تشخیص پین معیوب به کمک پردازش تصویر در خط تولید

نوع مقاله : گرایش ساخت و تولید

نویسندگان

1 گروه مهندسی مکانیک، دانشگاه جامع امام حسین (ع)

2 دانشگاه جامع امام حسین (ع)

3 گروه مهنسی مکانیک، دانشگاه ایوان کی

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

عنوان مقاله [English]

Detecting a defective pin through the image processing in the production line

نویسندگان [English]

  • Mostafa Sayahbadkhor 1
  • Alireza Naddaf Oskouei 2
  • Masood nasiri lakeh 3
1 Faculty of engineering
2 Imam Hossein Comprehensive University
3 mechanical engineering, Eyvanekey University
چکیده [English]

Defective pieces detection is one of the processes which is done by workers during production. In this article, a plan was offered for increasing the speed of dimensional controlling of the pin type pieces, before consuming in production line. For this purpose, pin dimensions were determined in the laboratory by computer and the coordinate measuring machine. Also, the dimensions of input pins were recorded by cameras, before using in production. These two groups of data were compared by Matlab software. In the next step, the desired tolerance dimensions were given to the software and the pins with mismatch dimensions were specified. It should be noted that the difference in the output from the software and the measurements by the coordinate measuring device was 0.2 mm. This difference could be decreased by increasing the resolution of the camera. Due to the position of the camera at the top of the work screen, the position of the pins is not limited in angle and shape. In this paper, the time period of control of pin dimensions has significantly decreased in comparison to manual control by manpower. It is also possible to examine the dimensions of several pieces simultaneously.

کلیدواژه‌ها [English]

  • Image Processing
  • Coordinate Measuring Machine
  • Experimental Data
  • Control of Workpiece
  • Production process

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.##

فایل ها

سابقه مقاله

  • تاریخ دریافت: 17 اسفند 1397
  • تاریخ بازنگری: 08 بهمن 1398
  • تاریخ پذیرش: 17 آذر 1398
  • تاریخ انتشار: 01 تیر 1399

هم رسانی

ارجاع به این مقاله

آمار