Defects Detection at Additive Manufacturing by Convolutional Deep Learning

dc.contributor.authorLotfinejad, Reza
dc.contributor.authorZajkani, Asghar
dc.date.accessioned2024-12-28T20:24:13Z
dc.date.available2024-12-28T20:24:13Z
dc.date.issued2024
dc.description.abstractAdditive Manufacturing technologies present a wide array of benefits, including the capacity to manufacture components with complex geometric forms, reduced production expenses, minimized material usage, and time efficiency. This research constitutes a significant effort to pinpoint geometric defects and dimensional irregularities as well as surface quality imperfections in the Fused Deposition Modeling process through the development of a deep learning model utilizing multi-scale convolutional neural networks. The proposed methodology encompasses three distinct scales, each capable of identifying defects of varying dimensions. The model underwent extensive hybridizing procedures for precisely training through diverse datasets, and the training process is repeated numerous times until the desired level of accuracy was attained. A sufficiently extensive image datasets are employed to train the models, leading to the precise calibration of the network. As a result, the necessity for prolonged time and intricate computations to identify large-scale defects is eliminated. The highest validation accuracy for defect detection in this study reached 94%.
dc.description.abstractEklemeli Üretim teknolojileri, karmaşık geometrik formlara sahip bileşenleri üretme kapasitesi, azaltılmış üretim giderleri, minimum malzeme kullanımı ve zaman verimliliği dahil olmak üzere çok çeşitli avantajlar sunar. Bu araştırma, çok ölçekli evrişimsel sinir ağlarını kullanan bir derin öğrenme modelinin geliştirilmesi yoluyla Erimiş Biriktirme Modelleme sürecindeki geometrik kusurların ve boyutsal düzensizliklerin yanı sıra yüzey kalitesi kusurlarının tespit edilmesi için önemli bir çaba oluşturmaktadır. Önerilen metodoloji, her biri farklı boyutlardaki kusurları tanımlayabilen üç farklı ölçeği kapsamaktadır. Model, çeşitli veri kümeleri aracılığıyla hassas bir şekilde eğitilebilmesi için kapsamlı hibridizasyon prosedürlerinden geçirildi ve eğitim süreci, istenen doğruluk düzeyine ulaşılıncaya kadar birçok kez tekrarlandı. Modelleri eğitmek için yeterince kapsamlı bir görüntü veri kümeleri kullanılır ve bu da ağın hassas kalibrasyonuna yol açar. Sonuç olarak, büyük ölçekli kusurları tespit etmek için uzun süreye ve karmaşık hesaplamalara duyulan ihtiyaç ortadan kalkar. Bu çalışmada kusur tespiti için en yüksek doğrulama doğruluğu %94'e ulaştı.
dc.identifier.dergiparkDergiPark: 1476909
dc.identifier.endpage48
dc.identifier.issn3023-591X
dc.identifier.issue1
dc.identifier.startpage36
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/3899227
dc.identifier.urihttps://dergipark.org.tr/tr/pub/duted/issue/85217/1476909
dc.identifier.urihttps://hdl.handle.net/20.500.12684/17113
dc.identifier.volume2
dc.language.isoen
dc.publisherDüzce Üniversitesi
dc.relation.ispartofDüzce Üniversitesi Teknik Bilimler Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241228
dc.subjectAdditive Manufacturing
dc.subjectFused Deposition Modeling
dc.subjectMultiscale Convolutional Neural Network
dc.subjectDeep Learning
dc.subjectDefect Detection
dc.subjectEklemeli Üretim
dc.subjectBirleştirilmiş Biriktirme Modelleme
dc.subjectÇok Ölçekli Evrişimsel Sinir Ağı
dc.subjectDerin Öğrenme
dc.subjectKusur Tespiti.
dc.titleDefects Detection at Additive Manufacturing by Convolutional Deep Learning
dc.title.alternativeKatkı Üretiminde Evrişimsel Derin Öğrenme ile Kusur Tespiti
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
Tam Metin / Full Text
Boyut:
4.38 MB
Biçim:
Adobe Portable Document Format