מבוא

במודרנית מתכת מתכת להרכיב, דיוק וחזרות הם לא ניתן לוותר.כל ⁇ , רכיב כאנס מצופה, או פאנל משיכת עמוק חייב להתאים את הסובלנות.במשך עשרות שנים, יצרנים נשענים על פקחים אנושיים כדי לתפוס פגמים - שיטה שהציגה רכיבים בולטים, עייפות, ו inconsistency היום, טכנולוגיית ראיית מכונה מציעה אלטרנטיבה: מהיר, במהירות גבוהה, זיהוי של תכונות בקרה מיקרו-ממדיות, התאמות, סודיות, סודיות עבודה.

התפתחות של איכות Inspection in Sheet Metal Forming

בדיקה ידנית הייתה עמוד השדרה של בקרת איכות מאז ימי העבודה המוקדמים של עובדי מתכת.עובדים מיומנים היו בודקים באופן ויזואלי חלקים עבור שריטות, משחות, בוררים, ועיוות, לעתים קרובות באמצעות מד-לא-גו עבור בדיקות ממדיות.גישה זו, בעוד פשוטה, סובלת ממספר מגבלות טבועות:

  • (ב) טעות:0 בני אדם: ויקרא י"ד: "היזהר" (בראשית כ"ד)
  • (ב) כל חלק דורש זמן ייעודי, יצירת צווארי בקבוק בייצור גבוה.
  • (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ :0) אי-יציבות: מפקחים שונים עשויים ליישם קריטריונים סובייקטיביים שונים.

הופעתם של חיישנים פוטואלקטריים ומערכות מצלמה בסיסיות בשנות ה-80 סימנו את הצעד הראשון לעבר אוטומציה.מערכות ראייה מוקדמות אלה יכולות לזהות פגמים גולמיים כמו חורים חסרים או תכונות לא מוטעות, אך הן חסרות את ההחלטה ועיבוד כוח לבדיקה מנוטרת.ה פריצת הדרך האמיתית הגיעה בשנות ה-2000 עם שילוב של מצלמות דיגיטליות ברזולוציה גבוהה, מחשבים חזקים וספריות עיבוד מתוחכמת היום, יכולות לבדוק מדי רגע של כל פרקי מתכת.

טכנולוגיות Machine Vision

בבסיסו, מערכת ראיית מכונה מחקה את הראייה האנושית, אך עם מהירות ודיוק גדול בהרבה.התהליך כולל ארבעה שלבים אפשריים: רכישת תמונות, עיבוד, ניתוח והחלטות.כל שלב מסתמך על רכיבי חומרה ותוכנה משולבים בקפידה.

צילום: Acquisition

המצלמה והה תאורה עובדים יחד כדי ליצור תמונה עקבית ואיכותית.מצלמות תעשייתיות לעתים קרובות להשתמש CMOS או CCD חיישנים עם החלטות החל מ 5 עד 50 מגה פיקסל או יותר.שיעורי המסגרת חייב להיות גבוה מספיק כדי ללכוד חלקים נעים במהירויות קו הייצור - לפעמים מעל 100 חלקים לדקה. תאורה היא האלמנט הקריטי ביותר: דיפוזה, שדה בהיר, כהה, תאורה או מואר יכול להיות תלוי סוג של כתמים מבוקרים.

עיבוד מוקדם

תמונות רול כמעט ולא מוכנות לניתוח.צעדים לעיבוד כוללים ירידה רעש, שיפור ניגודיות ותיקוןים גאומטריים (למשל, הסרת עיוות חביות מעדשות). פעולות אלה מבוצעות בדרך כלל על ידי חומרה ייעודית של FPGA או GPU כדי לשמור על תקופות מחזור נמוכות.

