Инспекция дефектов блока цилиндров и головки блока цилиндров: компьютерное зрение на основе глубокого обучения для выявления литейных дефектов

Обзор

Блоки цилиндров и головки блока цилиндров могут иметь дефекты на различных этапах производства. Литейные дефекты например, песчаные включения, пористость, усадочные дефекты и неметаллические включения возникают на стадии литья, тогда как дефекты механической обработки и обращения например, следы ударов и царапины, могут появляться на последующих производственных этапах.

Решение для визуальной инспекции компании Big Bird Industrial объединяет промышленные камеры с разрешением 20 МП, освещение высокой яркости, роботизированную систему получения изображений и алгоритмы глубокого обучения для выявления как дефектов обработанных поверхностей, так и видимых литейных дефектов на блоках цилиндров и головках блока цилиндров.

Упомянутая система имеет заявленный цикл инспекции 4,5 минуты , при этом окончательная конфигурация и такт могут быть адаптированы в соответствии с требованиями к детали и контролю.

1. Дефекты литья и дефекты механической обработки — это разные задачи контроля

Блоки цилиндров и головки блоков цилиндров могут содержать дефекты, возникающие на принципиально разных этапах производства.

Литейные дефекты

Типичные дефекты, связанные с литьём:

• Песчаные раковины
• Газовая пористость
• Дефекты усадки
• ВКЛЮЧЕНИЯ

Эти дефекты формируются во время заполнения металлом формы, затвердевания или других процессов литья. При их выходе на поверхность они могут проявляться в виде тёмных пятен, ямок, нерегулярных впадин или участков с иной текстурой поверхности.

Дефекты механической обработки и обращения

После литья блоки цилиндров и головки блоков цилиндров подвергаются механической обработке, транспортировке, зажиму и другим производственным операциям.

Типичные дефекты этих этапов:

• Следов ударов
• Царапины
• Повреждение поверхности
• Локальные вмятины

Визуальный вид таких дефектов может существенно отличаться от дефектов литья.

Это различие имеет важное значение для машинного зрения, поскольку для двух групп дефектов могут потребоваться различные стратегии визуализации и алгоритмов.

2. Почему обнаружение литейных дефектов представляет сложность

Поверхности отливок по своей природе сложнее, чем высокоточно обработанные поверхности.

Обработанная поверхность может иметь относительно однородную текстуру и отражательную способность, тогда как поверхность отливки может содержать:

• Нерегулярную текстуру
• Естественные вариации поверхности
• Изменения шероховатости
• Различные реакции на освещение
• Визуальные признаки, связанные с материалом

Литейные дефекты, такие как песчаные раковины и пористость, также могут значительно различаться по форме и размеру.

Простая система машинного зрения, основанная на пороговых значениях, может поэтому испытывать трудности при различении истинного дефекта и нормальной текстуры литья.

По этой причине в упомянутой системе используется машинное зрение на основе глубокого обучения .

Вместо того чтобы полагаться исключительно на фиксированные пороги по градациям серого или геометрическим параметрам, обученная модель может извлекать визуальные характеристики из репрезентативных образцов «OK» и «NG».

Однако глубокое обучение не устраняет необходимость в соответствующей системе формирования изображения. Освещение, оптическое разрешение, качество образца и чёткое определение зоны контроля остаются фундаментальными факторами производительности системы.

3. Решение для контроля: глубокое обучение + высокоточное машинное зрение

Упомянутое оборудование интегрирует контроль дефектов обработки и дефектов литья в единый рабочий процесс контроля.

Дефекты обработанных поверхностей

Система может выполнять контроль заданных обработанных участков на наличие таких дефектов, как:

• Следов ударов
• Царапины
• Повреждение поверхности

Литейные дефекты

Область проверки также включает:

• Песчаные раковины
• Газовая пористость
• Дефекты усадки
• ВКЛЮЧЕНИЯ

Фактический обнаруживаемый размер дефекта и критерии приемлемости зависят от поверхности детали, условий визуализации и стандартов качества, определённых заказчиком.

