Głębokie sieci rekurencyjne i konwolucyjne w detekcji wad spawalniczych dla systemów z robotem przemysłowym

pol Article in Polish DOI: 10.14313/PAR_240/17

send Arkadiusz Adamczak Społeczna Akademia Nauk, Instytut Technologii Informatycznych, ul. Sienkiewicza 9, 90-113 Łódź

Download Article

Streszczenie

Podczas procesów spawania metodą MIG/MAG w produkcji wielkoseryjnej na stanowiskach zrobotyzowanych, często wymagana jest automatyczna kontrola jakości wykonanego spawu. Określanie defektów spawalniczych jest trudne, a powód ich wystąpienia nie zawsze jest znany. Jednym z warunków poprawnie wykonanej spoiny jest stabilność podczas procesu spawania, co przekłada się na ciągłość i zwiększenie ogólnej wydajności produkcji. W artykule przedstawiono wyniki badań nad systemem detekcji defektów spoiny łączącego analizę i klasyfikację szeregów czasowych parametrów spawania dla metody MIG/MAG wraz z równoczesną analizą i klasyfikacją danych obrazowych spoiny dla systemów zrobotyzowanych. Wykorzystane zostały konstrukcje głębokich sieci neuronowych rekurencyjnych i konwolucyjnych. Przedstawiono również konstrukcję sieci neuronowej zawierającej dwa wejścia systemowe, umożliwiającej w jednym czasie klasyfikację zdjęcia spoiny wraz z szeregiem czasowym dla zastosowania w stanowisku zrobotyzowanym. Przedstawione wyniki prac badawczych otrzymano podczas realizacji projektu „Opracowanie metody bazującej na zastosowaniu głębokich sieci neuronowych do inspekcji wizyjnej połączeń spawanych w toku prac B+R” finansowanego z Wielkopolskiego Regionalnego Programu Operacyjnego na lata 2014–2020 i realizowanego w zakładzie ZAP-Robotyka Sp. z o.o. w Ostrowie Wielkopolskim

Słowa kluczowe

detekcja wad spoin, głębokie uczenie maszynowe, stanowisko zrobotyzowane, szeregi czasowe

Deep Recurrent and Convolutional Networks in the Detection of Welding Defects for Systems with an Industrial Robot

Abstract

During MIG/MAG welding processes in large-scale production on robotic stations, automatic quality control of the weld is often required. Determining welding defects is difficult and the reason for their occurrence is not always known. One of the conditions for a correctly made weld is stability during the welding process, which translates into continuity and increase in overall production efficiency. The article presents the results of research on the creation of a weld defect detection system combining the analysis and classification of time series of welding parameters for the MIG/MAG method along with the simultaneous analysis and classification of weld image data for robotic systems. For this purpose, the structures of deep recursive and convolutional neural networks were used. The design of a neural network with two system inputs allowing for the classification of the weld photo together with the time series for use in a robotic station is also presented. The research results presented in this article were obtained during the implementation of the project entitled „Development of a method based on the use of deep neural networks for visual inspection of welded joints in the course of R&D works” implemented at the company ZAP-Robotyka Sp. z o.o. in Ostrów Wielkopolski.

Keywords

Deep Learning, detection of weld defects, robotic station, time series

Bibliography

  1. Chollet F., Deep learning with Python. Vol. 361. New York: Manning, 2018.
  2. Selvaraju R.R., et al. Grad-cam: Visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE international conference on computer vision. 2017, DOI: 10.1007/s11263-019-01228-7.
  3. Abadi M., et al. Tensorflow: A system for large-scale machine learning. [In:] 12th {USENIX} symposium on ope rating systems design and implementation ({OSDI} 16), 2016, 265–283.
  4. Chollet F., et al. Keras: The python deep learning library. Astrophysics Source Code Library, 2018, ascl: 1806.022.
  5. Yu Y., et al. A review of recurrent neural networks: LSTM cells and network architectures. “Neural computation”, Vol. 31, No. 7, 2019, 1235–1270, DOI: 10.1162/neco_a_01199.
  6. Chung J., et al. Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555, 2014.
  7. Kiranyaz S., et al. 1D convolutional neural networks and applications: A survey. “Mechanical Systems and Signal Pro cessing”, Vol. 151, 2021, DOI: 10.1016/j.ymssp.2020.107398.
  8. Kaiming H., et al., Deep residual learning for image recogni tion. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
  9. De Boer, Pieter-Tjerk, et al. A tutorial on the cross-entropy method. “Annals of operations research”, Vol. 134, No. 1, 2005, 19-67, DOI: 10.1007/s10479-005-5724-z.
  10. Zijun Z., Improved adam optimizer for deep neural networks. 2018 IEEE/ACM 26th International Symposium on Quality of Service (IWQoS), DOI: 10.1109/IWQoS.2018.8624183.
  11. van der Walt S., Colbert S.C., Varoquaux G., The NumPy array: a structure for efficient numerical computation. “Computing in science & engineering”, Vol. 13, No. 2, 2011, 22–30, DOI: 10.1109/MCSE.2011.37.
  12. Adamczak A., Metoda detekcji wad spawalniczych w sta nowisku zrobotyzowanym z wykorzystaniem głębokiej sieci neuronowej, „Pomiary Automatyka Robotyka”, R. 25, Nr 1, 2021, 67–72, DOI: 10.14313/PAR_239/67