Görsel muayenede arama ve karar verme sürecini değerlendirmeye yönelik yeni bir yaklaşım

Yıl 2022, Cilt: 37 Sayı: 3, 1535 - 1552, 28.02.2022

Betül Ege , Berna Haktanırlar Ulutaş

https://doi.org/10.17341/gazimmfd.874708

Öz

Tahribatsız muayene, parça yüzeyi ya da içindeki kusurların fiziksel bir hasar vermeden belirlendiği önemli kalite kontrol araçlarından biridir. Kabul-ret kararı, genellikle kalite kontrol elemanı tarafından standart prosedürler ya da deneyime bağlı olarak verilmektedir. Yanlış kararlar sonucu oluşan zaman kaybı ve maliyetleri önlemek üzere muayene eğitimi önemlidir. Bu çalışmanın temel amacı, görsel muayene işlemlerinde insan faktörlerinin önemine dikkat çekmektir. Öğrenme Stilleri Anketi, göz takip teknolojisi ve NASA-TLX Anketini kapsayan yeni bir yaklaşım önerilmektedir. Çalışmada görsel muayene görevleri, geometrik tasarımları ve kusur düzeyleri birbirinden farklı üç döküm parçanın muayenesi olarak tanımlanmıştır. Temel tahribatsız muayene eğitimi öncesi ve sonrasında gerçekleştirilen Görsel muayene deneylerinde mobil bir göz takip cihazı kullanılmıştır. 25 katılımcı için, odaklanma sayısı, odaklanma süresi ve tanımlanan alandaki odaklanma sayısına ilişkin veriler kayıt altına alınmıştır. İstatistiksel analiz sonuçları, göz takip teknoloji kullanımının muayene süresi ve doğruluğunu iyileştirmek üzere kullanılabileceğini teyit etmektedir. Eğitimin katılımcıların öğrenme stillerine uygun bir şekilde hazırlanması, eğitim önce ve sonrası için değerlendirilen zihinsel zorlanma göstergeleri arasında anlamlı bir farklılık olmasını sağlamıştır.

Anahtar Kelimeler

Tahribatsız Muayene, Görsel Muayene, Göz Takip Teknolojisi, NASA-TLX

Proje Numarası

ESOGU BAP 201415053

Kaynakça

• [1] Hellier, C., Handbook of Nondestructive Evaluation, Mcgraw-Hill, 2003.
• [2] Rais A.H.E., Basic human factors and nondestructive testing, The American Society for Nondestructive Testing, Inc., 14(1), 1-4, 2015.
• [3] Zhao, X., He, Z., Zhang, S., Liang, D., A sparse-representation based robust inspection system for hidden defects classification in casting components, Neurocomputing, 153, 1-10, 2015.
• [4] Tou, K., Retraint F., Cogranne R., Automatic vision system for wheel surface inspection and monitoring, Conference: ASNT Annual Conference 2017.
• [5] Bastian B., Jaspreeth N., Ranjith S., Jiji C., Visual inspection and characterization of external corrosion in pipelines using deep neural network, NDT and E-International, 107, 102-134, 2019.
• [6] Drury, C., The human factor in industrial inspection, Quality Progress, 7(12), 14-19, 1974.
• [7] Drury, C., Watson, J., Good practices in visual inspection, human factors in aviation maintenance-phase nine, Progress Report, FAA/Human Factors in Aviation Maintenance, 1-90, 2002.
• [8] See J.E., Visual Inspection: A Review of the Literature, Sandia Report, Sandia National Laboratories, New Mexico, 2012.
• [9] Charles R.L., Johnson T.L., Fletcher S.R., The use of job aids for visual inspection in manufacturing and maintenance, The Fourth International Conference on Through-Life Engineering Services Procedia CIRP, 38, 90-93, 2015.
• [10] Peters F., Stone R., Watts K., Zhong P., Clemons A., Visual inspection of casting surfaces, AFS Transactions, 121, 45-52, 2013.
• [11] Johnson T., Fletcher S., Baker W., Charles R., How and why we need to capture tacit knowledge in manufacturing: case studies of visual inspection, Applied Ergonomics, 74, 1-9, 2019.
• [12] Baudet, N., Maire, J.L., Pillet, M., The visual inspection of product surfaces, Food Quality and Preference, 27, 153-160, 2013.
• [13] Stallard M., Mackenzie C., Peters F., A probabilistic model to estimate visual inspection error for metal castings given different training and judgment types, environmental and human factors, and percent of defects, Journal of Manufacturing Systems, 48, 97-106, 2018.
• [14] Rebsamen M., Boucheix J.M., Fayol M., Quality control in the optical industry: from a work analysis of lens inspection to a training programme, an experimental case study, Applied Ergonomics, 41, 150-160, 2010.
• [15] Anderson R., Stone R., The use of virtual welding simulators to evaluate experienced welders, Welding Journal, 94, 389-395, 2015.
• [16] Ulutas B.H., Ozkan N.F., Assessing visual control activities in ceramic tile surface defect detection: an eye-tracking study, International Journal of Intelligent Engineering Information, 5(4), 342-351, 2017.
• [17] Ulutas B.H., Ozkan N.F., Michalski R., Application of hidden Markov models to eye tracking data analysis of visual quality inspection operations, Central European Journal of Operations Research, 28, 761-777, 2020.
• [18] www.canr.msu.edu› files › Learning_Styles_Inventory (son erişim: 27/01/2021).
• [19] Khasawneh M., Kaewkuekool S., Bowling S., Desai R., Jiang X., Duchowski A., Gramopadhye A., The Effects of Eye Movements on Visual Inspection Performance, Clemson University, 2003.
• [20] Duchowski, A., Eye Tracking Methodology, Springer, 2017.
• [21] https://humansystems.arc.nasa.gov/groups/tlx/ (son erişim 27/01/2021).
• [22] Bojko, A., Eye Tracking the User Experience: A Practical Guide to Research, Rosenfeld Media, 2013.
• [23] Senduran, F., Göz takip sisteminin spor biliminde kullanılması: yeni araştırmacılar için kılavuz, Spormetre, 17(4), 1-13, 2019.
• [24] https://ogrenmetasarimlari.com/coklu-zeka-kurami-nedir/ (son erişim: 27/01/2021).
• [25] Goldberg, J., Kotval, X., Computer interface evaluation using eye movements: method and constructs, International Journal of Industrial Ergonomics, 24, 631-645, 1999.
• [26] Just, M., Carpenter, P., Eye fixations and cognitive processes, Cognitive Psychology, 8, 441-480, 1976.
• [27] Doozandeh P., Videorecording of experts as a method of training-simulator design, Theoretical Issues in Ergonomics Science, DOI:10.1080/1463922X.2020.1864678, 2021.
• [28] https://www.tobiipro.com/siteassets/tobii-pro/tobii-pro-insight-visual-performance-in-the-foundry.pdf (son erişim 27/01/2021).