ניתוח ניתוח

תוכנת עיבוד תמונה מתייחסת לאלגוריתמים כדי לזהות תכונות של עניין.שיטות מסורתיות מסתמכות על גילוי קצה, ניתוח נפיחות, דפוס התאמה, והשוואה תבנית.לדוגמה, מערכת עשויה להשוות את המיקום של חורים מוטבעים נגד מודל CAD באמצעות טכניקות מתאם. יישומים מתקדמים יותר להשתמש במודלים למידת מכונה מאומן על אלפי תמונות פגומים ולא-מכופות.

החלטות ופעולה

בהתבסס על הניתוח, מערכת הראייה מפעילה פלטה: לקבל את החלק, לשלוח אותו לתחנת עבודה מחדש, או לדחות אותו.ההחלטה הזו מועברת לעתים קרובות באמצעות PLC או ישירות לזרוע הרובוטית עבור מיון פיזי. במערכות מסוימות, תוצאות בדיקה מותאמות למסד נתונים מרכזי עבור ניתוח בקרה על תהליך סטטיסטי (SPC).

מערכת חזון מכונות מודרנית

בניית תחנת בדיקה אמינה דורשת בחירה זהירה של כל רכיב.השולחן מתחת מתאר את האלמנטים העיקריים ותפקידיהם.

  • (FLT:0)Cameras:FLT:1 מצלמות High-resolution (GigE, USB3, מצלמה Link) ללכוד תמונות מפורטות.מצלמות שטח-scan מתאימים לחלקים נייחים, בעוד מצלמות קו-סלאקאן להצטיין באינטרנט רציף או בבדיקת פס.
  • (FLT:0 ⁇ s:0) עדשות טלצנטריות משמשות לעתים קרובות ביישומים מטרולוגיים כי הם ממזערים שגיאות נקודת מבט. עבור זיהוי פגם כללי, עדשות אורך מוקד קבוע עם הגדלת מתאים הם נפוצים.
  • (FLT:0) אורות אורות: אורות טבעת 1:1, אורות בר, תאורה אחורית, ו diffuse domes. Polarized תאורה מפחיתה זוהר משטחים מבריקים.
  • (FLT:0) עיבוד תוכנה: איור 1 (למשל, Halcon, OpenCV, Cognex VisionPro) לספק אלגוריתמים למדידה, זיהוי וסיווג. Custom Pythons עם מסגרות למידה עמוקות (TensorFlow, PyTorch) הם פופולריים יותר ויותר עבור סיווג פגם.
  • (FLT:0)Control Hardware:FLT:1 Industrial PCs או בקרי ראייה משובצים להפעיל את התוכנה והממשק עם מערכות אוטומציה במפעל באמצעות EtherNet/IP, Profinet, או Digital I/O.
  • (FLT:0) תקני הפחתת:FLT:1; פריטים של שימור (למשל, סולם זכוכית, מד טבעת) משמשים לאמת את דיוק המערכת מעת לעת.

יישום Machine Vision in Sheet Metal Forming

ראיית מכונה משתרעת על פני כל תהליך יצירתו – החל מבדיקה חומרית הקרובה ועד אימות חלק סופי.התתת הסעיפים הבאים מפרטת את היישומים הנפוצים ביותר.

גילוי פנים

פגמים משטח כגון שריטות, דנטות, בורות, וסימנים רול הם דאגה עיקרית רכיבי רכב ויישומים.מערכת חזון יכול להאיר את החלק מזווית מרובות כדי להדגיש שינויים טופוגרפיה.טכנית נפוצה אחת היא שיטת "dark-field", שבו אור סבך נמוך משקף את פני השטח; כל פגם, יצירת פינה בהירה נגד רקע כהה שימוש בזיהוי מקובל על פני השטח, עלול להיות נסבל פגמים פונקציונליים, בעוד שלעתים לאטום שלילי, כמו גם על פני השטח.

מטרולוגיה

חלקי מתכת Sheet חייבים לשמור על סובלנות הדוקה על עמדות החור, ממדים לחתוך, זוויות בnd, ופרופיל כללי. Machine חזון מבצע המדידות האלה לא מגע, לעתים קרובות עם דיוק תת פיקסל (בדרך כלל ±0.02 מ"מ או טוב יותר) Using Edge אלגוריתמים זיהוי קצה, המערכת יכולה למדוד בין תכונות מוטבעות ולהשוות אותם ל-39 חלקים.

