شناسایی عیوب ظاهری جوش با استفاده از بینایی ماشین براساس یادگیری عمیق

مهندسی عمران فردوسی

مقاله 5، دوره 35، شماره 4 - شماره پیاپی 40، بهمن 1401، صفحه 73-86   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2022.75044.1118

نویسندگان

موسی محمودی صاحبی^{* 1}؛ سروش قادری²؛ فائزه محمودی صاحبی³

¹دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی

²دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی.

³دانشگاه آزاد تهران غرب

چکیده

یکی از کنترلهای کیفیت جوش، کنترل عیوب ظاهری جوش مانند ترک سطحی، جرقه و پاشش، سر رفتن جوش بر روی فلز و ذوب ناقص است. در حال حاضر بر اساس ضوابط آیین‌نامه‌ها، کیفیت ظاهری جوش توسط یک بازرس به صورت چشمی (تست چشمی) کنترل می‌شود. میزان دقت کار در این روش به میزان مهارت شخص بازرس بستگی دارد. عدم استفاده از تجهیزات و فناوری باعث می‌شود تا خطای شناسایی عیوب ظاهری بالا باشد. در این تحقیق، روشی پیشنهاد می‌گردد تا به کمک تصاویر حاصل از جوش و استفاده از بینایی ماشین بر اساس یادگیری عمیق بتوان با دقت و سرعت مناسب عیوب ظاهری جوش را شناسایی کرد. در یادگیری عمیق از شبکه کونولوشنال برای استخراج ویژگی از تصویر استفاده می‌شود. برای اطمینان از دقت روش پیشنهادی، تصاویر جدیدی از جوش معیوب که قبلاً وضعیت آنها توسط بازرسان مجرب تعیین شده بود انتخاب گردید و وضعیت سلامت آنها به کمک ماشین مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد روش پیشنهادی می‌تواند با دقت قابل قبول (بالای 85 درصد)، عیوب ظاهری جوش را شناسایی کند. همچنین نتایج نشان می‌دهد، با استفاده از روش پیشنهادی، عیوب ظاهری جوش در مقایسه با روش سنتی با سرعت بیشتری مورد ارزیابی قرار می‌گیرد.

کلیدواژه‌ها

عیوب ظاهری جوش؛ شبکه عصبی کانولوشنال؛ پردازش تصویر؛ یادگیری عمیق؛ بینایی ماشین

مراجع

 [1] Iranian Office of the Deputy for Technical Affairs Bureau of Technical Affairs and Standards, Iranian structural welding code No. 228, Tehran, Center for scientific documents and publications, (2001), (In Persian).

[2] Iranian Office of National Regulations and Building Control, Guide to welding and welded joints in steel buildings, Tehran, Tosseh publisher, (2015), (In Persian).

[3] Fatemi S.M., Visual inspection of welding, Tehran, Keyfiat publisher, (2018), (In Persian).

[4]   Mahmoudi, A., & Regragui, F., "Welding defect detection by segmentation of radiographic images". 2009 WRI World Congress on Computer Science and Information Engineering, Vol. 7, pp. 111-115. IEEE. (2009, March).

[5] Sun, Y., Bai, P., Sun, H. Y., & Zhou, P., "Real-time automatic detection of weld defects in steel pipe", Ndt & E International, 38(7), 522-528, (2005).

[6] Y.J. Cha, W. Choi, G. Suh, S. Mahmoudkhani, O. Büyüköztürk, "Autonomous structural visual inspection using region‐based deep learning for detecting multiple damage types", Computer‐Aided Civil and Infrastructure Engineering, 33(9), pp. 731-747, (2018).

[7] A. Krizhevsky, I. Sutskever, G.E. Hinton, "Imagenet classification with deep convolutional neural networks", Advances in neural information processing systems, 25, pp. 1097-1105, (2012).

[8] Y. LeCun, Y. Bengio, "Convolutional networks for images, speech and time series", The handbook of brain theory and neural networks, 3361(10), 1995, (1995).

