Распознавание массы деталей на чертежах с использованием моделей нейронных сетей

Сергей Викторович Кузнецов; Артем Алексеевич Роговик

doi:10.22213/2413-1172-2026-2-30-38

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/10.22213/2413-1172-2026-2-30-38

Ключевые слова:

определение массы детали, оптическое распознавание текста, компьютерное зрение, нейронные сети, работа с чертежами, YOLOv5, обнаружение объектов на изображениях

Аннотация

В статье рассматривается применение современных методов искусственного интеллекта, в частности нейронных сетей, для решения задач в машиностроении. Это направление приобретает все большее значение, так как автоматизация процессов позволяет значительно повысить эффективность производства, снизить затраты и улучшить качество продукции. В работе предлагается метод автоматического нахождения и распознавания массы детали на чертежах, основанного на использовании нейронных сетей, адаптированных для выполнения поставленной задачи. Для реализации этого подхода разработана новая модель на основе архитектуры YOLOv5, обученная анализу чертежей и позволяющая с высокой точностью распознавать на них область, содержащую массу детали. Далее была разработана программа на языке программирования Python, которая использует полученную модель и библиотеку оптического распознавания символов EasyOCR для автоматического извлечения информации с чертежей, содержащую значение массы детали, с выполнением последующего сохранения этих данных в таблицу Microsoft Excel. Программа была протестирована, и результаты анализа подтвердили ее высокую эффективность. Она способна точно распознавать текст, что позволяет быстро и точно обрабатывать большие объемы данных. Это открывает широкие перспективы для ее применения, в различных направлениях технологической подготовки производства: осуществлять автоматизированный подбор оборудования, приспособлений и средств производства, необходимых для изготовления детали, расчет расхода материалов, группировку деталей. Таким образом, разработанная программа является мощным инструментом для автоматизации рутинных задач, связанных с анализом чертежей, и может найти широкое применение в различных отраслях промышленности.

Биографии авторов

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

кандидат технических наук, доцент, заведующий кафедрой «Машиностроительные технологические комплексы»

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 ИжГТУ имени М. Т. Калашникова. 2024. Т. 27, № 2. С. 4-14. DOI: 10.22213/2413-1172-2024-2-4-14

Унижаев Н. В. Особенности внедрения нейросетей и систем искусственного интеллекта на предприятиях электроэнергетики // Вопросы инновационной экономики. 2023. Т. 13, № 1. С. 215-232.

Бархатов Н. А., Ревунова Е. А., Ундалова И. С. Возможности применения нейронных сетей в информационной инфраструктуре предприятия // Инновационная экономика: перспективы развития и совершенствования. 2020. № 6 (48). С. 11-17.

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

Кузнецов С. В., Роговик А. А. Определение максимального диаметра деталей типа тел вращения на чертежах в автоматизированном режиме // Вестник ИжГТУ имени М. Т. Калашникова. 2025. Т. 28, № 4. С. 29-35. DOI: 10.22213/2413-1172-2025-4-29-35

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. 3-е изд., перераб. и доп. Ленинград : Машиностроение, 1983. 407 с.

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.

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

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

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.

Redmon J., Farhadi A. (2017) YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, 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), 2022, pp. 962-972.

Bochkovskiy A., Wang C. YOLOv5: Creating State-of-the-Art Object Detectors in Real Time. [S. l.] // ArXiv, 2021, С. 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 (1), pp. 861-882.

Patel D. et al. (2020) Improving the Accuracy of Tesseract 4.0 OCR Engine Using Convolution-Based Preprocessing. Symmetry, no. 12 (5), p. 715.

Padilla R., Passos W.L., Dias T.L., Netto S.L., and Da Silva E.A. (2021) A comparative analysis of object detection metrics with a companion open-source toolkit. Electronics, vol. 10, no. 3, p. 279.

Pale-Ramon E.G., Morales-Mendoza L.J., González-Lee M., Ibarra-Manzano O.G., Ortega-Contreras J.A., and Shmaliy Y.S. (2023) Improving Visual Object Tracking using General UFIR and Kalman Filters under Disturbances in Bounding Boxes. IEEE Access, vol. 11, pp. 57905-57915.