کتاب صوتی کنترل کیفیت هوشمند: تشخیص عیوب با AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کنترل کیفیت هوشمند: تشخیص عیوب با AI

موضوع کلی: انسان، تکنولوژی و آینده

موضوع میانی: نظریه هوش مصنوعی در تولید (AI in Manufacturing)

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم پایه کنترل کیفیت
• 2. مبانی یادگیری ماشین در تشخیص عیوب
• 3. جمع‌آوری و آماده‌سازی داده‌های تصویری برای AI
• 4. پیش‌پردازش تصاویر در سیستم‌های کنترل کیفیت
• 5. الگوریتم‌های تشخیص لبه و ویژگی‌ها
• 6. روش‌های استخراج ویژگی‌های بصری
• 7. انتخاب ویژگی‌های مهم برای تشخیص عیوب
• 8. معرفی شبکه‌های عصبی کانولوشنال (CNN)
• 9. معماری‌های رایج CNN برای تشخیص عیوب
• 10. آموزش و تنظیم مدل‌های CNN
• 11. ارزیابی عملکرد مدل‌های تشخیص عیوب
• 12. متریک‌های ارزیابی در تشخیص عیوب (دقت، فراخوانی، F1-score)
• 13. بهینه‌سازی مدل‌های CNN برای سرعت و دقت
• 14. استفاده از داده‌های نامتعادل در آموزش مدل
• 15. تکنیک‌های افزایش داده برای بهبود عملکرد
• 16. انتقال یادگیری در تشخیص عیوب
• 17. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 18. تشخیص عیوب سطحی با استفاده از AI
• 19. تشخیص عیوب داخلی با استفاده از AI
• 20. تشخیص عیوب در مواد مختلف (فلز، پلاستیک، چوب)
• 21. تشخیص عیوب در محصولات غذایی با AI
• 22. تشخیص عیوب در صنایع نساجی با AI
• 23. تشخیص عیوب در تولید قطعات خودرو
• 24. تشخیص عیوب در خطوط تولید با استفاده از دوربین‌های هوشمند
• 25. پیاده‌سازی سیستم‌های تشخیص عیوب بلادرنگ (Real-time)
• 26. استفاده از سخت‌افزارهای تخصصی (GPU, TPU) برای تسریع پردازش
• 27. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 28. شبکه‌های عصبی بازگشتی (RNN) و کاربرد آن‌ها
• 29. شبکه‌های تولیدی تخاصمی (GAN) در تولید داده‌های مصنوعی
• 30. استفاده از یادگیری تقویتی (Reinforcement Learning) در کنترل کیفیت
• 31. تشخیص ناهنجاری‌ها (Anomaly Detection) با استفاده از AI
• 32. روش‌های کاهش ابعاد داده (PCA, t-SNE)
• 33. تجزیه و تحلیل نتایج تشخیص عیوب و گزارش‌گیری
• 34. کنترل آماری فرآیند (SPC) و یکپارچه‌سازی با AI
• 35. استانداردهای کنترل کیفیت و الزامات قانونی
• 36. اهمیت مستندسازی و ردیابی عیوب
• 37. امنیت داده‌ها و حریم خصوصی در سیستم‌های کنترل کیفیت
• 38. نگهداری و به‌روزرسانی سیستم‌های تشخیص عیوب
• 39. چالش‌ها و محدودیت‌های استفاده از AI در کنترل کیفیت
• 40. آینده کنترل کیفیت هوشمند و روندهای نوظهور
• 41. ارائه یک مطالعه موردی: تشخیص عیوب در صنعت بسته‌بندی
• 42. ارائه یک مطالعه موردی: تشخیص عیوب در صنعت الکترونیک
• 43. ارائه یک مطالعه موردی: تشخیص عیوب در صنعت داروسازی
• 44. ارائه یک مطالعه موردی: تشخیص عیوب در صنعت پتروشیمی
• 45. ارائه یک مطالعه موردی: تشخیص عیوب در صنعت ساختمان