آمار

تعداد نشریات39
تعداد شماره‌ها1,171
تعداد مقالات8,438
تعداد مشاهده مقاله6,323,249
تعداد دریافت فایل اصل مقاله3,567,120
سیاح بادخور, مصطفی, نداف اسکوئی, علیرضا, نصیری لاکه, مسعود. (1399). تشخیص پین معیوب به کمک پردازش تصویر در خط تولید. پدافند الکترونیکی و سایبری, 16(2), 87-96.
مصطفی سیاح بادخور; علیرضا نداف اسکوئی; مسعود نصیری لاکه. "تشخیص پین معیوب به کمک پردازش تصویر در خط تولید". پدافند الکترونیکی و سایبری, 16, 2, 1399, 87-96.
سیاح بادخور, مصطفی, نداف اسکوئی, علیرضا, نصیری لاکه, مسعود. (1399). 'تشخیص پین معیوب به کمک پردازش تصویر در خط تولید', پدافند الکترونیکی و سایبری, 16(2), pp. 87-96.
سیاح بادخور, مصطفی, نداف اسکوئی, علیرضا, نصیری لاکه, مسعود. تشخیص پین معیوب به کمک پردازش تصویر در خط تولید. پدافند الکترونیکی و سایبری, 1399; 16(2): 87-96.