Инспекция с использованием глубокого обучения

Система использует алгоритмы глубокого обучения для анализа захваченных изображений.

Такой подход особенно полезен, когда морфология дефекта трудно описывается с помощью простых фиксированных правил.

Например, песчаные раковины и пористость могут различаться по следующим параметрам:

• Форма
• Размер
• Характеристики кромки
• Контраст
• Текстура поверхности
• Распределение

Модель глубокого обучения может быть обучена на репрезентативных образцах для распознавания этих характеристик.

4. Аппаратная конфигурация

Упомянутая система использует высококачественную визуализацию в сочетании с роботизированной позиционированием.

Система зрения

• промышленная камера на 20 МП
• Сверхмощный источник света с повышенной яркостью

Высококачественная камера обеспечивает детальную информацию об изображении, а большая система освещения предназначена для создания подходящего уровня освещённости по всей зоне контроля.

Роботизированная визуализация

А Робот FANUC используется для автоматического позиционирования камеры и захвата изображений.

Такая конфигурация позволяет системе контролировать несколько участков сложных компонентов двигателя без необходимости установки отдельной стационарной камеры для каждой позиции контроля.

Функции управления и обработки данных

Система включает в себя:

• Считывание кодов
• Проверка машинного зрения
• Алгоритмы глубокого обучения
• Прослеживаемость результатов контроля
• Анализ данных
• Удалённый доступ к данным

Это позволяет связывать результаты контроля с отдельными заготовками и просматривать их позже при анализе качества.

5. Технические характеристики

Следующие технические характеристики основаны на общедоступной информации о продукте для указанной системы.

Элемент	Спецификация
Приложение	Коммерческие транспортные средства, легковые автомобили, включая НЭТ
Изготавливаемые детали	Компоненты силовых установок на новой энергии; компоненты дизельных и бензиновых силовых установок
Объем инспекции	Дефекты обработанных поверхностей и литья
Литейные дефекты	Песчаные раковины, пористость, усадочные дефекты, включения
Дефекты механической обработки	Следы удара, царапины и связанные с ними повреждения поверхности
Опубликованный цикл осмотра	4,5 минуты
Промышленная камера	20 МП
Освещение	Сверхмощный источник света с повышенной яркостью
Робот	Фанук
Контроль	Промышленный ПК Siemens / Advantech
Технология проверки	Машинное зрение + глубокое обучение
Функции	Считывание кодов, контроль, прослеживаемость, анализ данных и удалённый доступ

Рынок цикл продолжительностью 4,5 минуты — это заявленное значение для данного применения фактический такт контроля следует оценивать с учётом количества контролируемых зон, геометрии детали, траектории робота, требований к обработке изображений и режима производства.

6. Ключевые аспекты выбора

6.1 Создание базы образцов до разработки алгоритма

Эффективность глубокого обучения в значительной степени зависит от качества образцов.

В рамках проекта следует собрать репрезентативные образцы, охватывающие:

• Нормальные изделия
• Очевидные бракованные изделия
• Различные типы дефектов
• Различные размеры дефектов
• Пограничные или погранично-граничные образцы
• Различные условия поверхности

Пограничные образцы особенно важны, поскольку дефекты в реальном производстве не всегда столь очевидны, как лабораторные примеры.

6.2 Определение количественных критериев дефектов

Термины вроде «небольшая пористость» или «незначительное песчаное отверстие» трудно интерпретировать системой технического зрения без инженерных критериев.

Спецификация качества должна определять, где это применимо:

• Минимальный размер дефекта
• Максимально допустимый размер дефекта
• Количество дефектов
• Плотность дефектов
• Расположение дефекта
• Допустимое расстояние между дефектами

Затем алгоритм можно обучить и проверить на соответствие чётко определённой цели контроля.

6.3 Учитывайте цикл продолжительностью 4,5 минуты при планировании производства

Опубликованное время цикла относительно умеренное по сравнению с высокоскоростным встроенным визуальным контролем.

