استخراج خودکار فیچرهای ماشین‌کاری از تصویر دو بعدی قطعات مکانیکی با کمک هوش مصنوعی

استخراج اطلاعات مورد نیاز برای ماشین‌کاری، یکی از مراحل اصلی در طرح ریزی فرایند ماشین‌کاری قطعات به کمک کامپیوتر می‌باشد. استفاده از تکنیک‌های هوش مصنوعی برای شناسایی فیچرهای ماشین‌کاری از روش‌هایی است که بیش از دو دهه مورد توجه و تحقیق محققین در این حوزه بوده است. در کلیه روش‌های قبلی بکار گیری شده اعم از روش‌های سنتی و یا روش‌های مبتنی بر هوش مصنوعی، داده‌های ورودی به سامانه شناسایی فیچرهای ماشین‌کاری، اطلاعات خروجی یک سامانه طراحی به کمک کامپیوتر می‌باشد. شناسایی فیچرهای ماشین‌کاری از داده‌های فایل خروجی طراحی به کمک کامپیوتر با محدودیت‌هایی از قبیل تنوع فرمت و نوع چینش داده‌ها، حذف برخی داده‌ها از فایل طراحی بدلیل وجود تداخل‌های هندسی فیچرها، سرعت کم استخراج فیچرها بدلیل گستردگی اطلاعات موجود در فایل طراحی و همچنین محدودیت شناسایی انواع مختلف فیچرهای ماشین‌کاری توسط یک سامانه شناسایی فیچرها می‌باشد. در روش ارایه شده در این تحقیق با استفاده از تکنیک‌های هوش مصنوعی مبتنی بر یادگیری عمیق، فیچرهای‌ ماشین‌کاری مستقیما از تصویر دو بعدی یک قطعه استخراج و شناسایی می‌شود. تصویر قطعه‌ می‌تواند خروجی یک فایل طراحی به کمک کامپیوتر باشد و یا توسط هر ابزار دیگری تهیه شده باشد و یا توسط یک دوربین عکاسی معمولی از قطعه باشد. 

automatic machining features extraction from two-dimensional image of mechanical parts with the help of artificial intelligence

extracting the required information from the design file is one of the main steps in the computer aided process planning. in previous methods of extracting machining features, various methods such as graph-based method, volume analysis method, logic rules method and other methods have been used. in all the previous methods, whether traditional methods or methods based on artificial intelligence, the input data to the machine feature identification system is the output information of a computer-aided design system. converting the output information of a computer-aided design system to input data of a machining feature identification system is faced with limitations such as the variety of format and type of data arrangement, deleting some data from the design file due to geometric interference of features, slow extraction of features due to extensive information in the design file and the limitation of identifying different types of machining features by a unity feature identification system. in the present study, using artificial intelligence techniques based on deep learning, machining features are extracted directly from the two-dimensional image of a workpiece. the image may be prepared by a computer-aided design file, or it can be taken by a camera.