ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 658.5
DOI: 10.18503/1995-2732-2025-23-3-122-128
Аннотация
С появлением новых средств и технологий в современном мире у специалистов в области машиностроения появляется все больше технических возможностей для реализации своих профессиональных задач с их использованием. Одним из таких средств являются нейронные сети и, в частности, те, которые могут распо-знавать объекты на видео и изображениях. Основные плюсы от их применения это существенное повышение производительности труда и снижение числа ошибок в процессе работы. На наш взгляд, одной из лучших представительниц моделей для распознавания объектов на основе нейронной сети является модель YOLOv5, но, к сожалению, не было никакой информации о возможности её применения для работы с чертежами, в частности детекции деталей, получаемых методами токарной обработки. Целями описанной далее работы стали, во-первых, проверка возможности YOLOv5 определять детали тела вращения с различным отношением длины L к их диаметру D на графических изображениях (чертежах) и группировать их по трем группам и, во-вторых, проверка возможности обеспечения высокой точности и скорости работы при решении задачи детекции данных деталей. В ходе работы были использованы два основных метода: метод обучения модели для распознавания объектов на основе нейронной сети и метод работы с набором графических изображений (чертежей) с использованием полученной модели. По итогу, опираясь на первый метод, была получена новая модель, способная распознавать токарные детали на графических изображениях, и в дальнейшем, опираясь на второй метод, была проверена её эффективность. После проведенных тестов можно определенно сказать, что полученная модель может эффективно решать задачу нахождения токарных деталей на чертежах, также стоит отметить, что полученные в ходе работы характеристики обученной модели являются весьма высокими, и, исходя из этого, можно сказать, что модель является довольно-таки перспективной для работы с чертежами. Полученные результаты смогут помочь автоматизировать процесс классификации деталей за счет определения их геометрических характеристик, а также открыть новые перспективы для применения группирования деталей.
Ключевые слова
механическая обработка, токарная обработка, детали типа тел вращения, детекция объектов, нейронные сети, YOLOv5
Для цитирования
Кузнецов С.В., Роговик А.А., Кузнецова Е.С. Детекция деталей, получаемых методами токарной обработки, с использованием модели для распознавания объектов YOLOv5 // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2025. Т. 23. №3. С. 122-128. https://doi.org/10.18503/1995-2732-2025-23-3-122-128
1. Суздалева Н. Н. Потенциал использования нейросетей промышленными предприятиями в условиях российской действительности // Региональная и отраслевая экономика. 2022. №11 (173). С. 91-94.
2. Алтунина К.А., Соколова М.В. Применение нейронных сетей для моделирования процесса токарной обработки // Вестник ТГТУ. 2016. Т. 22. № 1. С. 122-133.
3. Сверточные нейронные сети для выявления дефектов и повреждений конструкций / Степанов Д.В., Макаров А.В., Молотов А.М., Облетов Е.Н. // Промышленное и гражданское строительство. 2024. № 9. С. 52-58.
4. Веретельников А.С., Гавлицкий А.И. Применение искусственного интеллекта в металлообрабатывающей промышленности // Электронный научный журнал «Дневник науки». 2022. №12. №37.
5. Алханов А.А. Машинное обучение и его применение в современном мире // Проблемы науки. 2021. №7 (66). С. 25-27.
6. Кузнецов С.В., Роговик А.А. Перспектива применения нейронных сетей для планирования загрузки участка механической обработки // International Journal of Humanities and Natural Sciences, 2024, № 9. С. 115-117.
7. Митрофанов С.П. Научная организация машиностроительного производства. Ленинград: Машиностроение, 1976. 712 с.
8. Определение коэффициентов штучного времени деталей типа «вал» на основе их подобия / Кузнецов С.В., Аносов М.С., Роговик А.А., Муругов Ю.С. // Научно-технический вестник Поволжья. 2024. № 6. С. 72-75.
9. Кузнецов С.В., Роговик А.А., Муругов Ю.С. Подбор оптимальной группировки деталей типа «Вал» для увеличения серийности при планировании производства // Машиностроение: сетевой электронный научный журнал. 2023. №1. С. 51-55.
10. Bochkovskiy A., Wang, C. YOLOv5: Creating State-of-the-Art Object Detectors in Real Time. [S. l.] // ArXiv. 2021. С. 214–219.
11. Bochkovskiy A. YOLOv7: Trainable Boosted Data-Driven Layer for Real-Time Object Detection. [S. l.] // ArXiv. 2023. С. 5147–5155.
12. Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017, pp. 7263–7271.
13. Redmon J., Shooji F., Farhadi A. YOLOv5 Training and Improving Object Detectors and Segmentation Models with One Click // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2022, pp. 962–972.
14. Feature Pyramid Networks for Object Detection / Lin T.-Y., Dollár P., Girshick R., He, K., Hariharan, B., Belongie, S. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017, pp. 936–944.
15. ОК 012-93. Общероссийский классификатор изделий и конструкторских документов (Классификатор ЕСКД). М.: Изд-во стандартов, 2004. 40 c.