Определение максимального диаметра деталей типа тел вращения на чертежах в автоматизированном режиме

С В Кузнецов; А А Роговик

doi:10.22213/2413-1172-2025-4-29-35

Авторы

С. В. Кузнецов Нижегородский государственный технический университет имени Р. Е. Алексеева
А. А. Роговик Нижегородский государственный технический университет имени Р. Е. Алексеева

DOI:

https://doi.org/10.22213/2413-1172-2025-4-29-35

Ключевые слова:

оптическое распознавание текста, токарные детали, детали тела вращения, YOLOv5, нейронные сети, детекция объектов на изображениях

Аннотация

В представленной статье описан один из способов применения моделей нейронных сетей в машиностроении. Нахождение таких способов является на данный момент одной из самых актуальных задач для специалистов данной области, так как открывает перспективы для автоматического выполнения некоторых функций, которые сейчас выполняет человек. В работе описан способ, позволяющий в автоматизированном режиме выполнять задачи по нахождению и распознаванию максимального диаметра на чертежах деталей типа тел вращения. В ходе исследования была разработана новая модель на основе модели нейронной сети для распознавания объектов на изображениях и видео YOLOv5 для распознавания диаметральных размеров на чертежах. На ее основе с использованием разработанной модели и библиотеки оптического распознавания символов EasyOCR была разработана программа для ЭВМ на языке программирования Python. Основное назначение данной программы - определение значений максимального диаметра на чертежах и занесение получаемых данных в таблицу в формате Excel. В ходе дальнейшего анализа полученных характеристик и выполнения тестирования обе разработки (модель и программа) показали довольно высокую эффективность. Полученные результаты имеют хорошие перспективы для их дальнейшего прикладного использования, например, как части комплексных программ для автоматизированного подбора оборудования, определения нормы расхода материала на детали и группирования.

Биографии авторов

С. В. Кузнецов, Нижегородский государственный технический университет имени Р. Е. Алексеева

кандидат технических наук, доцент

А. А. Роговик, Нижегородский государственный технический университет имени Р. Е. Алексеева

аспирант

Библиографические ссылки

Звонарев И. С., Караваев Ю. Л. Нейросетевой алгоритм обучения мобильного робота в задаче следования за целью // Вестник ИжГТУимени М. Т. Калашникова. 2024. Т. 27, № 2. С. 4-14. DOI: 10.22213/2413-1172-2024-2-4-14

Суздалева Н. Н. Потенциал использования нейросетей промышленными предприятиями в условиях российской действительности // Региональная и отраслевая экономика. 2022. № 11 (173). С. 91-94.

Сверточные нейронные сети для выявления дефектов и повреждений конструкций / Д. В. Степанов, А. В. Макаров, А. М. Молотов, Е. Н. Облетов // Промышленное и гражданское строительство. 2024. № 9. С. 52-58

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 имени Г. И. Носова. 2025. Т. 23, № 3. С. 122-128.

Alireza Pooya, Amin Mansoori, Mohammad Eshaghnezhad, Shila Monazam Ebrahimpour (2021) Neural Network for a Novel Disturbance Optimal Control Model for Inventory and Production Planning in a Four-Echelon Supply Chain with Reverse Logistic. Neural Processing Letters, no. 53, pp. 4549-4570.

Павлова A. Н., Кузнецова О. В. Проектирование группового технологического процесса механической обработки деталей на основе применения инструментов математического моделирования // Современные наукоемкие технологии. Региональное приложение. 2020. № 1. С. 98-108.

Кузнецов С. В., Роговик А. А. Группирование деталей тел вращения типа диск и ему подобных при планировании их изготовления с целью увеличения серийности производства // Вестник ИжГТУ имени М. Т. Калашникова. 2025. Т. 28, № 1. С. 24-32. DOI: 10.22213/2413-1172-2025-1-24-32

Митрофанов С. П. Групповая технология машиностроительного производства : в 2 т. Изд. 3-е, перераб. и доп. Ленинград : Машиностроение, 1983. 407 с.

Кузнецов С. В., Роговик А. А., Муругов Ю. С. Подбор оптимальной группировки деталей типа вал для увеличения серийности при планировании производства // Машиностроение. 2023. № 1. С. 51-55.

Базров Б. М. Специализация машиностроительного производства // Наукоемкие технологии в машиностроении. 2023. № 8 С. 43-48.

Митрофанов С. П. Научная организация машиностроительного производства. Ленинград : Машиностроение, 1976. 712 с.

Путятина Л. М., Барсова Т. Н. Современные подходы к анализу развития специализации производства на предприятиях машиностроительной отрасли // Modern Economy Success, 2020, no. 1, pp. 19-23.

Определение коэффициентов штучного времени деталей типа вал на основе их подобия / С. В. Кузнецов, М. С. Аносов, А. А. Роговик, Ю. С. Муругов // Научно-технический вестник Поволжья. 2024. № 6. С. 72-75.

Кугаевский С. С., Богоявленский А. В. Использование технологических шаблонов для определения прогнозной трудоемкости изготовления деталей на токарных станках с ЧПУ // Вестник ИжГТУ имени М. Т. Калашникова. 2024. Т. 27, № 1. С. 26-35. DOI: 10.22213/2413-1172-2024-1-26-35

Redmon J., Farhadi A. (2017) YOLO9000: Better, Faster, Stronger: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 7263-7271.

Redmon J., Shooji F., Farhadi A. (2022) YOLOv5 Training and Improving Object Detectors and Segmentation Models with One Click: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 962-972.

Bochkovskiy A., Wang C. (2021) YOLOv5: Creating State-of-the-Art Object Detectors in Real Time [S. l.].ArXiv, pp. 214-219.

Давлетов А. Р. Современные методы машинного обучения и технология ocr для автоматизации обработки документов // Вестник науки. 2023. № 10. С. 676-698.

Hamdi A. (2022) OCR with Tesseract, Amazon Textract, and Google Document AI: a benchmarking experiment. Journal of Computational Social Science, no. 5, pp. 861-882.

Patel D. (2020) Improving the Accuracy of Tesseract 4.0 OCR Engine Using Convolution-Based Preprocessing. Symmetry, no. 12, 715 p.