NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUAN SÁT HÌNH ẢNH VÀ ĐÁNH GIÁ ĐỊNH LƯỢNG NGOẠI DẠNG MỐI HÀN MAG

Tóm tắt

Bài báo trình bày một phương pháp ứng dụng trí tuệ nhân tạo để tự động quan sát và đánh giá định lượng ngoại dạng mối hàn sau quá trình hàn MAG sử dụng dây lõi thuốc có lót sứ ceramic trên thép carbon CT3 dày 12 mm. Nghiên cứu xây dựng một bộ dữ liệu ảnh chuyên biệt từ các mẫu hàn thực nghiệm, đề xuất mô hình AI lai kết hợp phân đoạn ảnh và trích xuất đặc trưng hình học, đồng thời kiểm chứng thực tế trong điều kiện gần sản xuất công nghiệp. Kết quả cho thấy mô hình có khả năng nhận diện ổn định vùng mối hàn, trích xuất chính xác các thông số ngoại dạng và đạt các chỉ số đánh giá cao hơn so với các mô hình nhận diện đường hàn hiện có. Bộ dữ liệu gồm các ảnh RGB chụp sau hàn bằng camera công nghiệp độ phân giải 1920 × 1080 pixel, thu nhận từ nhiều góc quan sát dưới ánh sáng khuếch tán để giảm ảnh hưởng của phản xạ bề mặt. Tổng cộng 360 ảnh mối hàn được tạo ra từ 30 thí nghiệm thực nghiệm với chiều dài mối hàn 200 mm/mẫu. Dữ liệu được gán nhãn theo hai cấp gồm vùng mối hàn và vùng khuyết tật bề mặt, đồng thời trích xuất các tham số hình học chuẩn như chiều rộng bead, reinforcement, độ lồi, góc chuyển tiếp chân mối hàn, độ sâu undercut và chỉ số đồng đều bề mặt.

Title

RESEARCH ON ARTIFICIAL INTELLIGENCE APPLICATION IN IMAGE MONITORING AND QUANTITATIVE ASSESSMENT OF MAG WELD BEAD GEOMETRY

Abstract

This paper presents an artificial intelligence-based method for automatic image monitoring and quantitative assessment of weld bead geometry after MAG welding using flux-cored wire with ceramic backing on 12 mm thick CT3 carbon steel. The study builds a dedicated image dataset from experimental weld samples, proposes a hybrid AI model combining image segmentation and geometric feature extraction, and validates the system on a welding robot under near-industrial conditions. The results show that the model can robustly identify the weld region, accurately extract geometric parameters, and achieve higher performance than existing weld seam recognition models. The dataset consists of RGB images acquired after welding using an industrial camera with a resolution of 1920 × 1080 pixels. Images were collected from multiple viewing angles under diffuse lighting to reduce surface reflection effects. A total of 360 weld images were generated from 30 experimental welds with a weld length of 200 mm per sample. The dataset was annotated at two levels, including weld region and surface defect region, and geometric reference parameters such as bead width, reinforcement height, convexity, toe angle, undercut depth, and surface uniformity index were extracted for model training and evaluation.