Neurális háló alapú hibakereső algoritmus tervezése agilis gyártáshoz
Neural Network Based Error Detection Algorithm in Agile Manufacturing
Keywords:
neural network, computer vision, agile manufacturing, synthetic data generation, error detection, /, agilis gyártás, neurális háló, minőségellenőrzés, CAD-modellek, hibák szimulációja, szintetikus adat létrehozásAbstract
Modern consumer demands require a broader and more diverse range of products, leading to the growing adoption of agile manufacturing technologies. However, the production of unique items introduces significant challenges, as traditional quality control methods are often ineffective at detecting one-off defects. This research seeks to develop an economical solution by leveraging CAD models to generate reference images of defective components. These images will be used to train a neural network for detecting faults, which can then be implemented in real-time quality control using an integrated camera system within the manufacturing environment. The study focuses on simulating production errors in a virtual environment, to create an automated system capable of recognizing individual defects. This approach minimizes human intervention and remains adaptable to various components, provided their CAD models and known defect characteristics are available.
Kivonat
A fogyasztói igények egyre változatosabb termékskálát igényelnek, melynek következtében a modern gyártási rendszerekben egyre inkább elterjedtek az agilis gyártási technológiák. Az egyedi termékek gyártása azonban komoly kihívásokat jelent, mivel a hagyományos minőségellenőrzési módszerek gyakran nem elég hatékonyak az egyedi hibák felismerésében. A dolgozat célja egy költséghatékony megoldás kidolgozása, amely CAD-modellek felhasználásával hoz létre referencia képeket hibás alkatrészekről. Ezek a képek később egy neurális háló betanítására szolgálnak, amelyet a gyártási folyamatban valós idejű minőségellenőrzésre lehet alkalmazni integrált kamerarendszer segítségével.
A kutatás a gyártási hibák virtuális környezetben történő szimulálására összpontosít. A munkánk eredményeként egy automatizált rendszert alakítunk ki a jellemzően előforduló hibák vizsgálatához. Eljárásunk minimalizálja az emberi beavatkozást, és alkalmas különböző alkatrészek minőségellenőrzésére, feltéve, hogy rendelkezésre állnak a CAD-modellek és a hozzájuk kapcsolódó jellegzetes hibák.
References
Yang Jing és tsai. „Using Deep Learning to Detect Defects in Manufacturing: A Comprehensive Survey and Current Challenges”. Materials 13 (2020. dec.), 5755. old. doi: 10.3390/ma13245755.
Yann LeCun, Yoshua Bengio és Geoffrey Hinton. „Deep learning”. Nature 521.7553 (2015), 436–444. old. doi: 10.1038/nature14539. url: https://doi.org/10.1038/nature14539.
A Gunasekaran. „Agile manufacturing: A framework for research and development”. International Journal of Production Economics 62.1 (1999), 87–105. old. issn: 0925-5273. doi: https://doi.org/10.1016/S0925-
(98)00222-9. url: https://www.sciencedirect.com/science/article/pii/S0925527398002229.
Hugging Face. Synthetic Data: Save Money, Time, and Carbon with Open Source. Accessed: 2024-11-01.
url: https://huggingface.co/blog/synthetic-data-save-costs.
Alvaro Figueira és Bruno Vaz. „Survey on Synthetic Data Generation, Evaluation Methods and GANs”. Mathematics 10.15 (2022). issn: 2227-7390. doi: 10.3390/math10152733. url: https://www.mdpi.com/ 2227-7390/10/15/2733.
MRPeasy. Manufacturing Defects: Types, Causes, and Prevention Tips. Accessed: 2024-11-10. 2023. url: https://www.mrpeasy.com/blog/manufacturing-defects/.
Poly Haven. Poly Haven - Free HDRIs, Textures, and 3D Models. Accessed: 2024-11-07. url: https:
//polyhaven.com/hdris.
TensorFlow Team. Convolutional Neural Network (CNN) Tutorial. https://www.tensorflow.org/tutorials/ images/cnn. Accessed: 2024-11-07. 2024.
GeeksforGeeks. ML - Stochastic Gradient Descent (SGD). Accessed: 2024-11-10. 2023. url: https:
//www.geeksforgeeks.org/ml-stochastic-gradient-descent-sgd/.