Это может сделать конфигурацию подходящей для:

• Полного контроля критических компонентов
• Проверка партии
• Контроля качества на завершающем этапе линии
• Проверка отбора проб

Если контроль необходимо интегрировать в более быструю производственную линию, точки контроля потенциально могут быть распределены между несколькими параллельными станциями.

Фактическое решение должно определяться путём анализа времени цикла, а не предположением о том, что одна роботизированная контрольная ячейка способна удовлетворить все требования такта.

6.4 Планируйте доступ к данным и их хранение

Функции удалённого запроса данных полезны для обеспечения прослеживаемости качества, однако система должна проектироваться с учётом реальной ИТ-инфраструктуры завода.

Техническая спецификация должна определять:

• Период хранения данных
• Ёмкость хранилища изображений
• Разрешения пользователей
• Метод удалённого доступа
• Требованиям резервного питания
• Связь между заготовкой и результатом проверки

7. Может ли визуальный контроль выявлять литейные дефекты?

Машинное зрение может выявлять литейные дефекты, визуально обнаружимые на контролируемой поверхности , включая подходящие примеры песчаных раковин, пористости, поверхностных дефектов, связанных с усадкой, и включений.

Однако существует важное ограничение.

Дефект, полностью скрытый внутри отливки с отсутствием видимых признаков на поверхности, не может быть надёжно обнаружен только с помощью поверхностной визуализации .

Такие внутренние дефекты могут потребовать применения других методов неразрушающего контроля в зависимости от конкретного применения, например:

• Рентгеновская инспекция
• Ультразвуковой контроль
• Магнитно-порошковый контроль
• Другие методы НК, специфичные для данного применения

Следовательно, визуальный контроль следует понимать как метод проверки видимых поверхностных и близких к поверхности проявлений , а не как замену всем формам контроля отливок.

8. Поддержание производительности модели глубокого обучения

Модель глубокого обучения обычно не теряет точность просто из-за того, что функционировала в течение определённого времени.

Однако производительность проверки может измениться при изменении условий производства.

Примеры применения:

• Новый литейный материал или поставщик
• Новый процесс механической обработки
• Изменения отделки поверхности
• Изменения освещения
• Новые модели изделий
• Новые типы дефектов
• Замена камеры
• Изменения крепления или положения робота

Следовательно, надёжный проект машинного зрения должен включать механизм поддержки моделей, охватывающий:

1. Сбор новых образцов дефектов
2. Проверка производственных образцов
3. Валидация модели
4. Обновление модели
5. Управление версиями
6. Повторная валидация после внесения изменений

Эти обязанности и процедуры лучше всего определить в техническом соглашении до приёма оборудования.

9. Интеграция визион-контроля с очисткой

Блоки цилиндров и головки цилиндров могут подвергаться очистке перед окончательным контролем.

Для производственных линий, требующих как очистки, так и визион-контроля, оба процесса можно объединить в единую расширенную рабочую процедуру контроля качества.

Типичная последовательность может быть следующей:

Механическая обработка → Очистка → Сушка → Визуальный контроль → Отслеживаемость → Сборка

Такой подход позволяет снизить вероятность возникновения нового загрязнения или повреждений от ударов при излишней промежуточной обработке.

Он также обеспечивает большую репрезентативность результатов контроля для состояния компонента непосредственно перед сборкой.

Big Bird Industrial располагает как промышленным оборудованием для прецизионной очистки, так и возможностями машинного зрения для контроля , что делает возможным создание комплексных решений по совмещённой очистке и контролю в тех областях применения, где требуются оба процесса.

10. Возможности Big Bird Industrial в области машинного зрения для контроля

Харбинская компания Big Bird Industrial Co., Ltd. (Big Bird Industrial), ранее известная как Harbin Shimada Big Bird Industrial Co., Ltd., предоставляет интегрированные промышленные решения по очистке и контролю с использованием машинного зрения для автомобильных трансмиссий и высокоточных производств.

