?基于機(jī)器視覺的壓鑄模缺陷檢測(cè)概述

壓鑄模服役過程中的工作環(huán)境惡劣，模具零件表面不僅需要承受高速金屬液的沖刷，還要經(jīng)歷合模、壓射、開模、冷卻過程中劇烈的熱交換，故壓鑄在生產(chǎn)過程中容易出現(xiàn)疲勞裂紋、斷裂、磨損以及沖蝕等缺陷。如果不能及時(shí)發(fā)現(xiàn)并采取應(yīng)對(duì)措施，模具零件缺陷會(huì)對(duì)正常的生產(chǎn)活動(dòng)產(chǎn)生影響，不僅會(huì)導(dǎo)致零件生產(chǎn)質(zhì)量出現(xiàn)問題，而且會(huì)引發(fā)安全隱患，甚至造成嚴(yán)重的安全事故。所以對(duì)模具零件缺陷的實(shí)時(shí)檢測(cè)尤為重要，傳統(tǒng)的巡檢方法勞動(dòng)強(qiáng)度大、耗費(fèi)人力且檢測(cè)正確率不一定能達(dá)到要求。近年來，隨著計(jì)算機(jī)軟硬件技術(shù)的發(fā)展，機(jī)器視覺檢測(cè)技術(shù)逐漸被廣泛應(yīng)用于模具缺陷的檢測(cè)中，相較于人工檢測(cè)，機(jī)器視覺檢測(cè)具有準(zhǔn)確性強(qiáng)、效率高以及能夠?qū)崿F(xiàn)實(shí)時(shí)檢測(cè)的特點(diǎn)。1、壓鑄模常見缺陷及表現(xiàn)形式壓鑄成型過程中，由于壓鑄模長(zhǎng)時(shí)間工作在高溫、高壓和高速等惡劣環(huán)境，其容易產(chǎn)生缺陷，常見缺陷主要包括：凹陷、型芯塑性變形、磨損、斷裂、熱疲勞裂紋、粘模和溶蝕等。1.1凹陷缺陷模具零件型腔表面凹陷如圖1所示，凹陷缺陷表現(xiàn)為型腔內(nèi)壁上產(chǎn)生凹坑或剝落，這種現(xiàn)象產(chǎn)生的原因有2種：①模具零件材料的疏松與氣孔；②模具材料存在非金屬夾雜物與粗大的液析碳化物。若模具零件型腔表層存在氣孔與疏松，當(dāng)受到高溫金屬液體的反復(fù)沖蝕時(shí)，孔隙逐漸擴(kuò)大，最終形成較大的孔穴；當(dāng)型腔表層存在夾雜物和粗大液析碳化物時(shí)，在熱循環(huán)中將產(chǎn)生應(yīng)力，使夾雜物和粗大液析碳化物變形不協(xié)調(diào)，在界面上可能引起裂紋，導(dǎo)致夾雜物或粗大液析碳化物與金屬基體脫開而形成剝落凹坑，并在熔融金屬液的侵蝕作用下逐漸擴(kuò)大。1.2型芯塑性變形型芯塑性變形是常見的壓鑄模缺陷。在壓鑄過程中，型芯的主要缺陷形式為折斷與彎曲變形。型芯的作用是使鑄件在開模方向或非開模方向形成孔或凹位，故會(huì)在工作過程中產(chǎn)生一定的壓縮應(yīng)力。如型芯的韌性較好，則可以抵抗熔融金屬液對(duì)型芯的沖擊，但細(xì)長(zhǎng)的型芯容易被折斷。型芯可看作一種懸臂梁，在工作過程中受到金屬液沖擊時(shí)的彎矩，可能會(huì)產(chǎn)生一定程度的彎曲。圖2（a）所示為折斷的型芯，圖2（b）所示為彎曲的型芯。1.3磨損缺陷壓鑄模的磨損缺陷是由熱、化學(xué)腐蝕及機(jī)械載荷三方面因素造成。壓鑄模長(zhǎng)時(shí)間在高溫條件下工作，會(huì)使模具零件表面材料的強(qiáng)度降低，這樣更容易受到熔融金屬液的沖擊侵蝕。為保證壓鑄制件的質(zhì)量，生產(chǎn)過程中會(huì)進(jìn)行保壓，有可能會(huì)使模具零件型腔表面出現(xiàn)刮傷等情況，在新傷與侵蝕的共同作用下導(dǎo)致磨損更加嚴(yán)重。