Ispezione dei difetti del blocco motore e della testata: visione basata sul deep learning per i difetti di fusione

Panoramica

I blocchi motore e le testate possono sviluppare difetti in diverse fasi della produzione. Difetti di fusione ad esempio, fori da sabbia, porosità, difetti da ritiro e inclusioni originano durante la fusione, mentre difetti da lavorazione e da manipolazione come segni d’urto e graffi possono verificarsi durante i successivi processi produttivi.

La soluzione di ispezione visiva di Big Bird Industrial combina telecamere industriali da 20 MP, illuminazione ad alta luminosità, acquisizione immagini robotizzata e algoritmi basati sul deep learning per ispezionare sia i difetti sulle superfici lavorate sia i difetti di fusione visibili sui blocchi motore e sulle testate.

Il sistema citato ha un ciclo di ispezione pubblicato di 4,5 minuti , con la configurazione finale e il takt personalizzabili in base al pezzo in lavorazione e ai requisiti di ispezione.

1. I difetti di fusione e i difetti di lavorazione sono problemi di ispezione diversi

I blocchi motore e le teste cilindro possono presentare difetti originati da stadi produttivi fondamentalmente diversi.

Difetti di fusione

I difetti tipici legati alla fusione includono:

• Fori di sabbia
• Porosità da Gas
• Difetti da restringimento
• INCLUSI

Questi difetti si formano durante il riempimento del metallo, la solidificazione o altri processi di fusione. Quando sono esposti sulla superficie, possono apparire come macchie scure, fossette, depressioni irregolari o aree con texture superficiale diversa.

Difetti da lavorazione e da manipolazione

Dopo la fusione, i blocchi motore e le teste cilindro subiscono operazioni di lavorazione, trasporto, serraggio e altre fasi produttive.

I difetti tipici di queste fasi includono:

• Segni d’urto
• Graffi
• Danni sulla superficie
• Denti locali

Questi difetti possono presentare un aspetto visivo sostanzialmente diverso rispetto ai difetti di fusione.

Questa differenza è importante per la visione artificiale perché i due gruppi di difetti potrebbero richiedere strategie diverse per l’acquisizione delle immagini e per gli algoritmi.

2. Perché il rilevamento dei difetti di fusione è difficile

Le superfici fuse sono naturalmente più complesse rispetto alle superfici lavorate, che presentano un’elevata uniformità.

Una superficie lavorata può avere una trama e una riflettività relativamente costanti, mentre una superficie fusa può presentare:

• Trama irregolare
• Variazioni superficiali naturali
• Cambiamenti di rugosità
• Risposte diverse all’illuminazione
• Caratteristiche visive legate al materiale

I difetti di fusione, come i buchi da sabbia e la porosità, possono inoltre variare notevolmente nella forma e nelle dimensioni.

Un semplice sistema visivo basato su soglie potrebbe quindi avere difficoltà a distinguere un vero difetto dalla normale texture di fusione.

Per questo motivo, il sistema citato utilizza visione artificiale basata sull'apprendimento profondo .

Invece di fare affidamento esclusivamente su soglie fisse di scala di grigi o geometriche, un modello addestrato può apprendere le caratteristiche visive da campioni rappresentativi di tipo OK e NG.

Tuttavia, l'apprendimento profondo non elimina la necessità di un’acquisizione d’immagine adeguata. Illuminazione, risoluzione ottica, qualità del campione e definizione della zona d’ispezione rimangono fondamentali per le prestazioni del sistema.

3. Soluzione d’ispezione: apprendimento profondo + visione ad alta risoluzione

L’apparecchiatura citata integra l’ispezione dei difetti da lavorazione e dei difetti di fusione in un unico flusso operativo d’ispezione.

Difetti sulle superfici lavorate

Il sistema può ispezionare le aree lavorate specificate alla ricerca di difetti quali:

• Segni d’urto
• Graffi
• Danni sulla superficie

Difetti di fusione

L’ambito dell’ispezione comprende anche:

• Fori di sabbia
• Porosità da Gas
• Difetti da restringimento
• INCLUSI

Le dimensioni effettive dei difetti rilevabili e i criteri di accettazione dipendono dalla superficie del pezzo in lavorazione, dalle condizioni di acquisizione delle immagini e dagli standard qualitativi definiti dal cliente.

Ispezione basata sull’apprendimento profondo

Il sistema utilizza algoritmi di apprendimento profondo per analizzare le immagini acquisite.

