توسعه یک سیستم نیمه هوشمند برای اندازهگیری خودکار پروفیل دوبعدی قطعات مبتنی بر بینایی ماشین و الگوریتم تشخیص لبه | ||
| مهندسی مکانیک مدرس | ||
| Volume 25, Issue 10, July 1404, Pages 635-651 PDF (1.71 M) | ||
| Document Type: مقاله پژوهشی | ||
| DOI: 10.48311/mme.2025.96913.0 | ||
| Authors | ||
| آرین حسینی; سعید خدایگان* ; حسین سروش | ||
| دانشگاه صنعتی شریف، تهران | ||
| Abstract | ||
| مسئله اندازهگیری ابعادی خودکار قطعات به دلیل نیاز به دستگاههای دقیق و پرهزینه، چالشی مهم در صنعت محسوب میشود. همچنین تخصص بالای اپراتور برای کار با این دستگاهها ضروری است. در این پژوهش، یک روش خودکار نیمههوشمند مبتنی بر بینایی ماشین با هدف کاهش زمان اندازهگیری و خطای انسانی برای اندازهگیری پروفیل قطعات توسعه یافته است. بدین منظور، دستگاه اندازهگیری تصویری دستی به یک دستگاه خودکار تبدیل شده است. الگوریتم ارائه شده شامل دو مرحله است. در ابتدا به کمک دوربین جانبی، قطعات روی میز بدون دخالت دست شناسایی و موقعیتیابی شدهاند. سپس، مسیر حرکتی و تصویربرداری جزئی ایجاد شده تا اندازهگیری تصویری قطعات انجام شده و ابرنقاط دوبعدی به دست آید. دادههای به دستآمده از این مرحله برای انجام تحلیلهای ابعادی استفاده شده است. علاوه بر این، به منظور بهبود کاربرپسندی و رفع محدودیتهای نرمافزار اصلی دستگاه، یک رابط گرافیکی مبتنی بر ویندوز نیز توسعه یافته است. در پایان، برای صحتسنجی روش ارائه شده، اندازهگیری پروفیل دو بعدی گیجهای استاندارد طولی، زاویهای و رزوه، و همچنین یک نمونه چرخزنجیر استاندارد ANSI 40A26 در شرایط کاری واقعی انجام شد. سیستم توسعهیافته دقت اندازهگیری متوسط در محدوده ۱۰ میکرومتر را بهدست آورد و میانگین اختلاف ۱۵ میکرومتر نسبت به اندازهگیری CMM داشت. با این حال، سیستم فعلی محدود به اندازهگیری پروفیلهای دوبعدی قطعات است. نتایج حاصل دقت روش ارائه شده را تأیید نمود و کارایی آن را بهعنوان یک راهکار مقرونبهصرفه برای بازرسی ابعادی خودکار نشان میدهد | ||
| Keywords | ||
| اندازهگیری خودکار; بینایی ماشین; اندازهگیری تصویری; پروفیل دو بعدی | ||
| References | ||
|
| ||
|
Statistics Article View: 774 PDF Download: 914 |
||
| Number of Journals | 45 |
| Number of Issues | 2,171 |
| Number of Articles | 24,674 |
| Article View | 24,436,254 |
| PDF Download | 17,551,354 |