Направления деятельности компании в сфере машинного зрения охватывают шесть специализированных областей:

• Orient See — измерительный и геометрический контроль
• Surface See — контроль поверхностных дефектов
• Assembly See — контроль на этапе сборки и система предотвращения ошибок (poka-yoke)
• Inner See — осмотр внутреннего отверстия и внутренней стенки
• Paint See — осмотр дефектов поверхности окраски
• Алгоритм и программная платформа — алгоритмы и программное обеспечение машинного зрения

Для блоков цилиндров и головок цилиндров, Surface See можно настроить как для дефектов обработанных поверхностей, так и для видимых литейных дефектов.

Там, где требуется инспекция внутренних отверстий, Inner See система способна выполнять задачи инспекции внутренних отверстий и поверхностей внутренних стенок.

Это позволяет настраивать систему инспекции в соответствии с реальным типом дефекта, местоположением инспекции и производственным процессом, а не применять один и тот же метод визуализации ко всем участкам.

ЧаВО

Может ли машинное зрение заменить ручную инспекцию при выявлении песчаных раковин и пористости?

Для дефектов, явно проявляющихся на контролируемой поверхности, автоматизированное зрение может полностью заменить или значительно сократить объём ручной визуальной инспекции.

Однако дефекты, полностью скрытые внутри отливки и не имеющие никаких внешних признаков на поверхности, невозможно обнаружить только с помощью поверхностной визуализации. Для выявления таких дефектов требуются соответствующие методы неразрушающего контроля.

Со временем модель глубокого обучения теряет точность?

Не просто из-за времени работы.

Производительность может изменяться при изменении продукта, процесса, материала, освещения или совокупности дефектов. Поэтому для обеспечения стабильности производства в долгосрочной перспективе важно постоянно собирать образцы и проверять модель.

Почему заявленный цикл контроля составляет 4,5 минуты?

Упомянутая система выполняет несколько операций получения изображений на сложных поверхностях компонентов двигателя с использованием роботизированного позиционирования и обработки изображений.

Заявленный цикл 4,5 минуты подходит для упомянутого применения. Если требуется более короткий такт производства, точки контроля можно распределить между параллельными станциями или оптимизировать процессы получения изображений и траектории робота.

Можно ли подключить систему технического зрения к машине для очистки?

- Да, я знаю.

Big Bird Industrial предоставляет как высокоточное промышленное оборудование для очистки, так и системы машинного зрения для контроля качества. Там, где этого требует производственный процесс, операции очистки и контроля могут быть интегрированы таким образом, чтобы компоненты поступали напрямую из зоны очистки и сушки в зону автоматизированного визуального контроля и отслеживания.

Заключение

Дефекты литья и дефекты механической обработки представляют собой два разных вызова для систем контроля качества блоков цилиндров и головок цилиндров.

Поры, газовые и усадочные пустоты, а также неметаллические включения возникают на стадии литья, тогда как царапины и следы ударов могут появиться в ходе механической обработки, транспортировки или перемещения изделий в процессе производства. Их визуальные характеристики могут существенно различаться, что затрудняет надёжное применение единой стратегии контроля с фиксированным пороговым значением.

Описываемое решение объединяет промышленную камеру на 20 Мп, освещение высокой яркости, роботизированную систему позиционирования FANUC и машинное зрение на основе глубокого обучения для контроля как заданных обработанных поверхностей, так и видимых дефектов литья.

Однако для промышленного применения эффективность инспекции на основе глубокого обучения зависит не только от самого алгоритма. Репрезентативные образцы, количественные критерии приемки, стабильные условия визуализации и чётко определённый процесс поддержки модели являются обязательными компонентами надёжной системы машинного зрения.

Для производителей, стремящихся объединить очистку, контроль поверхности и прослеживаемость, Big Bird Industrial может интегрировать эти процессы в более широкий автоматизированный рабочий процесс контроля качества с SHIMADA в качестве неотъемлемой части исторической брендовой идентичности компании.