1.4斷裂缺陷斷裂缺陷分為整體脆性斷裂與熱疲勞開裂等，當(dāng)出現(xiàn)機(jī)械載荷過載或熱過載時(shí)，有可能導(dǎo)致模具零件整體脆性斷裂。熱疲勞開裂一般是由微小疲勞裂紋導(dǎo)致，裂紋附近容易出現(xiàn)應(yīng)力集中現(xiàn)象，如果不及時(shí)發(fā)現(xiàn)，裂紋會(huì)越來越大，直至斷裂。圖3所示為H13鋼壓鑄模開裂。1.5熱疲勞裂紋熱疲勞裂紋是壓鑄模最常見的缺陷形式，占缺陷類別比例較大。壓鑄過程中，壓鑄模在300-800℃的熱循環(huán)及脫模劑導(dǎo)致的拉應(yīng)力與壓應(yīng)力交變循環(huán)的環(huán)境下，反復(fù)經(jīng)受急冷、急熱所造成的熱應(yīng)力，導(dǎo)致在型腔表面或內(nèi)部熱應(yīng)力集中處逐漸產(chǎn)生微裂紋，其形貌多數(shù)呈現(xiàn)網(wǎng)狀，也有呈放射狀，稱龜裂。熱應(yīng)力使熱疲勞裂紋繼續(xù)擴(kuò)展成宏觀裂紋，導(dǎo)致壓鑄模失效。圖4（a）所示為熱疲勞龜裂，圖4（b）所示為由熱疲勞引起的整體開裂。1.6粘模缺陷

粘模缺陷本質(zhì)是壓鑄合金和模具零件結(jié)合在一起，壓鑄材料粘在模具零件表面。在壓鑄模工作過程中，會(huì)受到熔融金屬液的物理化學(xué)作用，導(dǎo)致模具型腔表面出現(xiàn)細(xì)小的凹坑，這些凹坑會(huì)隨工作時(shí)間的延長(zhǎng)而變大，最后導(dǎo)致模具零件表面氧化層被大面積破壞，從而與熔融金屬液形成合金相，最終會(huì)在表面形成一層過渡層。熔融金屬液與過渡層接觸的部分會(huì)相互產(chǎn)生粘附，在脫模時(shí)導(dǎo)致制件表面受損，壓鑄模粘膜缺陷如圖5所示。1.7溶蝕缺陷溶蝕缺陷一般出現(xiàn)在采用活潑合金壓鑄的模具上，如Zn、Al、Mg等。溶蝕缺陷既有化學(xué)作用，也有物理作用，介于腐蝕與沖蝕之間。溶蝕缺陷僅出現(xiàn)在受到熔融金屬液直接沖擊的部位，即模具的型芯、型腔表面或硬度偏軟處，壓鑄模溶蝕缺陷如圖6所示。2、機(jī)器視覺在模具零件缺陷檢測(cè)中的應(yīng)用機(jī)器視覺檢測(cè)技術(shù)屬于在線無損檢測(cè)方法，在缺陷檢測(cè)中表現(xiàn)較好，如在以模具零件為對(duì)象的檢測(cè)中，多用于模具保護(hù)、模具尺寸測(cè)量與模具定位等，可對(duì)模具零件中的異物、制件缺陷、制件脫模不良以及嵌件錯(cuò)位等問題進(jìn)行檢測(cè)，而對(duì)于模具零件型腔表面缺陷的檢測(cè)研究較少。模具零件表面缺陷檢測(cè)屬于機(jī)器視覺技術(shù)應(yīng)用方面，利用計(jì)算機(jī)視覺模擬人類視覺功能，在每一次開模時(shí)進(jìn)行圖像的采集處理、計(jì)算，最終進(jìn)行實(shí)際檢測(cè)、控制和應(yīng)用，可以及時(shí)發(fā)現(xiàn)模具零件的缺陷，以免造成重大損失。以下介紹3種基于機(jī)器視覺技術(shù)的模具檢測(cè)系統(tǒng)。（1）精密模具零件破損檢測(cè)系統(tǒng)。傳統(tǒng)的精密模具零件檢測(cè)方式有人工檢測(cè)及高斯曲線擬合檢測(cè)等技術(shù)。人工檢測(cè)勞動(dòng)強(qiáng)度大、成本高、檢測(cè)準(zhǔn)確率低，有時(shí)檢測(cè)使用的工具可能損傷模具零件表面。