המונחים: Geometric Verification

מעבר לממדיים פשוטים, חלקים שנוצרו חייבים לספק יחסים גאומטריים מורכבים כגון perpendicularity, מקבילות ורדיוני. Vision מערכות ניתן לתכנן כדי לבדוק את אלה על ידי התאמת פרימיטיביים גיאומטריים (קווים, מעגלים, מטוסים) לנתונים שנצפו.לדוגמה, דלה קנט חייב להיות בתוך סובלנות זווית מסוימת יחסית למטוס; מערכת ראייה יכולה למדוד את הזווית ישירות מדימוי מוכוון כראוי.

האסיפה וההתביעה

במבצעי מטה הזרם, ראיית מכונה מאמתת כי אגוזים, ג'טים, קליפים, או ממריצים אחרים מוכנסים כראוי ומחוצבים.זה נעשה לעתים קרובות לאחר שלב הרכיבה, באמצעות התאמת תבנית או ניתוח צבע כדי לאשר נוכחות וכיוון.

לייזר Weld Seam Inspection

כאשר חלקי מתכת גיליון משולבים באמצעות לייזר Welding (המועילים בריקות מותאמות), מערכות ראייה בודקות איכות ים , זיהוי של פורוזנס, תחת חתכים, או מצלמות מהירות גבוהה ללכוד את בריכת ה- molten ואת האזור שמסביב; ניתוח בזמן אמת יכול להתאים פרמטרים לייזר על זבוב או ננודות פגומות.

יתרונות על שיטות בדיקה מסורתיות

המעבר ממדריך לראייה של מכונה מספק הטבות למדידה על פני כמה ממדים.

  • (FLT:0Speed ו- Throughput: 1) בדיקה אוטומטית יכולה לעבד מאות חלקים לדקה, הרבה מעבר ליכולתם של מפקחים אנושיים.זה מאפשר ליצרנים להשיג 100% בבדיקה ללא ייבוש הייצור.
  • (FLT:0) דיוקנות וחזרה: ראיית מכונות 1FirLT 1) מסירת שיקול דעת סובייקטיבי.מערכת חלה על אותם קריטריונים לכל חלק, ללא השפעה על ידי עייפות, הסחות דעת, או שינויים משמרות של מדידות הוא בדרך כלל בתוך כמה מיקרונים.
  • (FLT:0Data Collection and Analysisment: FLT:1 כל אירוע בדיקה מייצר נתונים: עובר / חול, סוג פגם, ממדים, מיקום. נתונים אלה מזינים לתוך שליטה בתהליך סטטיסטי (SPC) לוחות נתונים, גרפים פגם Pareto ומודלים תחזוקה חיזוי. יצרנים יכולים לזהות מגמות - כגון עלייה הדרגתית של משך החיים של מתים - והתערבות לפני הפקת חלקי לא-conforming.
  • (FLT:0) ניכוי: 1.FLT (ההשקעה הראשונית בבירה יכולה להיות משמעותית, ראיית מכונה מפחיתה עלויות עבודה ישירות, מצמצם את העבודה והגרדה, וממנעה תביעות אחריות.
  • (FLT:0) אי-אפשרות והתאמה: מערכות חזון 1FIRLT:1 יכולות להקליט תמונות ותוצאות בדיקה עבור כל חלק, יצירת שביל שניתן לבקר בו על ידי תעשיות כמו מכונית (IATF 16949) ואווירה (AS9100).

אתגרים ומגבלות

למרות החוזקות שלה, ראיית מכונה מתמודדת עם כמה אתגרים סביבות יצירת מתכת.

