Zaznavanje anomalij v 3D oblakih točk zvarnih kroglicVOVK, DOMEN (Avtor) Perš, Janez (Mentor) Lasnični statorlasersko varjenjezaznavanje anomalijPointCoregeneriranje sintetičnih podatkovindustrijski pregled kakovostiPričujoče magistrsko delo obravnava problem zaznavanja anomalij v lasersko varjenih navitjih statorjev z lasničnim navitjem, ki so sestavni del trakcijskih motorjev električnih vozil. Zanesljiv pregled kakovosti varjenja je nujen, vendar je ročni pregled delovno intenziven, subjektiven in težko prilagodljiv na velike proizvodne linije. Cilj tega dela je bil razviti in ovrednotiti sistem, ki je sposoben samodejno razlikovati med ustreznimi in okvarjenimi zvari z uporabo 3D oblakov točk, pridobljenih z visokoločljivimi linijskimi laserskimi skenerji. Predlagani pristop zaznavanja anomalij združuje ideji metod PatchCore in PointCore ter izkorišča del arhitekture Point-MAE za luščenje značilk iz oblakov točk. Zaradi omejene razpoložljivosti dejanskih podatkov za učenje, je bil zasnovan postopek za generiranje sintetičnih podatkov za modeliranje geometrije zvarnih kroglic in simulacijo laserskega skeniranja. Metoda nato ustvari kompaktno zbirko značilk, ki predstavljajo normalne vare, s katerimi se primerjajo značilke testnih vzorcev, da se ustvarijo ocene anomalij za vsak var in za vsako točko v njegovem oblaku točk. Poskusi so bili izvedeni na nizu realnih podatkov, zbranih iz dveh lasničnih statorjev. Rezultati kažejo, da metoda doseže AUROC = 0,897 in povprečno natančnost AP = 0,942. Kvalitativna analiza potrjuje, da visoke ocene anomalij ustrezajo vidnim napakam, kot so kraterji, izvržen material ali manjkajoče žice. Čeprav sistem uspešno zazna večino anomalij s TPR = 95,7%, ima visoko stopnjo lažno pozitivnih rezultatov FPR = 67,7%, kar omejuje njegovo takojšnjo uporabnost v industrijskih okoljih in njihovih strogih zahtevah. Kljub tem omejitvam, delo dokazuje izvedljivost zaznavanja anomalij v 3D oblakih točk na tem področju in zagotavlja podlago za prihodnje izboljšave. Možne smeri vključujejo bolj realistično generiranje sintetičnih podatkov, vključitev realnih učnih podatkov, izpopolnitev metode za globalno ocenjevanje anomalij in kasnejšo integracijo v proizvodno linijo za delovanje v realnem času.20252025-09-25 11:35:13Magistrsko delo/naloga173965VisID: 63183COBISS_ID: 258002179sl