کنترل کیفیت با پردازش تصویر

بررسی خودکار عیب و نقص های موجود در سطوح فلزی به عنوان بخشی از کنترل کیفیت محصولات صنعتی در سال های اخیر توجه زیادی را به خود جلب کرده است. کشف خطاهای موجود در سطوح محصولات امری چالش برانگیز در محیط های صنعتی است. در گذشته بیشتر از روش های پردازش تصویر و یادگیری ماشین برای این کار استفاده می شد. مشکلی که این روش ها داشتند، شرایط تشخیص عیب بود. به این صورت که نقص موجود در سطوح تنها در صورت وجود نور کافی، کنتراست بالا و مقیاس مشخص قابل تشخیص بود. ولی با استفاده از روش های یادگیری عمیق و بدون وجود شرایط بالا می توان تشخیص عیب را با دقت بالایی انجام داد.

عیوب سطحی اثرات زیان باری بر روی کیفیت و عملکرد محصولات صنعتی دارند. تولید کنندگان تلاش زیای را برای یافتن عیب های سطحی و کنترل کیفیت محصولات انجام می دهند.

در سال های اخیر روش های مبتنی بر بینایی ماشین به منظور یافتن نقص های سطحی رواج پیدا کرده اند. استفاده از این روش ها دیگر مشکلات روش های دستی مانند دقت و سرعت پایین و فشار کاری بالا را نخواهد داشت. سیستم های مبتنی بر بینایی ماشین کاربردهای بسیاری از جمله در بررسی نوارهای فولادی، صفحه نمایش کریستال مایع، پارچه، بررسی خطوط راه آهن و موا غذایی دارند.

از آنجایی که فلزات در بسیاری از صنایع کاربرد دارند، بررسی کیفیت سطوح آن ها در سال های اخیر توجه زیادی را به خود جلب کرده است. بررسی سطوح فلزی نسبت به سطوح صاف مانند به علت وجود روشنایی غیر یکنواخت، انعکاس قوی تر و نویز روی سطوح شیشه دارای با چالش های بیشتری است. در تصویر زیر سطح فلزی که در صنعت خودرو استفاده می شود نشان داده شده است. در این شکل کار قرمز نقاط آسیب دیده،کار سبز وجود چسب روی سطح، نقطه ی نارنجی گرد و خاک و کادر آبی رنگ وجود خراش روی سطح را نشان می دهند.

در شکل ۱b1، نقاط دارای چسب دیده می شوند اما دارای لبه های نامشخص و کنتراست پایین هستند که به علت انعکاس شدید این طور دیده می شوند. در تصویر ۱b2 تصویری از وجود یک نقص را مشاهده می کنید که پس زمینه ی آن رنگی متفاوت از بقیه دارد و همین چالش دیگری محسوب می شود. از آن جایی آلاینده های غیر صنعتی مانند گرد و غبار در محیط کار وجود دارند که روی سطوح می نشیند ۱(b3,4)]. روش های عیب یابی پیشرفته هم باید توانایی تشخیص تشخیص عیبها را داشته باشد و هم باید بتواند نوع و اندازه ی آن ها را تعیین کند.

در سال های اخیر روش هایی که از شبکه های عصبی استفاده کرده اند، نتایج بسیار خوبی را در حوزه ی کاربردهای بینایی ماشین از قبیل تشخیص چهره، ردیابی هدف، تشخیص خطا و کاربردهای دیگر بدست آورده اند. در روشی که در ادامه شرح آن خواهد آمد از شبکه ی عصبی برای تشخیص عیب ها و خطاهای موجود در سطوح فلزی استفاده می شود.

تشخیص عیوب سطح فلزی با شبکه های عصبی

برای تشخیص عیوب در سطوح فلزی با استفاده از شبکه های عصبی ابتدا عیب شناسایی شده و سپس در یکی از گروه های مربوطه دسته بندی می شود.

همان طور که در تصویر مشاهده می کنید ابتدا جاهایی که نقصی دارند شناسایی می شوند. قسمت های دارای نقص از تصویر بریده شده و در نهایت این قسمت ها دسته بندی می شوند تا نوع هر نقص مشخص شود که مثلا مرتبط با وجود چسب یا گرد و غبار و یا موارد دیگر است.