ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 658.5
DOI: 10.18503/1995-2732-2026-24-1-133-141
Аннотация
Постановка задачи (актуальность работы). На данный момент инструменты компьютерного зрения и нейронные сети получают все большее распространение во всех областях и сферах деятельности человека. Сейчас их уже активно применяют в технике, медицине, образовании, создании различных предметов искусства и в других направлениях деятельности. Не остаётся в стороне и машиностроительная область, где их также активно внедряют. В качестве одного из направлений возможного применения нейронных сетей для машиностроения предлагается применение моделей для распознавания объектов на изображениях и видео для работы с чертежами. Данный подход позволит существенно сократить трудозатраты при подготовке документации для запуска изделия в производство применительно к предприятиям, имеющим детали типа тела вращения в своей производственной номенклатуре, что является актуальным, новым и перспективным в условиях современного производства. Цель работы. Главной целью работы являлось создание модели на основе нейронной сети, способной эффективно находить на чертеже область, содержащую длину деталей типа тел вращения, с дальнейшим созданием программы для ЭВМ, использующей данную модель и повышающую её эффективность и практическую применимость. Используемые методы. В ходе выполнения работы было использовано несколько основных методов: обучения и работы с моделью для распознавания объектов на изображения и видео; написания программ для ЭВМ на языке программирования Python; оптического распознавания текста. Результат. Результатом данной работы стало создание программы для ЭВМ, которая способна с высокой эффективностью находить на чертеже область, содержащую длину детали, считывать текст с этой области, который является значением длины, и заносить результаты в таблицу в редактируемом формате. Практическая значимость. Данная программа имеет существенные перспективы практического применения, так как она сможет помочь автоматизировать планирование производства деталей типа тела вращения, например, при определении нормы расхода материла на детали или при проверке габаритов при назначении используемого для их изготовления оборудования и группировании.
Ключевые слова
YOLOv5, EasyOCR, чертежи, токарная обработка, детали типа тел вращения, детекция объектов, нейронные сети, распознавание объектов, компьютерное зрение
Для цитирования
Кузнецов С.В., Роговик А.А. Автоматизированное нахождение и распознавание длин деталей типа тела вращения на чертежах с использованием инструментов компьютерного зрения // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2026. Т. 24. №1. С. 133-141. https://doi.org/10.18503/1995-2732-2026-24-1-133-141
1. Суздалева Н.Н. Потенциал использования нейросетей промышленными предприятиями в условиях российской действительности // Региональная и отраслевая экономика. 2022. №11 (173). С. 91-94.
2. Алтунина К.А., Соколова М.В. Применение нейронных сетей для моделирования процесса токарной обработки // Вестник ТГТУ. 2016. Т. 22. № 1. С. 122-133.
3. Сверточные нейронные сети для выявления дефектов и повреждений конструкций Степанов Д.В., Макаров А.В., Молотов А.М., Облетов Е.Н. // Промышленное и гражданское строительство. 2024. № 9. С. 52-58.
4. Веретельников А.С., Гавлицкий А.И. Применение искусственного интеллекта в металлообрабатывающей промышленности // Электронный научный журнал «Дневник науки». 2022. №12(72).
5. Алханов А.А. Машинное обучение и его применение в современном мире // Проблемы науки. 2021. №7 (66). С. 25-27.
6. Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017, pp. 7263–7271.
7. Redmon J., Shooji F., Farhadi A. 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.
8. Feature Pyramid Networks for Object Detection / Lin T.-Y., Dollár P., Girshick R., He K., Hariharan B., Belongie S. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017, pp. 936–944.
9. Bochkovskiy A., Wang C. YOLOv5: Creating State-of-the-Art Object Detectors in Real Time. [S. l.] // ArXiv. 2021, pp. 214–219.
10. Bochkovskiy A. YOLOv7: Trainable Boosted Data-Driven Layer for Real-Time Object Detection. [S. l.] // ArXiv. 2023, pp. 5147–5155.
11. Давлетов А.Р. Современные методы машинного обучения и технология OCR для автоматизации обработки документов // Вестник науки. 2023. №10. С. 676-698.
12. Hamdi A. OCR with Tesseract, Amazon Textract, and Google Document AI: a benchmarking experiment // Journal of Computational Social Science. 2022, no. 5(1), pp. 861–882.
13. Improving the Accuracy of Tesseract 4.0 OCR Engine Using Convolution-Based Preprocessing / Patel D., et al. // Symmetry. 2020, no. 12(5), pp. 715.
14. Кузнецов С.В., Роговик А.А. Перспектива применения нейронных сетей для планирования загрузки участка механической обработки // International Journal of Humanities and Natural Sciences. 2024. № 9. С. 115-117.
15. 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.
16. Митрофанов С.П. Научная организация машиностроительного производства. Ленинград: Машиностроение, 1976. 712 с.
17. Определение коэффициентов штучного времени деталей типа “вал” на основе их подобия / Кузнецов С.В., Аносов М.С., Роговик А.А., Муругов Ю.С. / Научно-технический вестник Поволжья. 2024. № 6. С. 72-75.