Tornalamada video tabanlı yapay zeka yaklaşımı ile takım aşınmasının dinamik takibi

Tornalanmış yüzey imgelerinin aşınma izlerini taşıdığı ve görüntü işleme ile aşınma izleme amacıyla kullanılabildiği literatürde birçok kez gösterilmiştir; ancak çalışmalar çoğunlukla durağan fotoğraflara dayanmaktadır ve gerçek işlem sırasında benzer karelerin alınması yüksek hızlı görüntüleme donanımı gerektirir. Bu gereksinim maliyet ve entegrasyon güçlükleri doğurmaktadır. Bu çalışmada, sıradan video karelerinden takım aşınmasının izlenmesi amaçlanmıştır. Standart video kareleri fotoğraflara kıyasla daha bulanık ve ayrıntı bakımından sınırlıdır; bu nedenle, tornalanmış yüzeye özgü özniteliklerin tasarlanması önemlidir. Bu doğrultuda, yüzey dalgalılık profilindeki aşınmaya bağlı değişimleri yakalayabilen iki öznitelik (Sinüs ERMS, Gauss ERMS) geliştirilmiş; aşınmaya eşlik eden dalga genliğindeki değişimleri temsil eden Fourier genlik ortalaması ile birlikte FSG öznitelik seti oluşturulmuştur. Video karelerinden çıkarılan bu öznitelikler doğrusal SVM ile değerlendirilmiş, Video–FSG için sınıflandırma doğruluğu ve F1 skoru sırasıyla; Acc≈0.65, F1≈0.31 elde edilmiştir. Aynı yaklaşım fotoğraflara uygulandığında Foto–FSG için Acc≈0.71, F1≈0.51 gözlenmiştir. Fotoğraflar ile aşınmanın izlenebilirliği daha yüksek olsa da video karelerininde anlamlı ayrım gücü sunduğu görülmüştür. Karşılaştırma amacıyla literatürde yaygın üç genel amaçlı GLCM özniteliği (kontrast, homojenlik, entropi) hem video karelerinde hem durağan fotoğraflarda sınanmış; Video–GLCM'de F1≈0.24, Foto–GLCM'de F1≈0.04 bulunarak önerilen özniteliklerin her iki modda da GLCM'ye üstün olduğu gösterilmiştir. Bulgular, uygun özniteliklerle aşınmanın sıradan video karelerinden de izlenebileceğine dair nicel kanıt sunmaktadır.