Forraszkötési hibák detektálása mélytanulás alapú képfeldolgozással

Abstract

A gyártási folyamatokban kulcsfontosságú a termékek minőségének és megbízhatóságának biztosítása. A forraszkötésekben kialakuló repedések és zárványok kis mérete miatt (~100 mikrométer) detektálásuk és meghatározásuk nehéz, nagy szakértelmet igényel, és az emberi teljesítmény a fáradás hatására csökken. Ugyanakkor ezek jelentősen csökkenthetik az elektronikai eszközök élettartamát és teljesítményét, ezért felismerésük és mennyiségi jellemzésük kiemelt feladat a minőségellenőrzésben. A dolgozat célja egy mesterséges intelligencián alapuló képfeldolgozó módszer vizsgálata és továbbfejlesztése, amely nagy felbontású mikroszkópos felvételeken képes a forraszkötések szegmentálására és a bennük található hibák detektálására. A kutatás során a korábban alkalmazott U-Net architektúra helyett a transformer-alapú SegFormer modellt adaptáltam a feladatra. Az előfeldolgozási lépéseket OpenCV-alapú eljárásokkal optimalizáltam, csökkentve a modell futtatásához szükséges erőforrásigényt. A dolgozat fő hozzájárulása egy, a forraszkötések hibadetektálására specializált SegFormer-alapú szegmentációs módszer és egy hatékony képfeldolgozási folyamat kidolgozása. Az ipari alkalmazhatóság szempontjából kiemelt cél volt a repedések hosszának meghatározása. Az új módszer alkalmazásával az alulmérések mértéke 9,8%-kal, a túlméréseké 33%-kal csökkent. Az 5%-ot meghaladó mérési eltérések esetében az alulmérések 46,5%-kal, a túlmérések 40%-kal mérséklődtek, ami jelentős javulás a repedéshossz-becslés pontosságában. Emellett a tanítási idő ~30%-kal csökkent, tovább növelve a módszer ipari alkalmazhatóságát és hatékonyságát. Az eredmények azt mutatják, hogy a javasolt megközelítés jelentősen javítja a repedéshossz-becslés pontosságát. Emellett elősegítheti a forraszkötések automatizált, mesterséges intelligencián alapuló minőségellenőrzésének hatékonyabb megvalósítását, így hozzájárulva a minőségbiztosítás és az ipari folyamatok megbízhatóságának növeléséhez.