EN
ACTUALITÉS
Inspection des défauts des blocs moteurs et des culasses : vision par apprentissage profond pour les défauts de fonderie
Aperçu
Les blocs moteurs et les culasses peuvent présenter des défauts à différentes étapes de leur fabrication. Défauts de fonderie par exemple les trous de sable, la porosité, les défauts de retrait et les inclusions apparaissent durant la fonderie, tandis que défauts liés à l’usinage et à la manutention tels que les marques d’impact et les rayures peuvent survenir lors des procédés de production ultérieurs.
La solution d’inspection visuelle de Big Bird Industrial associe des caméras industrielles de 20 mégapixels, un éclairage haute luminosité, une imagerie robotisée et des algorithmes d’apprentissage profond pour inspecter à la fois les défauts de surface usinée et les défauts de fonderie visibles sur les blocs moteurs et les culasses.
Le système référencé affiche un cycle d’inspection publié de 4,5 minutes , avec la configuration finale et le cycle de production personnalisables en fonction de la pièce à inspecter et des exigences d’inspection.
1. Les défauts de fonderie et les défauts d’usinage constituent des problèmes d’inspection distincts
Les blocs moteur et les culasses peuvent présenter des défauts provenant d’étapes de fabrication fondamentalement différentes.
Défauts de fonderie
Les défauts typiques liés à la fonderie comprennent :
- Trousses de sable
- Porosité Gazeuse
- Défauts de retrait
- INCLUSIONS
Ces défauts se forment pendant le remplissage métallique, la solidification ou d’autres procédés de fonderie. Lorsqu’ils sont exposés en surface, ils peuvent apparaître sous forme de taches sombres, de piqûres, de dépressions irrégulières ou de zones présentant une texture de surface différente.
Défauts liés à l’usinage et à la manutention
Après la fonderie, les blocs moteur et les culasses subissent des opérations de production telles que l’usinage, le transport, le serrage, etc.
Les défauts typiques issus de ces étapes comprennent :
- Marques d’impact
- Rayures
- Dommages à la surface
- Amarres locales
Ces défauts peuvent présenter une apparence visuelle sensiblement différente de celle des défauts de fonderie.
Cette différence est importante pour la vision par ordinateur, car les deux groupes de défauts peuvent nécessiter des stratégies différentes en matière d’imagerie et d’algorithmes.
2. Pourquoi la détection des défauts de fonderie est-elle difficile
Les surfaces de fonderie sont naturellement plus complexes que les surfaces usinées, qui sont très uniformes.
Une surface usinée peut présenter une texture et une réflectivité relativement constantes, tandis qu’une surface de fonderie peut comporter :
- Une texture irrégulière
- Des variations naturelles de surface
- Des changements de rugosité
- Des réponses différentes à l’éclairage
- Des caractéristiques visuelles liées au matériau
Les défauts de fonderie, tels que les piqûres de sable et la porosité, peuvent également varier considérablement en forme et en taille.
Un système de vision basé sur un simple seuil peut donc éprouver des difficultés à distinguer un véritable défaut de la texture normale d’une pièce moulée.
Pour cette raison, le système mentionné utilise une vision artificielle fondée sur l’apprentissage profond .
Plutôt que de se fier uniquement à des seuils fixes de niveaux de gris ou de géométrie, un modèle entraîné peut apprendre des caractéristiques visuelles à partir d’échantillons représentatifs conformes (OK) et non conformes (NG).
Toutefois, l’apprentissage profond n’élimine pas le besoin d’une imagerie adaptée. L’éclairage, la résolution optique, la qualité des échantillons et la définition de la zone d’inspection restent fondamentaux pour les performances du système.
3. Solution d’inspection : apprentissage profond + vision haute résolution
L’équipement mentionné intègre l’inspection des défauts dus à l’usinage et celle des défauts de moulage au sein d’un même flux de travail d’inspection.
Défauts des surfaces usinées
Le système peut inspecter des zones usinées spécifiées afin de détecter des défauts tels que :
- Marques d’impact
- Rayures
- Dommages à la surface
Défauts de fonderie
La portée de l’inspection comprend également :
- Trousses de sable
- Porosité Gazeuse
- Défauts de retrait
- INCLUSIONS
La taille réelle des défauts détectables et les critères d’acceptation dépendent de la surface de la pièce, des conditions d’imagerie et des normes qualité définies par le client.