Questo approccio risulta particolarmente utile quando la morfologia dei difetti è difficile da descrivere mediante semplici regole fisse.

Ad esempio, i fori da sabbia e la porosità possono differire per:

• Forma
• Dimensione
• Caratteristiche del bordo
• Contrasto
• Texture della superficie
• Distribuzione

Un modello di apprendimento profondo può essere addestrato utilizzando campioni rappresentativi per identificare tali caratteristiche.

4. Configurazione hardware

Il sistema di riferimento utilizza l’acquisizione di immagini ad alta risoluzione insieme al posizionamento robotico.

Sistema di visione

• fotocamera industriale da 20 MP
• Sorgente luminosa extra-large ad elevata luminosità

La telecamera ad alta risoluzione fornisce informazioni dettagliate sull'immagine, mentre il grande sistema di illuminazione è progettato per garantire un'illuminazione adeguata su tutta l'area di ispezione.

Imaging robotico

ARobot FANUC viene utilizzato per il posizionamento automatico della telecamera e l'acquisizione delle immagini.

Questa configurazione consente al sistema di ispezionare più aree di componenti motore complessi senza richiedere una telecamera fissa dedicata per ogni posizione di ispezione.

Funzioni di controllo e gestione dati

Il sistema integra:

• Lettura codici
• Ispezione Visiva di Macchine
• Algoritmi di apprendimento approfondito
• Tracciabilità delle ispezioni
• Analisi dei dati
• Accesso remoto ai dati

Ciò consente di associare i risultati dell'ispezione a singoli pezzi e di rivederli successivamente per l'analisi della qualità.

5. Specifiche Tecniche

Le seguenti specifiche si basano sulle informazioni sul prodotto pubblicamente disponibili per il sistema indicato.

Voce	Specifiche
Applicazione	Veicoli commerciali, veicoli passeggeri, inclusi i veicoli a energia nuova (NEV)
Pezzi in lavorazione	Componenti del gruppo motopropulsore a energia nuova; componenti del gruppo motopropulsore diesel e a benzina
Ambito di ispezione	Difetti su superfici lavorate e su getti
Difetti di fusione	Fori da sabbia, porosità, difetti da ritiro, inclusioni
Difetti da lavorazione	Segni di impatto, graffi e danni superficiali correlati
Ciclo di ispezione pubblicato	4,5 minuti
Telecamera industriale	20 MP
Illuminazione	Sorgente luminosa extra-large ad elevata luminosità
Robot	Fanuc
Controllo	PC industriale Siemens / Advantech
Tecnologia di ispezione	Visione artificiale + apprendimento profondo
Funzioni	Lettura codici, ispezione, tracciabilità, analisi dati e accesso remoto

Il il ciclo di 4,5 minuti è un valore applicativo pubblicato il tempo effettivo di ispezione deve essere valutato in base al numero di aree di ispezione, alla geometria del pezzo, al percorso del robot, ai requisiti di elaborazione immagini e alla modalità produttiva.

6. Considerazioni chiave per la selezione

6.1 Creare il database di campioni prima dello sviluppo dell’algoritmo

Le prestazioni dell’apprendimento profondo dipendono fortemente dalla qualità dei campioni.

Il progetto deve raccogliere campioni rappresentativi che coprano:

• Prodotti normali
• Prodotti chiaramente difettosi
• Tipi diversi di difetti
• Dimensioni diverse dei difetti
• Campioni di confine o borderline
• Condizioni superficiali diverse

I campioni di confine sono particolarmente importanti perché i difetti riscontrati nella produzione reale non sono sempre altrettanto evidenti rispetto agli esempi di laboratorio.

6.2 Definire criteri quantitativi per i difetti

Termini come "porosità ridotta" o "foro di sabbia minore" sono difficili da interpretare per un sistema di visione senza criteri ingegneristici.

La specifica di qualità dovrebbe definire, ove applicabile:

• Dimensione Minima del Difetto
• Dimensione massima accettabile del difetto
• Numero di difetti
• Densità di difetti
• Localizzazione difetto
• Distanza accettabile tra i difetti

L'algoritmo può quindi essere addestrato e convalidato rispetto a un obiettivo di ispezione chiaramente definito.

6.3 Considerare il ciclo di 4,5 minuti nella pianificazione della produzione

Il tempo di ciclo pubblicato è relativamente moderato rispetto all'ispezione visiva in linea ad alta velocità.

