Определение качества изделий из алюминиевых сплавов, полученных методом литья с последующей механической обработкой с помощью методов машинного зрения

Иван Валерьевич Чуфаров

МАШИНЫ И МЕХАНИЗМЫ

Определение качества изделий из алюминиевых сплавов, полученных методом литья с последующей механической обработкой с помощью методов машинного зрения

Авторы

Иван Валерьевич Чуфаров Ульяновский государственный технический университет

Как цитировать

ГОСТ Чуфаров И. В. Определение качества изделий из алюминиевых сплавов, полученных методом литья с последующей механической обработкой с помощью методов машинного зрения // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2025. Т. 69. № 2. С. 53-59.

APA Чуфаров, И. В. (2025). Определение качества изделий из алюминиевых сплавов, полученных методом литья с последующей механической обработкой с помощью методов машинного зрения. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 69(2), 53-59.

Аннотация

В работе выполнен краткий обзор применения в автомобилестроении деталей из алюминиевых сплавов, полученных с помощью литья под высоким давлением с последующей механической обработкой. Кратко описан наиболее часто встречающийся дефект при производстве данных деталей. Обоснована необходимость решения задачи контроля дефектов изделий из данного материала с помощью машинного зрения с использованием нейронных сетей. Выполнен анализ поиска дефекта с помощью нейронной сети YOLOv8

Ключевые слова

машинное зрение нейронные сети глубокое обучение YOLO литье механическая обработка дефекты

Библиографические ссылки

Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана – Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139-159.

Дементьев В.Е., Савинов Р.А., Суетин М.Н., Подлобошников А.Г. Система распознавания повреждений металлических конструкций // Автоматизация процессов управления. 2021. № 2. C. 40-45.

Казанцев С.П., Фурман Л.Е. Дефекты отливок при литье по выплавляемым моделям. Екатеринбург: Информационный портал Уральского федерального университета, 2019. 109 с.

Карунин А.Л., Бузник Е.Н., Дащенко О.А. Технология автомобилестроения: учеб. для вузов. М: Академический проект: Трикста, 2005.

Коновалов Д.Н., Хольшев Н.В., Глазков Ю.Е., Милованов А.В., Прохоров А.В., Ведищев С.М. Технологические процессы изготовления деталей двигателей внутреннего сгорания: уч. электр. изд. Тамбов: ИЦ ТГТУ. 2023. 98 с.

Сеничев А.В., Новикова А.И., Васильев П.В. Сравнение глубокого обучения с традиционными методами компьютерного зрения в задачах идентификации дефектов // Молодой исследователь Дона. №4(25). 2020. С. 64-67.

Хамидов Э.Х. Глубокое обучение: понятие и применение // Молодой ученый. 2020. № 37(327). С. 8-11.

ChenYa., Ding Yu., Zhao F., Zhang E., WuZh, Shao L. Surface defect detection methods for industrial products: a review // Applied science. 2021. Vol. 9. MDPI AG. рр. 35-98.

Deep Learning vs Traditional Computer Vision. 2024. https://www.researchgate.net/publication/331586553_Deep_Learning_vs_Traditional_Computer_Vision