تشخیص پین معیوب به کمک پردازش تصویر در خط تولید

مکانیک هوافضا
مقاله 8، دوره 16، شماره 2 - شماره پیاپی 60، تیر 1399، صفحه 87-96    اصل مقاله (652.75 K)
نوع مقاله: گرایش ساخت و تولید
نویسندگان
مصطفی سیاح بادخور1؛ علیرضا نداف اسکوئی* 2؛ مسعود نصیری لاکه3
1گروه مهندسی مکانیک، دانشگاه جامع امام حسین (ع)
2دانشگاه جامع امام حسین (ع)
3گروه مهنسی مکانیک، دانشگاه ایوان کی
تاریخ دریافت: 17 اسفند 1397،  تاریخ بازنگری: 08 بهمن 1398،  تاریخ پذیرش: 17 آذر 1398 
چکیده
تشخیص قطعات معیوب از سالم، یکی از فرایندهایی است که توسط نیروی انسانی در خطوط تولید و یا پیش از تولید انجام می‌شود. در این مقاله طرحی به منظور تسریع در کنترل ابعادی قطعات به شکل پین، قبل از مصرف در خط تولید ارائه شده است. بدین منظور، ابعاد پین مورد نظر در آزمایشگاه به کمک کامپیوتر و با استفاده از دستگاه اندازه‌گیری مختصات در حالت تماسی، مشخص شده است. سپس ابعاد این پین‌ها در نرم‌افزار متلب جهت مقایسه با ابعادی که از پین‌های ورودی به خط تولید از طریق دوربین ثبت می‌شوند، استفاده می‌گردد. در مرحله‌ی بعد اندازه های تلرانسی مورد نظر به برنامه داده می‌شود و پین‌هایی که در محدوده ابعاد تعریف شده نمی‌باشند، مشخص می‌گردند. لازم بذکر است که اختلاف اندازه‌های حاصل از خروجی نرم‌افزار و اندازه‌گیری توسط دستگاه اندازه‌گیری مختصات برابر 2/0 میلیمتر است که با افزایش رزولوشن دوربین، این اختلاف کمتر خواهد شد. با توجه به قرارگیری دوربین در بالای صفحه‌ کار، حالت قرارگیری پین‌ها از نظر زاویه و شکل محدودیتی ندارند. در این مقاله، مدت زمان، کنترل اندازه‌های قطر و طول پین نسبت به کنترل دستی توسط نیروی انسانی، به طور قابل ملاحظه‌ای کاهش یافته است. ضمناً امکان بررسی ابعاد چند قطعه به طور همزمان نیز فراهم شده است.
کلیدواژه‌ها
پردازش تصویر؛ دستگاه اندازه گیری مختصات؛ نتایج تجربی؛ کنترل قطعه کار؛ خط تولید
مراجع
  1. Sharifzadeh, M., Alirezaee, S., Amirfattahi, R. and Sadri, S. “Detection of Steel Defect Using the Image Processing Algorithms”; Int. Multitopic Conf. Karachi, Pakistan, November 1, 2008.##
  2. Golestan, A. “Easy editing and image processing”; Arad Book, Kahkeshane Danesh, pp. 56, 2008. (In Persian).##
  3. Pearosn, T. “Hardware-based image processing for high-speed inspection of grains”, Comput. Electron. Agric. Vol. 69, No. 1, pp. 12-18, 2009.##
  4. Audem, K., Orhan, U., Hekim, M. “Image processing based quality control of the impermeable seams in multilayered aseptic packages”, Expert Syst. Appl. Vol. 42, No. 7, pp. 3785-3789, 2015.##
  5. Gheorghia, C. “Industrial Image Processing Using Fuzzy-Logic”, Procedia Eng. Vol. 100, No. 1, pp. 492–498, 2015.##
  6. Zhang, X., Ding, Y., Shi, A., Liang, R. “A vision inspection system for the surface defects of strongly reflected metal based on multi-class SVM”, Expert Syst. Appl. Vol. 38, No. 5, pp. 5930–5939, 2011.##
  7. Cord, A., Bach, F., Jeulin, D. “Texture classification by statistical learning from morphologicalimage processing. pplication to metallic surfaces”, J. Microsc. Vol. 239,  No. 1, pp. 159–166, 2010.##
  8. Zheng, H., Kong, L., Nahavandi, S. “Automatic inspection of metallic surface defects using genetic algorithms”, J. Mater. Process. Technol. Vol. 125, No.1, pp. 427-433, 2002.##
  9. Pernkopf, F., Oleary, P. “Visual Inspection of Machined MetallicHigh- Precision Surfaces”, EURASIP J. Adv. Signal Process. Vol. 18, No. 79, pp. 667–678, 2002.##
  10. Smith, M., Stamp, R. “Automated inspection of textured ceramic tiles”, Comput. Ind. Vol. 43, No.1, pp. 73–82, 2000.##
  11. Ghezavati, J., Abasgholipour, M., Lotfi, A. “Detecting metallic surface defects on harvest machins using machin vision”; eighth national eng. Cong. harvest mach. 2013. (In Persian)##
  12. Khodaei, S., Allahverdizadeh, A., Dadashzadeh, B. “Design and fabrication of an autonomous mobile robot equipped with color lasers and its trajectory control based on machine vision”, J Modares Mech Eng, Vol. 17, No. 6, pp. 213-220, 2017. (In Persian).##
  13. Taheri, A., Omid, M., Ahmadi, H., Mohtasebi, S. “Giovanni. Maria Carlomagno, Intelligent fault diagnosis of cooling radiator based on thermal image processing and artificial intelligence techniques”, J Modares Mech Eng, Vol. 17, No. 2, pp. 240-250, 2017. (In Persian).##
  14. Gonzalez, R., Woods, C. “Digital Image Processing”; Prentice-Hall Inc, No. 2, pp. 120-160, 2002.##
  15. Sadeghi, M., Shafiee, M., Memarzadeh, Zavareh, Z., Memarzadeh Zavareh, F. “Using Image Processing in Grading Tile With Gabor Wavelet”; Int. Conf. Comp. Sci. Net. Tech. (ICCSNT), Changchun, China, 2012.##
  16. Danesh, M., Danesh, S., Khalili, Kh. “Multi-Sensory Data Fusion System for Tool Condition Monitoring Using Optimized Artificial Fuzzy Inference System”, Sci. J. Manag. Sys. Vol. 15, No 2, pp. 103-118, 2019.##
آمار
تعداد مشاهده مقاله: 417
تعداد دریافت فایل اصل مقاله: 192