Ciò può rendere la configurazione adatta a:

• Ispezione completa di componenti critici
• Ispezione del lotto
• Ispezione finale della qualità
• Ispezione di campionamento

Se l'ispezione deve essere integrata in una linea di produzione più veloce, i punti di ispezione possono potenzialmente essere distribuiti su più stazioni parallele.

La soluzione effettiva deve essere determinata tramite un'analisi del tempo di ciclo, anziché ipotizzare che una singola cella di ispezione robotizzata possa soddisfare ogni esigenza di takt.

6.4 Pianificare l'accesso ai dati e la loro conservazione

Le funzioni di interrogazione remota dei dati sono utili per la tracciabilità della qualità, ma il sistema deve essere progettato in base all'ambiente IT effettivo della fabbrica.

La specifica tecnica deve definire:

• Periodo di conservazione dei dati
• Capacità di archiviazione delle immagini
• Permessi utente
• Metodo di accesso remoto
• Requisiti di alimentazione di riserva
• Associazione tra pezzo in lavorazione e risultato

7. La visione artificiale può rilevare difetti di fusione?

La visione artificiale può rilevare difetti di fusione visivamente evidenti sulla superficie ispezionata , inclusi esempi adeguati di fori da sabbia, porosità, difetti superficiali legati alla ritrazione e inclusioni.

Tuttavia, esiste una limitazione importante.

Un difetto completamente sepolto all'interno della fusione con nessuna indicazione visibile sulla superficie non può essere rilevato in modo affidabile utilizzando esclusivamente l'imaging superficiale .

Tali difetti interni potrebbero richiedere altri metodi di prova non distruttiva, a seconda dell'applicazione, ad esempio:

• Ispezione a raggi X
• Test a Ultrasuoni
• Ispezione mediante particelle magnetiche
• Altri metodi NDT specifici per l'applicazione

Pertanto, l'ispezione visiva deve essere intesa come un metodo per ispezionare le manifestazioni superficiali e sub-superficiali visibili , piuttosto che come sostituto di ogni forma di ispezione delle fusioni.

8. Mantenimento delle prestazioni del modello di deep learning

Un modello di deep learning non diventa normalmente impreciso semplicemente perché è stato in funzione per un certo periodo di tempo.

Tuttavia, le prestazioni dell’ispezione possono variare quando cambiano le condizioni di produzione.

Esempi includono:

• Nuovo materiale per la fusione o nuovo fornitore
• Nuovo processo di lavorazione
• Modifiche alla finitura superficiale
• Modifiche all’illuminazione
• Nuovi modelli di prodotto
• Nuovi tipi di difetto
• Sostituzione della telecamera
• Modifiche al fissaggio o alla posizione del robot

Un progetto di visione robusto dovrebbe quindi includere un meccanismo di manutenzione del modello che copra:

1. Nuova raccolta di campioni con difetti
2. Revisione dei campioni di produzione
3. Convalida del modello
4. Aggiornamento del modello
5. Controllo delle versioni
6. Riconvalida dopo modifiche

Queste responsabilità e procedure vanno definite nel migliore dei modi nell’accordo tecnico prima dell’accettazione dell’attrezzatura.

9. Integrazione dell’ispezione visiva con la pulizia

I blocchi motore e le teste cilindro possono essere sottoposti a pulizia prima dell’ispezione finale.

Per le linee di produzione che richiedono sia la pulizia sia l’ispezione visiva, i due processi possono essere integrati in un flusso di lavoro più ampio per il controllo qualità.

Una sequenza tipica potrebbe essere:

Lavorazione → Pulizia → Asciugatura → Ispezione visiva → Tracciabilità → Assemblaggio

Questo approccio può ridurre la possibilità che si verifichino nuove contaminazioni o danni da impatto durante manipolazioni intermedie non necessarie.

Può inoltre rendere il risultato dell’ispezione più rappresentativo dello stato del componente immediatamente prima dell’assemblaggio.

Big Bird Industrial dispone sia di attrezzature industriali per la pulizia di precisione sia di capacità di ispezione mediante visione artificiale ; ciò consente soluzioni integrate di pulizia e ispezione per applicazioni in cui entrambi i processi sono richiesti.

10. Capacità di ispezione mediante visione artificiale di Big Bird Industrial

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), in precedenza Harbin Shimada Big Bird Industrial Co., Ltd., fornisce soluzioni industriali integrate di pulizia e visione artificiale per applicazioni nel settore powertrain automobilistico e nella produzione di precisione.