השתקפות Surface Reflectivity

משטח מתכת Sheet הם לעתים קרובות רפלקטיבי מאוד, גורם זוהר כי יכול עיוור את מערכת הראייה או ליצור חתימות פגם כוזב. אסטרטגיות מייגציה כוללים שימוש תאורה diffuse, מסננים מקוטבים, או לצייר עם ג 'רוזים מצופים עבור תחנות רק בדיקה.עם זאת, חלק גיאומטמים הם קשה מאוד להאיר ללא specular.

מורכבות Geometries ו- Occlusions

רכיבים בעלי חתימות, צלעות, או רפידות מורכבות עשויים להיות תכונות מוסתרות ממצלמה אחת.הפתרון דורש לעתים קרובות מצלמות מרובות (בדיקה של ulti-view) או מצלמות רובוטיות שעוברות סביב החלק.זה מגביר מורכבות מערכת ועלות.

המונחים: light Conditions

רצפות המפעל אינן מבוקרות במעבדות.שינויים באור אמבינטי, הצטברות אבק על עדשות, ורטטט יכולה להפיג את איכות התמונה.להתפרק בתחנת הביקורת עם דיור אור הילוך ושימוש תאורה פנימית מבוקרת מסייע, אך לוח הזמנים של תחזוקה ו calibration חייב להיות קפדני.

עלויות ראשונות גבוהות

מערכת ראייה משולבת עם מצלמות מרובות, מעבדים מהירים ותוכנה מיוחדת יכולה לעלות עשרות אלפי דולרים.עבור פעילות בנפח נמוך או בדיקות פשוטות, ROI עשוי להיות קשה להצדיק.עם זאת, העלות של חומרה כבר הצטמצם בהתמדה, ותוכנות קוד פתוח (למשל, OpenCV) מקטין את מחסומים הכניסה.

דרישות אימון וסקי

פיזור ותחזוקה של מערכת ראיית מכונה דורש ידע של אופטיקה, מצלמה כוונון, פיתוח אלגוריתם וניתוח נתונים. יצרנים רבים חסרים מומחיות בתוך בית וחייב להסתמך על אינגרה, חוזים שירות, או תוכניות מיומנות.

התקדמות טכנולוגית: בינה מלאכותית ולמידה עמוקה בראייה

ראיית מכונה מסורתית מסתמכת על תכונות בעלות ידיים ונקודות סף קבועות.מערכות אלה פועלות היטב בתנאים מבוקרים, אך מאבק עם חריגות בלתי צפויות – כמו סוג חדש של שריטה או מטושטשת הנגרמת על ידי ערפל שמן. Deep Learning, במיוחד רשתות עצביות אבולוציה (CNN), הרחיבו באופן דרמטי את יכולתן של מערכות ראייה.

במקום חוקי תכנות, מהנדסים להאכיל את המערכת אלפי תמונות מרשימות של פגמים וחלקים מקובלים.ה- CNN לומדת להוציא תכונות רלוונטיות משלה.

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ :0) , ⁇ : ⁇ 1 (ה) כל פיקסל כפגום או לא-מכוגן, מדגיש גבולות פגם.
  • (ב) ⁇ (ב) ⁇ (ב) ⁇ ) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

פלטפורמות ראייה תעשייתיות רבות (למשל, Cognex Deep Learning, VisionAI, Viso Suite) משלבות מודלים אלה.הם דורשים בדיקת נתונים גדולה, אבל העברת למידה מאפשרת מודלים מאומנים מראש להיות מכוונן עם רק כמה מאות תמונות.עם עלייה של מעבדי AI (NVIDIA Jetson, Movidius), הניתוק ישירות על רצפת המפעל ללא ערפל בענן.

מגמה נוספת היא השימוש בראייה תלת-ממדית עם אור מובנה וחיישנים של טיסה.מערכות אלה יכולות לבדוק עבור עיוותים מחוץ למטוס, כגון קפיצה בחלקים שנוצרו, עם דיוק גבוה בשילוב עם למידה עמוקה, הם מאפשרים תחנות בדיקה תכליתיות באמת להסתגל לחלק וריאציות ללא תכנות מחדש.

