Разработка автоматизированной системы обнаружения брака на производственной линии с использованием компьютерного зрения

Введение 6
Глава 1. Анализ по направлению автоматизации систем контроля качества на производстве 8
1.1. Актуальность автоматизации контроля качества на производственной линии 8
1.2. Сравнительный анализ существующих систем обнаружения брака на производстве 10
1.3. Анализ программных сред и моделей машинного обучения для разработки систем компьютерного зрения 11
1.4. Разработка функциональных требований к автоматизированной системе обнаружения брака 16
Выводы 19
Глава 2. Проектирование разрабатываемой системы автоматического обнаружения брака на производственной линии 21
2.1. Проектирование архитектуры системы автоматического обнаружения брака 21
2.2. Выбор программных и аппаратных средств для реализации системы обнаружения брака 22
2.3. Разработка алгоритмов работы системы автоматического обнаружения брака 24
Выводы 30
Глава 3. Реализация системы автоматического обнаружения брака на производственной линии 31
3.1. Реализация модуля захвата и предварительной обработки
изображений 31
3.2. Реализация модуля анализа и классификации дефектов 35
3.3. Реализация модуля отображения результатов и формирования отчетности 40
3.4. Тестирование системы автоматического обнаружения брака 44
Выводы 50
Заключение 52
Список использованной литературы 54

Весь текст будет доступен после покупки

В условиях стремительного развития «четвёртой промышленной революции» предприятия сталкиваются с необходимостью не только наращивать объёмы выпуска, но и обеспечивать постоянное повышение качества продукции. Традиционные методы визуального контроля на основе человеческой инспекции характеризуются высокой трудозатратностью, сниженной пропускной способностью и существенной долей субъективной ошибки. В то же время современные технологии компьютерного зрения, подкреплённые глубокими нейронными сетями, позволяют автоматически обрабатывать тысячи изображений в минуту, выявляя даже едва заметные дефекты – от микротрещин до точечных пятен [1]. Комплексная интеграция таких систем в производственную линию обеспечивает снижение уровня брака, оптимизацию трудовых ресурсов и оперативную обратную связь для корректировки технологических параметров в реальном времени.

Весь текст будет доступен после покупки

Глава 1. Анализ по направлению автоматизации систем контроля качества на производстве
1.1. Актуальность автоматизации контроля качества на производственной линии
Современное производство предъявляет всё более жёсткие требования к качеству продукции, что обусловлено стремлением к повышению конкурентоспособности и удовлетворению ожиданий потребителей. В этих условиях особое значение приобретает автоматизация процессов контроля качества, позволяющая обеспечить высокую точность и эффективность выявления дефектов на различных этапах производственного цикла.
Традиционные методы визуального контроля, основанные на человеческом факторе, демонстрируют серьёзные ограничения: высокая утомляемость операторов, субъективность оценки, ограниченная пропускная способность и высокая стоимость в условиях массового производства. Даже опытные инспекторы могут пропустить до 30% мелких дефектов, особенно при монотонной и длительной работе [2].
Одним из ключевых преимуществ автоматизированных систем является их способность к объективному и воспроизводимому анализу изображений с использованием алгоритмов компьютерного зрения и машинного обучения. Такие системы способны круглосуточно обрабатывать видеопоток с конвейера, выявляя отклонения от нормы в реальном времени и формируя статистику для последующего анализа. Согласно исследованию, внедрение компьютерного зрения на производстве позволяет сократить количество рекламаций до 45% и повысить стабильность выпускаемой продукции при неизменной загрузке оборудования [3].

Весь текст будет доступен после покупки

1. Zhang Y., Li X., Wang Y., Liu Z. High-Throughput Online Visual Detection Method of Cracked Preserved Eggs Based on Deep Learning. Applied Sciences, 2022. [Электронный ресурс] URL: https://doi.org/10.3390/app12030952 (дата обращения: 28.05.2025).
2. Batchelor B. Machine Vision Handbook. Springer, 2012. [Электронный ресурс] URL: https://doi.org/10.1007/978-1-84628-289-9 (дата обращения: 28.05.2025).
3. Kim S. W., Moon H., Kang M., Yoon S. Image-based defect detection for production quality control: A survey. IEEE Access, 2021. [Электронный ресурс] URL: https://doi.org/10.1109/ACCESS.2021.3080140 (дата обращения: 28.05.2025).
4. Research on automated defect detection system based on computer vision. 2nd Int. Conf. on Machine Learning and Automation, 2024. [Электронный ресурс] URL: https://link-to-paper (дата обращения: 28.05.2025).
5. Luo X. et al. Anomaly detection in electronic component inspection using image segmentation and morphological processing. Proc. 2nd Intl. Conf. on ML&A, 2024. [Электронный ресурс] URL: https://link-to-paper (дата обращения: 28.05.2025).
6. Shi H., Tang S., Li J. Using deep learning to detect defects in manufacturing: a comprehensive survey and current challenges. Materials, 2020. [Электронный ресурс] URL: https://doi.org/10.3390/ma13143191 (дата обращения: 28.05.2025).
7. Gonzalez R. C., Woods R. E. Digital Image Processing. 4th ed. Pearson, 2018. [Электронный ресурс] URL: https://wps.pearsoned.com/ecs_gonzalez_dip_4/ (дата обращения: 28.05.2025).
8. Huang G., Liu Z., van der Maaten L., Weinberger K. Q. Densely Connected Convolutional Networks. Proc. of the IEEE Conf. on CVPR, 2017. [Электронный ресурс] URL: https://doi.org/10.1109/CVPR.2017.243 (дата обращения: 28.05.2025).
9. Shen M., Liu Y., Chen J. Defect detection of printed circuit board assembly based on YOLOv5. Scientific Reports, 2024.
10. Woo S., Park J., Lee J.-Y., Kweon I. CBAM: Convolutional Block Attention Module. Proc. of the European Conf. on Computer Vision (ECCV), 2018. [Электронный ресурс] URL: https://openaccess.thecvf.com/content_ECCV_2018/ html/Sanghyun_Woo_CBAM_Convolutional_Block_ECCV_2018_paper.html (дата обращения: 28.05.2025).
11. An J., Cho S. Variational Autoencoder based Anomaly Detection using Reconstruction Probability. Special Lecture on IE, 2015. [Электронный ресурс] URL: https://arxiv.org/abs/1702.07947 (дата обращения: 28.05.2025).
12. OpenCV Documentation. [Электронный ресурс] URL: https://docs.opencv.org/ (дата обращения: 28.05.2025).
13. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 2011. [Электронный ресурс] URL: https://scikit-learn.org/stable/ (дата обращения: 28.05.2025).
14. Chollet F. Keras Documentation. 2024. [Электронный ресурс] URL: https://keras.io/ (дата обращения: 28.05.2025).
15. Paszke, A. et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library. NeurIPS, 2019. [Электронный ресурс] URL: https://papers.nips.cc/paper/2019/hash/bdbca288fee7f92f2bfa9f7012727740-Abstract.html (дата обращения: 28.05.2025).

Весь текст будет доступен после покупки