|
|
|
Analiza i automatska detekcija defekata na livenim delovima primenom dubokog učenja
Analysis and automatic defect detection on cast parts using deep learning
Sažetak
Detekcija defekata kod livenih delova predstavlja jedan od osnovnih koraka u osiguranju kvaliteta industrijskih proizvoda. Tradicionalne metode kontrole često su spore, subjektivne i zahtevaju značajno iskustvo operatera, što otvara prostor za primenu savremenih tehnika mašinskog učenja. U ovom radu prikazana je primena konvolucionih neuronskih mreža za identifikaciju defekata na livenim delovima potopnih pumpi, koristeći skup podataka otvorenog pristupa. Analizirani su koraci obuke i testiranja modela, kao i načini interpretacije rezultata koji omogućavaju njegovu upotrebu u realnim industrijskim uslovima. Dobijeni rezultati ukazuju na visoku tačnost modela i potencijal dubokog učenja kao pouzdanog alata za automatizaciju kontrole kvaliteta u livarskoj industriji.
Abstract
Defect detection in cast components is one of the fundamental steps in ensuring the quality and reliability of industrial products. Traditional inspection methods are often slow, subjective, and dependent on the operator's experience, which creates space for the application of modern machine learning techniques. This paper presents the use of convolutional neural networks for identifying defects in cast components of submersible pumps, based on an open-access image dataset. The key stages of model training, testing, and result interpretation are analyzed, with emphasis on their applicability in real industrial environments. The obtained results demonstrate high classification accuracy and confirm the potential of deep learning as a reliable tool for automating quality inspection in the casting industry.
|