Il suo business relativo alla visione artificiale copre sei aree specializzate:

• Orient See — ispezione dimensionale e geometrica
• Surface See — ispezione dei difetti superficiali
• Assemblaggio Visualizza — ispezione in fase di assemblaggio e poka-yoke
• Interno Visualizza — ispezione dei fori interni e delle pareti interne
• Verniciatura Visualizza — ispezione dei difetti superficiali della vernice
• Algoritmo e piattaforma software — algoritmi e software per la visione artificiale

Per blocchi motore e teste cilindro, Surface See può essere configurato sia per difetti sulle superfici lavorate che per difetti di fusione visibili.

Quando è richiesta l’ispezione di fori interni, Interno Visualizza può soddisfare i requisiti di ispezione relativi a fori interni e superfici interne delle pareti.

Ciò consente di configurare il sistema di ispezione in base al tipo effettivo di difetto, alla posizione dell’ispezione e al processo produttivo, anziché applicare un unico metodo di acquisizione immagini a tutte le aree.

FAQ

La visione artificiale può sostituire l’ispezione manuale per porosità e fori da sabbia?

Per i difetti visibilmente esposti sulla superficie ispezionata, la visione automatica può sostituire o ridurre in modo significativo l’ispezione visiva manuale.

Tuttavia, i difetti completamente nascosti all’interno della fusione e privi di qualsiasi indicazione superficiale non possono essere rilevati mediante sola acquisizione superficiale; tali difetti richiedono opportuni metodi di prova non distruttiva.

Un modello basato su deep learning diventa meno preciso dopo un certo periodo di funzionamento?

Non semplicemente a causa del tempo di funzionamento.

Le prestazioni possono variare quando cambiano il prodotto, il processo, il materiale, l’illuminazione o la popolazione di difetti. La raccolta continua di campioni e la validazione del modello sono quindi fondamentali per garantire la stabilità produttiva a lungo termine.

Perché il ciclo di ispezione pubblicato è di 4,5 minuti?

Il sistema di riferimento esegue numerose operazioni di acquisizione immagini su superfici complesse di componenti motore, utilizzando il posizionamento robotico e l’elaborazione delle immagini.

Il pubblicato ciclo di 4,5 minuti è adatto all’applicazione di riferimento. Se è richiesto un takt produttivo più rapido, i punti di ispezione possono essere suddivisi tra stazioni parallele oppure i percorsi di acquisizione immagini e del robot possono essere ottimizzati.

Il sistema di visione può essere collegato a una macchina per la pulizia?

- Sì, è vero.

Big Bird Industrial fornisce sia attrezzature industriali di precisione per la pulizia sia sistemi di ispezione visiva automatica. Qualora il processo produttivo lo richieda, pulizia e ispezione possono essere integrate in modo che i componenti passino direttamente dalla fase di pulizia e asciugatura all’ispezione visiva automatizzata e alla tracciabilità.

Conclusione

Difetti di fusione e difetti da lavorazione meccanica rappresentano due diverse sfide per il controllo qualità di blocchi motore e testate cilindri.

Fori di sabbia, porosità, difetti di ritiro e inclusioni derivano dal processo di fusione, mentre graffi e segni d’urto possono essere introdotti durante la lavorazione meccanica, la movimentazione o il trasferimento produttivo. Le loro caratteristiche visive possono differire notevolmente, rendendo difficile l’applicazione affidabile di una singola strategia di ispezione basata su una soglia fissa.

La soluzione citata combina una telecamera industriale da 20 MP, un’illuminazione ad alta luminosità, un posizionamento robotico FANUC e una visione artificiale basata su deep learning per ispezionare sia le superfici lavorate specificate sia i difetti di fusione visibili.

Per le applicazioni produttive, tuttavia, l’efficacia dell’ispezione basata sul deep learning dipende da più fattori rispetto all’algoritmo stesso. Campioni rappresentativi, criteri quantitativi di accettazione, condizioni di acquisizione immagini stabili e un processo definito per la manutenzione del modello sono tutti elementi essenziali di un sistema affidabile di ispezione visiva.

Per i produttori che desiderano integrare pulizia, ispezione superficiale e tracciabilità, Big Bird Industrial può integrare questi processi in un flusso di lavoro più ampio di controllo qualità automatizzato, con SHIMADA mantenuta come parte dell’identità storica del marchio aziendale.