Inspection par apprentissage profond
Le système utilise des algorithmes d’apprentissage profond pour analyser les images capturées.
Cette approche est particulièrement utile lorsque la morphologie des défauts est difficile à décrire à l’aide de règles fixes simples.
Par exemple, les trous de sable et la porosité peuvent différer selon :
- Forme
- Taille
- Caractéristiques des bords
- Contraste
- Texture de surface
- Distribution
Un modèle d’apprentissage profond peut être entraîné à l’aide d’échantillons représentatifs afin d’identifier ces caractéristiques.
4. Configuration matérielle
Le système référencé utilise une imagerie haute résolution combinée à un positionnement robotisé.
Système de vision
- caméra industrielle de 20 MP
- Source lumineuse extra-large à haute luminosité
La caméra haute résolution fournit des informations d’image détaillées, tandis que le grand système d’éclairage est conçu pour assurer un éclairage adapté sur toute la zone d’inspection.
Imagerie robotique
ARobot FANUC est utilisé pour le positionnement automatisé de la caméra et l’acquisition d’images.
Cette configuration permet au système d’inspecter plusieurs zones de composants moteurs complexes sans nécessiter une caméra fixe distincte pour chaque position d’inspection.
Fonctions de contrôle et de traitement des données
Le système intègre :
- La lecture de codes
- Inspection par Vision Artificielle
- Algorithmes d’apprentissage profond
- Traçabilité des inspections
- Analyse de données
- Accès distant aux données
Cela permet d’associer les résultats d’inspection à des pièces individuelles et de les revoir ultérieurement pour l’analyse de la qualité.
5. Spécifications techniques
Les spécifications suivantes sont fondées sur les informations produit publiques disponibles pour le système mentionné.
| Élément | Spécification |
|---|---|
| Application | Véhicules commerciaux, véhicules particuliers, y compris les véhicules à énergie nouvelle (NEV) |
| Pièces à inspecter | Composants de transmission à énergie nouvelle ; composants de transmission diesel et essence |
| Portée de l'inspection | Défauts de surface usinée et de fonderie |
| Défauts de fonderie | Trous de sable, porosité, défauts de retrait, inclusions |
| Défauts d’usinage | Marques d’impact, rayures et autres dommages de surface |
| Cycle d’inspection publié | 4,5 minutes |
| Caméra industrielle | 20 MP |
| Éclairage | Source lumineuse extra-large à haute luminosité |
| Robot | Fanuc |
| Contrôle | Ordinateur industriel Siemens / Advantech |
| Technologie d’inspection | Vision par ordinateur + apprentissage profond |
| Fonctions | Lecture de codes, inspection, traçabilité, analyse de données et accès à distance |
Le le cycle de 4,5 minutes est une valeur applicative publiée le temps réel d’inspection doit être évalué en fonction du nombre de zones d’inspection, de la géométrie de la pièce, du parcours du robot, des exigences de traitement d’image et du mode de production.
6. Considérations clés pour la sélection
6.1 Construire la base de données d’échantillons avant le développement de l’algorithme
Les performances de l’apprentissage profond dépendent fortement de la qualité des échantillons.
Le projet doit recueillir des échantillons représentatifs couvrant :
- Des produits normaux
- Des produits clairement non conformes
- Différents types de défauts
- Différentes tailles de défauts
- Échantillons limites ou frontières
- Différentes conditions de surface
Les échantillons limites sont particulièrement importants, car les défauts observés en production réelle ne sont pas toujours aussi évidents que ceux des exemples de laboratoire.
6.2 Définir des critères quantitatifs de défauts
Des termes tels que « porosité faible » ou « petit trou de sable » sont difficiles à interpréter par un système de vision sans critères techniques.
La spécification qualité doit définir, le cas échéant :
- Taille minimale des défauts
- Taille maximale acceptable d’un défaut
- Nombre de défauts
- Densité de défauts
- Emplacement du défaut
- Distance acceptablee entre les défauts
L’algorithme peut ensuite être entraîné et validé par rapport à un objectif d’inspection clairement défini.
6.3 Prendre en compte le cycle de 4,5 minutes dans la planification de la production
Le temps de cycle publié est relativement modéré comparé à l’inspection visuelle en ligne à grande vitesse.
