of warping in fdm additive manufacturing process using artificial intelligence and machine vision

the fused deposition modeling (fdm) additive manufacturing process faces challenges such as structural defects during part fabrication. timely detection of these defects can prevent material and time waste and, in some cases, enable process correction. this study presents an innovative approach for detecting and measuring warping defects in parts using artificial intelligence and machine vision. the proposed method allows defect detection with any type of camera (e.g., smartphone, laptop camera) under natural, non-engineered conditions in real-time. furthermore, this approach is extendable to the detection of other visual defects.initially, deep learning classification networks, such as vgg and xception, were employed for defect detection. traditional algorithms like canny and hsv were subsequently used to measure the degree of warping. based on the results, the process evolved toward greater reliance on intelligent methods, enabling defect detection and mask generation entirely through artificial intelligence. ultimately, leveraging the opencv library and the yolov8 algorithm, the proposed system achieved a detection accuracy of 99% at a 0.5 threshold and an average accuracy of 0.78 in the 0.95–0.5 threshold range.to enhance the process’s usability, a web-based application was developed using html and the streamlit library, facilitating easier access to the system. this research represents a significant step toward integrating intelligent technologies for improving the quality of additive manufacturing processes.