[9] Y.J. Cha, W. Choi, O. Büyüköztürk, "Deep learning‐based crack damage detection using convolutional neural networks", Computer‐Aided Civil and Infrastructure Engineering, 32(5), pp. 361-378, (2017).

[10] M. Mohtasham Khani, S. Vahidnia, L. Ghasemzadeh, Y.E. Ozturk, M. Yuvalaklioglu, S. Akin, N.K. Ure, "Deep-learning-based crack detection with applications for the structural health monitoring of gas turbines", Structural Health Monitoring, 19(5), pp. 1440-1452, (2020).

[11] C. Feng, H. Zhang, S. Wang, Y. Li, H. Wang, F. Yan, "Structural damage detection using deep convolutional neural network and transfer learning", KSCE Journal of Civil Engineering, 23(10), pp. 4493-4502, (2019).

[12] J. Long, E. Shelhamer, T. Darrell, "Fully convolutional networks for semantic segmentation", IEEE conference on computer vision and pattern recognition, pp. 3431-3440, (2015).

[13] X. Yang, H. Li, Y. Yu, X. Luo, T. Huang, X. Yang, "Automatic pixel‐level crack detection and measurement using fully convolutional network", Computer‐Aided Civil and Infrastructure Engineering, 33(12), 1090, (2018).

[14] L. Zhang, F. Yang, Y.D. Zhang, Y.J. Zhu, "Road crack detection using deep convolutional neural network", 2016 IEEE international conference on image processing (ICIP), IEEE, 2016, pp. 3708-3712.

[15] V. Hoskere, Y. Narazaki, T.A. Hoang, B. Spencer Jr, "MaDnet: multi-task semantic segmentation of multiple types of structural materials and damage in images of civil infrastructure", Journal of Civil Structural Health Monitoring, 10, 757-773, (2020).

[16] O. Ronneberger, P. Fischer, T. Brox, "Unet: Convolutional networks for biomedical image segmentation", International Conference on Medical image computing and computerassisted intervention, Springer, pp. 234, (2015).

[17] Z. Liu, Y. Cao, Y. Wang, W. Wang, "Computer vision-based concrete crack detection using U-net fully convolutional networks", Automation in Construction, 104, pp. 129-139, (2019).  

[18] L.C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, A.L. Yuille, "Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution and fully connected crfs", IEEE transactions on pattern analysis and machine intelligence, 40(4), pp. 834-848, (2017).

[19] L.-C. Chen, G. Papandreou, F. Schroff, H. Adam, "Rethinking atrous convolution for semantic image segmentation", arXiv preprint arXiv,1706.05587, (2017).

[20] L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff, H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation", the European conference on computer vision (ECCV), pp. 801-818, (2018).

[21] Zhang, Z., Wen, G., & Chen, S., "Weld image deep learning-based on-line defects detection using convolutional neural networks for Al alloy in robotic arc welding", Journal of Manufacturing Processes, 45, 208-216, (2019).

[22] Feng, S., Zhou, H., & Dong, H., "Using deep neural network with small dataset to predict material defects", Materials & Design, 162, 300-310, (2019).

[23] B. Zoph, V. Vasudevan, J. Shlens, Q.V. Le, "Learning transferable architectures for scalable image recognition", IEEE conference on computer vision and pattern recognition, pp. 8697-8710, (2018).

[24] Zhang, Y., You, D., Gao, X., Zhang, N., & Gao, P. P., "Welding defects detection based on deep learning with multiple optical sensors during disk laser welding of thick plates", Journal of Manufacturing Systems, 51, 87-94, (2019).

[25] Chollet, F., "Deep Learning with Python", United States: Manning Publications, (2018).

[26] Hou, W., Wei, Y., Guo, J., & Jin, Y., "Automatic detection of welding defects using deep neural network" Journal of Physics: Conference Series, Vol. 933, No. 1, p. 012006, IOP Publishing, (2017, December).

[27] Deng, L., "A tutorial survey of architectures, algorithms, and applications for deep learning", APSIPA Transactions on Signal and Information Processing, (2014).