Cela peut rendre la configuration adaptée à :
- L’inspection complète des composants critiques
- Inspection par lot
- L’inspection qualité en fin de ligne
- Contrôle de conformité
Si l’inspection doit être intégrée dans une ligne de production plus rapide, les points d’inspection peuvent éventuellement être répartis sur plusieurs postes parallèles.
La solution réelle doit être déterminée par une analyse du temps de cycle, plutôt que de supposer qu’une seule cellule d’inspection robotisée peut répondre à toutes les exigences de takt.
6.4 Planifier l’accès aux données et leur conservation
Les fonctions de requête de données à distance sont utiles pour la traçabilité de la qualité, mais le système doit être conçu en fonction de l’environnement informatique réel de l’usine.
La spécification technique doit définir :
- Durée de conservation des données
- Capacité de stockage des images
- Autorisations utilisateur
- Méthode d’accès à distance
- Exigences de secours
- Association entre pièce et résultat
7. La vision industrielle peut-elle détecter les défauts de fonderie ?
La vision industrielle peut détecter les défauts de fonderie qui sont visiblement exposés sur la surface inspectée , y compris des exemples appropriés de trous de sable, de porosité, de défauts de surface liés au retrait et d’inclusions.
Cependant, une limitation importante existe.
Un défaut entièrement enfoui à l’intérieur de la pièce moulée, avec aucune indication visible en surface, ne peut pas être détecté de façon fiable uniquement à l’aide d’imagerie de surface. .
De tels défauts internes peuvent nécessiter d’autres méthodes d’essais non destructifs, selon l’application, par exemple :
- Inspection par rayons X
- Contrôle ultrasonore
- Examen par particules magnétiques
- Autres méthodes END spécifiques à l’application
Par conséquent, l’inspection visuelle doit être considérée comme une méthode permettant d’examiner les manifestations visibles en surface et à proximité immédiate de la surface. , et non comme un remplacement de toutes les formes d’inspection des pièces moulées.
8. Maintien des performances des modèles d’apprentissage profond
Un modèle d’apprentissage profond ne devient généralement pas moins précis simplement parce qu’il fonctionne depuis une certaine période.
Toutefois, les performances de l’inspection peuvent varier lorsque les conditions de production changent.
Exemples incluent :
- Nouveau matériau de fonderie ou nouveau fournisseur
- Nouveau procédé d’usinage
- Modifications de la finition de surface
- Modifications de l’éclairage
- Nouveaux modèles de produit
- Nouveaux types de défauts
- Remplacement de la caméra
- Modifications du montage ou de la position du robot
Un projet de vision robuste doit donc inclure un mécanisme de maintenance du modèle couvrant :
- Nouvelle collecte d’échantillons présentant des défauts
- Examen des échantillons de production
- Validation du modèle
- Mise à jour du modèle
- Contrôle des versions
- Revalidation après modifications
Ces responsabilités et procédures sont mieux définies dans l’accord technique avant l’acceptation de l’équipement.
9. Intégration de l’inspection par vision et du nettoyage
Les blocs-moteurs et les culasses peuvent être nettoyés avant l’inspection finale.
Sur les lignes de production nécessitant à la fois le nettoyage et l’inspection par vision, les deux processus peuvent être intégrés dans un flux de travail plus large de contrôle qualité.
Une séquence typique peut être :
Usinage → Nettoyage → Séchage → Inspection visuelle → Traçabilité → Assemblage
Cette approche permet de réduire la probabilité de nouvelles contaminations ou de dommages par impact survenant lors de manipulations intermédiaires inutiles.
Elle permet également de rendre le résultat de l’inspection plus représentatif de l’état du composant immédiatement avant l’assemblage.
Big Bird Industrial possède à la fois des équipements industriels de nettoyage de précision et des capacités d’inspection par vision artificielle , ce qui rend possible la mise en œuvre de solutions combinées de nettoyage et d’inspection dans les applications nécessitant ces deux procédés.
10. Capacités d’inspection par vision artificielle de Big Bird Industrial
Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), anciennement Harbin Shimada Big Bird Industrial Co., Ltd., propose des solutions intégrées de nettoyage industriel et de vision artificielle pour les applications liées aux groupes motopropulseurs automobiles et à la fabrication de précision.
