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

S V Kuznetsov; A A Rogovik

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

Authors

S. V. Kuznetsov Nizhny Novgorod State Technical University named after R.E. Alekseev
A. A. Rogovik Nizhny Novgorod State Technical University named after R.E. Alekseev

DOI:

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

Keywords:

optical character recognition, turned parts, Rotary parts, YOLOv5, neural networks, Object detection on images

Abstract

The following article describes a way to use neural network models in mechanical engineering. Developing such methods is currently one of the most urgent tasks for specialists in this field, as it opens up prospects for automatically performing some of the functions that are currently performed by people. The paper describes a method that allows automated finding and recognition of the maximum diameter of a rotation part on drawings. In the course of the work, a new model was developed based on the YOLOv5 neural network model for recognition objects on images and videos, for recognition diametrical dimensions on drawings, and then a computer program was written in the Python programming language. The main purpose of the program is to use the developed model and the EasyOCR optical character recognition library to determine the maximum diameter value on drawings and enter the resulting data into an Excel spreadsheet. In the course of further analysis of the obtained characteristics and testing, both the developed model and the program showed their high efficiency. The results obtained have good prospects for their further application, for example, as a part of complex programs for automated equipment selection, determining the rate of material consumption for parts and grouping.

Author Biographies

S. V. Kuznetsov, Nizhny Novgorod State Technical University named after R.E. Alekseev

PhD in Engineering, Associate Professor

A. A. Rogovik, Nizhny Novgorod State Technical University named after R.E. Alekseev

Post-Graduate

References

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.