توليد سامانه هوش مصنوعي پيشرفته براي شناسايي فيچرهاي ماشين كاري

Development an advanced neural network for recognition of machining feature

در فرآيند توليد يك قطعه به كمك كامپيوتر، اطلاعات مورد نياز ماشين‌آلات ساخت براي قطعه‌ايي كه مدل طراحي آن مشخص شده است، ايجاد مي‌شود. براي تهيه دستورالعمل‌هاي ماشين‌كاري قطعات، اطلاعات طراحي بر حسب الگويي به نام فيچر بيان مي‌گردد. در اين تحقيق با كمك روش يادگيري عميق، يك سامانه هوش مصنوعي براي شناسايي فيچرهاي ماشين‌كاري معرفي شده است. روش معرفي شده در اين تحقيق با كمك شبكه‌هاي كانولوشني دو بعدي در يادگيري عميق توليد شده است و قادر به شناسايي فيچرهاي ماشين‌كاري در تصوير يك قطعه‌كار مي‌باشد. نوآوري‌ اين تحقيق علاوه بر معرفي يك روش قدرتمند كاربردي و جديد در شناسايي فيچرهاي ماشين‌كاري در حوزه طرح‌ريزي فرايند به كمك كامپيوتر، شناسايي فيچرهايي است كه در يك قطعه‌كار داراي تداخل هندسي مي‌باشند كه روش‌هايي قبلي شناسايي فيچرهاي ماشين‌كاري قادر به حل اين مشكل نبوده‌اند. همچنين بي نيازي از فايل‌هاي مختلف اطلاعات خروجي طراحي به كمك كامپيوتر و استفاده از تصوير يك قطعه كار براي شناسايي فيچرهاي ماشين‌كاري از قابليت‌هاي روش معرفي شده در اين تحقيق مي باشد. توانمندي‌ ديگر سامانه توليد شده قابليت شناسايي فيچرهاي ماشين‌كاري با فرمت‌هاي مختلف تصوير از قبيل تصوير با خطوط مرزي ، نمايش هندسه جامد ، تصوير قطعه كار با متريال مختلف و نيز تصوير گرفته شده با دوربين‌هاي عكاسي معمولي از طريق دوربين تلفن همراه و غيره از قطعه كارهاي مكانيكي مي‌باشد. دقت تشخيص فيچرهاي ماشين‌كاري در تصوير يك قطعه كار با استفاده از روش پيشنهادي 88 درصد و خطاي تشخيص 0.1 اندازه گيري شده است.

In the process of producing a part with the help of computer aided manufacturing, the required information is created for the workpieces whose design model is specified. To prepare machining instructions, the design information is expressed in a pattern called a feature. In this research an advanced artificial intelligence system has been introduced to identify machining features with the help of deep learning method. The proposed method has been prepared with the help of two-dimensional convolutional networks in deep learning. It can identify machining features from the image of a workpiece. The innovations of this research, in addition to introducing a powerful practical and new method for automatic machining features recognition in the field of computer aided process planning, is identifying features that have geometric interference in a workpiece. The previous methods of automatic machining features recognitions have not been able to solve this problem. Furthermore, the lack of need for different CAD output files and the use of an image of a workpiece to identify machining features are the capabilities of the system introduced in this research. Other capabilities of the proposed method are the ability to identify machining features with different image formats such as image with wire frame format, constructive solid geometry format, image of workpiece with different materials and taken with ordinary cameras such as mobile cellphone camera and other imaging devices. The accuracy of detecting machining features in the image of a workpiece is measured %88 and detection error is measured 0.1 using proposed method.