Alüminyum döküm hatalarının derin öğrenme yaklaşımıyla tespiti ve sınıflandırılması

Eşsiz özellikleri nedeniyle, yüksek basınçlı döküm tekniğiyle üretilen alüminyum döküm parçaları, özellikle otomotiv endüstrisinde yaygın olarak kullanılmaktadır. Bununla birlikte döküm parçalarının muayenesi, başka türlü görülemeyen iç kusurları incelemek için X-ışını gibi teknolojiler kullanılarak kritik bileşenlerin tahribatsız test edilmesini gerektiren bir süreçtir. Böylesine zaman alıcı bir görsel muayene, azami dikkatle iyi eğitilmiş uzmanlar gerektirir. Bu çalışmada, alüminyum döküm parçalarının iç kusurlarını uluslararası bir standarda uygun olarak tespit etmek, seviyelendirmek ve bu kusur bilgileriyle döküm süreci parametrelerini ilişkilendirmek amaçlanmıştır. Kullanılan veri seti (Al-Cast veri seti), X-ışını görüntülerinden oluşan özgün bir veri seti olup tüm görüntüler dikkatlice etiketlenmiştir ve tahribatsız muayene topluluğu için açık erişimli olarak paylaşılmıştır. Kusurların tespiti için derin öğrenme tabanlı bir nesne tespit yöntemi kullanılmış olup, tespitler gerçek-zamanlı ve yüksek doğrulukta (0.97'lik mAP değeri) gerçekleştirilmektedir. Tespitten elde edilen bilgilerle k-ortalamalar++ kümeleme algoritmasından faydalanılarak kusurlar, ASTM standartlarına göre kusur oranları belirlenerek seviyelendirilir. Ayrıca yedi farklı döküm süreci parametresi kullanılarak kusur oranı çıktısı üzerinden nispeten az sayıda yapılan deneylerle bu parametrelerin kusur oranına etkileri analiz edilmiştir. Sonuçlar özellikle ikinci faz piston hızı, üçüncü faz basıncı ve enjeksiyon dolu noktasının kusur oranı üzerinde anlamlı bir etkiye sahip olduğunu göstermektedir. Çalışma bütünsel olarak hem kalite kontrol hem de üretim aşamasında bir karar destek sistemi olarak kullanılmak üzere önemli bir potansiyele sahiptir.