針對(duì)這個(gè)問題，謝俐等設(shè)計(jì)了一種精密模具零件缺陷檢測(cè)系統(tǒng)，該系統(tǒng)主要包括模具零件圖像采集、模具零件圖像處理、模具零件檢測(cè)結(jié)果輸出以及顯示等操作過程，具體組成結(jié)構(gòu)如圖7所示。（2）監(jiān)測(cè)系統(tǒng)。模具在生產(chǎn)過程中偶爾會(huì)出現(xiàn)異物等異常情況，如果采用人工監(jiān)視，耗費(fèi)人力物力，但如果不進(jìn)行監(jiān)視，有可能會(huì)損壞模具，影響工程進(jìn)度。彭娟等用機(jī)器視覺技術(shù)對(duì)注射模監(jiān)測(cè)系統(tǒng)進(jìn)行了研究，采用幾何輪廓信息模板匹配并配以報(bào)警器，解決了模具在生產(chǎn)過程中出現(xiàn)異物的問題。圖8所示為采用幾何輪廓信息特征作為標(biāo)準(zhǔn)模板的結(jié)果，其中由計(jì)算機(jī)模擬的型腔邊緣輪廓（橢圓形）為標(biāo)準(zhǔn)模板的特征結(jié)果，在矩形方框中靠近4個(gè)角的4條曲線為潛在模板特征。（3）壓鑄模缺陷檢測(cè)系統(tǒng)。為了防止在壓鑄生產(chǎn)過程中由于模具零件缺陷導(dǎo)致工作人員受傷及影響生產(chǎn)效率與產(chǎn)品質(zhì)量的問題，VYBAZHIN等提出了基于卷積神經(jīng)網(wǎng)絡(luò)的模具缺陷檢測(cè)系統(tǒng)。該系統(tǒng)能及時(shí)發(fā)現(xiàn)生產(chǎn)過程中模具零件出現(xiàn)的熱疲勞裂紋以及碎屑等缺陷，以便及時(shí)處理。該系統(tǒng)的視覺檢測(cè)正確率達(dá)到95.1%，而其4.9%的誤檢率是因?yàn)槟＞吡慵牧鸭y比較小或生產(chǎn)環(huán)境中照明不均而導(dǎo)致的陰影問題，不容易被系統(tǒng)檢測(cè)。3、基于機(jī)器視覺的缺陷檢測(cè)常用算法在基于機(jī)器視覺的缺陷檢測(cè)領(lǐng)域中常采用深度學(xué)習(xí)算法，深度學(xué)習(xí)算法是機(jī)器學(xué)習(xí)的子集，近年來伴隨著圖形處理器（graphicsprocessingunit，GPU）的進(jìn)步，深度學(xué)習(xí)算法融合了自動(dòng)化與智能化，被較多學(xué)者用于工業(yè)缺陷檢測(cè)領(lǐng)域。深度學(xué)習(xí)算法對(duì)圖像分割、目標(biāo)檢測(cè)及圖片的分類能力頗受學(xué)者的青睞。以下介紹這3種圖像處理中較為經(jīng)典的算法，如：采用全卷積網(wǎng)絡(luò)（fullyconvolutionalnetworks，F(xiàn)CN）算法對(duì)圖像的分割處理，采用Yo?lo算法實(shí)現(xiàn)目標(biāo)檢測(cè)，采用卷積神經(jīng)網(wǎng)絡(luò)（convolu?tionalneuralnetwork，CNN）算法對(duì)缺陷進(jìn)行分類。（1）采用FCN算法對(duì)圖像的分割處理。FCN算法即全卷積神經(jīng)網(wǎng)絡(luò)算法，是一種具有像素級(jí)別分類能力的網(wǎng)絡(luò)，常用語義分割。該網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的最大區(qū)別是不具備全連接層，而是將CNN中的全連接層都轉(zhuǎn)換為卷積層。