אסטרטגיות ליישום עבור יצרנים

אימוץ ראיית מכונה אינו פתרון בגודל אחד לכל ההטבות – גישה מובנים מניבה את התוצאות הטובות ביותר.

דרישות סודיות

התחל על ידי מסמך סוגי פגמים כדי לזהות (למשל, שריטות > אורך של 0.5 מ"מ, מיקום החור 0.1 ± מ"מ), סובלנות מקובלת, ואת מהירות הבדיקה הנדרשת.

2.הבנה קו הייצור הנוכחי Constraints

שקול שטח זמין, זמן מחזור, טיפול חלקי (למשל, משדר אוטומטי לעומת מיקום ידני), ואוטומציה קיימת.מערכת הראייה חייבת להיות משולבת ללא להאט את הקו.

בחר Hardware ותוכנות

בחר פתרון מצלמה, אורך מוקד עדשות, וסוג תאורה מבוסס על הפגם הקטן ביותר שיש לזהות. עבור מדידות ממדיות, עדשות טלצנטריות מומלץ.עבור בדיקת פני השטח, diffuse או תאורה מקוטבת הוא אופייני.

4. Prototype ו-Pretotype

לפני פריסה מלאה, להפעיל טייס על מדגם של חלקים טובים ידועים ידועים ומוכרים פגומים. Measure Falseדחייה ושיעור קבלה כוזב.התאמה של סף או אימון מחדש את המודל עד שהביצועים עומדים ברמת האיכות הרצויה (למשל, שיעור דוחה שקר מתחת ל-0.1%).

5.רכבת מפעילי וסגל תחזוקה

ודא כי אנשי הצוות מבינים כיצד לפרש הודעות מערכת, לבצע ניקוי עדשות קבוע, ולהפעיל בדיקות קלליברציה.לבסס פרוטוקול לטיפול בחלקים דחויים - למשל, האם הם צריכים לעבוד מחדש או לגרד מחדש?

6.לעקוב אחר שיפור מתמשך

השתמש בנתונים שנאספו כדי לחדד את מערכת הראייה לאורך זמן.כפי שנתוני הייצור וכלי השינויים בלבוש, סף עשוי לדרוש התאמה.דיונים תקופתיים נגד המדידות הפיזיות להבטיח דיוק מתמשך.

מסקנה

ראיית מכונות הפכה כלי חיוני בגליון מתכת להרכיב פיקוח איכות.היכולת שלה לבצע בדיקות מהירות, מדויקות, חוזר על פני השטח, סובלנות ממדית, והתאמה גיאומטרית מאפשרת ליצרנים לעמוד בסטנדרטים האיכותיים ביותר תוך צמצום עלויות והעלאת פני השטח.אתגרים נותרים - במיוחד סביב משטחים רפלקטיביים, גיאוגרפימטים מורכבים והשקעות ראשוניות - אבל התקדמות מהירה בלמידה עמוקה, 3Dens, ושילוב של מערכות חישוביות רציניות, אך ללא הרף, ללא הרף, ללא הרף, ללא הרף, ללא הרף, ללא הרף, הן מתחרות, אך הן מתמזגות, אך הן מתמזגות, הן מתחרותיות, אך הן מתמזגות, הן מתמזגות, אך הן מתמזגות, הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות יותר סביב פני השטח האסטרטגיות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, אך הן מתמזגות, ללא הרף, אך הן מתמזגות

(ב) [ה] ל]: [ה] לקראת יתר [ה], ל[ה] ל] [ה] ל[ה] ל][ה] [ה] ל][ה]] ל[ה] ל]"ה'[ה]'[ה']'[ה']'[ה'[ה']'[ה']']'[']'[ה'[ה']'[ה'[ה']']'[ה'[ה']'[ה'[ה'[ה'[ה']'[ה'[ה']']'[ה'[ה']'[ה'[ה']']']'[ה']']'[ה'[ה'[ה'[ה']']']']'[ה'[ה']']'[ה'[ה']']']'[ה']'[ה']']'[ה'[ה'[ה'[ה']'[ה']']']'['[ה'['['['['