Son activité de vision artificielle couvre six domaines spécialisés :
- Orient See — inspection dimensionnelle et géométrique
- Surface See — inspection des défauts de surface
- Assembly See — inspection à l’assemblage et poka-yoke
- Inner See — inspection des alésages et des parois intérieures
- Paint See — inspection des défauts de surface peinte
- Plateforme logicielle et algorithmique — algorithmes et logiciels de vision par ordinateur
Pour les blocs moteurs et les culasses, Surface See peut être configuré à la fois pour les défauts des surfaces usinées et les défauts de fonderie visibles.
Lorsqu’une inspection des trous internes est requise, Inner See peut répondre aux exigences d’inspection impliquant des trous internes et des surfaces intérieures des parois.
Cela permet de configurer le système d’inspection en fonction du type réel de défaut, de l’emplacement de l’inspection et du procédé de production, plutôt que d’appliquer une seule méthode d’imagerie à toutes les zones.
FAQ
Une vision par ordinateur peut-elle remplacer l’inspection manuelle des alvéoles de sable et de la porosité ?
Pour les défauts clairement exposés sur la surface inspectée, la vision automatisée peut remplacer ou réduire considérablement l’inspection visuelle manuelle.
Toutefois, les défauts entièrement enfouis à l’intérieur de la pièce moulée et ne présentant aucune indication en surface ne peuvent pas être détectés uniquement par imagerie de surface. De tels défauts nécessitent des méthodes appropriées d’essais non destructifs.
Un modèle d’apprentissage profond perd-il en précision après avoir fonctionné pendant une certaine période ?
Pas uniquement en raison de la durée de fonctionnement.
Les performances peuvent varier lorsque le produit, le procédé, le matériau, l’éclairage ou la population de défauts change. La collecte continue d’échantillons et la validation du modèle sont donc essentielles pour assurer la stabilité à long terme de la production.
Pourquoi le cycle d’inspection publié est-il de 4,5 minutes ?
Le système référencé effectue plusieurs opérations d’imagerie sur des surfaces complexes de composants moteur à l’aide d’un positionnement robotisé et de traitement d’images.
Le cycle de 4,5 minutes convient à l’application référencée. Si un temps de cycle de production plus rapide est requis, les points d’inspection peuvent être répartis entre des postes parallèles ou les trajectoires d’imagerie et de robot optimisées.
Le système de vision peut-il être connecté à une machine de nettoyage ?
Oui.
Big Bird Industrial fournit à la fois des équipements de nettoyage industriel de précision et des systèmes d’inspection par vision artificielle. Lorsque le processus de production l’exige, le nettoyage et l’inspection peuvent être intégrés afin que les composants passent directement du nettoyage et du séchage à l’inspection visuelle automatisée et à la traçabilité.
Conclusion
Les défauts de fonderie et d’usinage représentent deux défis distincts en matière de contrôle qualité pour les blocs-moteurs et les culasses.
Les trous de sable, la porosité, les défauts de retrait et les inclusions proviennent de la fonderie, tandis que les rayures et les marques d’impact peuvent être introduits durant l’usinage, la manutention ou le transfert en production. Leurs caractéristiques visuelles peuvent différer considérablement, ce qui rend difficile l’application fiable d’une stratégie d’inspection à seuil fixe unique.
La solution référencée combine une caméra industrielle de 20 MP, un éclairage haute luminosité, un positionnement robotique FANUC et une vision artificielle fondée sur l’apprentissage profond pour inspecter à la fois les surfaces usinées spécifiées et les défauts de fonderie visibles.
Pour les applications industrielles, toutefois, l’efficacité de l’inspection par apprentissage profond dépend de plus que de l’algorithme lui-même. Des échantillons représentatifs, des critères d’acceptation quantitatifs, des conditions d’imagerie stables et un processus défini de maintenance du modèle sont tous des éléments essentiels d’un système fiable d’inspection visuelle.
Pour les fabricants souhaitant combiner nettoyage, inspection de surface et traçabilité, Big Bird Industrial peut intégrer ces procédés dans un flux de travail automatisé plus large de contrôle qualité, avec SHIMADA conservé comme partie intégrante de l’identité historique de la marque de l’entreprise.