其中，卷積層、池化層、反卷積層以及跳躍結(jié)構(gòu)為FCN核心功能模塊。全卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖9所示。在圖9中，1號(hào)圖例代表卷積層，2號(hào)圖例代表池化層，3號(hào)圖例代表反卷積層；FCN中的跳躍結(jié)構(gòu)表示為帶箭頭的線段所引出的過程；4號(hào)圖例代表剪裁層，用途是統(tǒng)一尺寸；5號(hào)圖例代表逐元素相加，目的是融合結(jié)果。FCN更加高效，避免了使用元素塊所帶來的存儲(chǔ)與重復(fù)計(jì)算問題，可節(jié)約系統(tǒng)資源。同時(shí)，F(xiàn)CN在接受輸入圖片的尺寸上更加靈活，但FCN對(duì)于分割的結(jié)構(gòu)還不夠精細(xì)，忽略了空間規(guī)整步驟，缺乏空間一致性。在工件的缺陷檢測(cè)中，由于工件表面的缺陷特征與其背景難以分割，分割后有可能在分割結(jié)果上存在大量的噪聲，影響檢測(cè)結(jié)果。由于CN的像素級(jí)分類特性，采用FCN可以解決該問題，工件表面缺陷檢測(cè)是FCN較為普遍的應(yīng)用場(chǎng)景之一。（2）采用Yolo算法實(shí)現(xiàn)目標(biāo)檢測(cè)。Yolo算法是基于回歸的單階段目標(biāo)檢測(cè)算法，屬于卷積神經(jīng)網(wǎng)絡(luò)，最初版本的Yolo算法由24層卷積層、2層全連接層以及4層最大池化層組成，Yolo架構(gòu)如圖10所示。Yolo算法能在應(yīng)用過程中，可以不通過生成候選區(qū)域的方式對(duì)物體的類別概率及位置坐標(biāo)等信息進(jìn)行預(yù)測(cè)，因?yàn)檫@個(gè)特點(diǎn)相較于兩階段檢測(cè)算法，Yolo算法檢測(cè)速度快，但其位置檢測(cè)精度低于兩階段檢測(cè)算法，如Faster-RCNN等，Yolo算法還能較好地識(shí)別物體的背景。由于Yolo算法具有以上這些特點(diǎn)，比較適合用于工業(yè)檢測(cè)。（3）采用CNN算法對(duì)缺陷進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)是以人類神經(jīng)元工作模式為理念所設(shè)計(jì)的一種網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)共有5層，按順序排列為輸入層、卷積層、池化層、全連接層和輸出層。其中，輸入輸出層用來接收與輸出數(shù)據(jù)；卷積層、池化層以及全連接層為主要的工作層，對(duì)數(shù)據(jù)進(jìn)行處理而獲得想要的結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)如圖11所示。CNN具有卷積核參數(shù)共享的特點(diǎn)，可以對(duì)高維據(jù)進(jìn)行處理，同時(shí)也能夠自動(dòng)提取特征，分類效果優(yōu)秀。但是CNN網(wǎng)絡(luò)在處理數(shù)據(jù)時(shí)采用像素塊，盡管能夠很好地提取局部信息，但容易忽略整體與局部信息的聯(lián)系；另外由于CNN采用了反向傳播算法，當(dāng)網(wǎng)絡(luò)到達(dá)一定深度時(shí)，修改參數(shù)會(huì)使靠近輸入層