Использование машинного зрения для проверки качества при формовании листового металла

Введение

В современном формовании листового металла точность и повторяемость не подлежат обсуждению. Каждая штампованная скобка, изогнутый компонент шасси или глубоко нарисованная панель должны соответствовать взыскательным допускам. В течение десятилетий производители полагались на инспекторов-людей для улавливания дефектов - метод, который ввел субъективность, усталость и непоследовательность. Сегодня технология машинного зрения предлагает преобразующую альтернативу: автоматизированный высокоскоростной контроль, который может обнаруживать поверхностные дефекты, проверять размеры и обеспечивать геометрическое соответствие точности микронного уровня. В этой статье исследуется, как машинное зрение меняет качество контроля в формовке листового металла, охватывая его принципы работы, ключевые компоненты, приложения, преимущества, проблемы и роль новых методов искусственного интеллекта.

Эволюция инспекции качества в формовании листового металла

Ручная проверка была основой контроля качества с первых дней металлообработки. Квалифицированные рабочие визуально осматривали детали на царапины, вмятины, заусеницы и деформации, часто используя датчики go/no-go для проверки размеров. Этот подход, хотя и прост, страдает от нескольких неотъемлемых ограничений:

Появление фотоэлектрических датчиков и базовых систем камер в 1980-х годах стало первым шагом на пути к автоматизации. Эти ранние системы зрения могли обнаруживать грубые дефекты, такие как отсутствующие отверстия или сильно смещенные функции, но им не хватало разрешения и вычислительной мощности для детального контроля. Настоящий прорыв произошел в 2000-х годах с комбинацией цифровых камер высокого разрешения, мощных встроенных компьютеров и сложных библиотек обработки изображений. Сегодня системы машинного зрения могут проверять сотни деталей в минуту, анализируя каждый квадратный миллиметр компонента листового металла на аномалии, которые были бы невидимы для человеческого глаза.

Основы технологии машинного зрения

По своей сути, система машинного зрения имитирует человеческое зрение, но с гораздо большей скоростью и точностью. Процесс включает в себя четыре последовательных этапа: получение изображения, предварительная обработка, анализ и принятие решений. Каждый этап опирается на тщательно интегрированные аппаратные и программные компоненты.

Приобретение изображений

Камера и освещение работают вместе, чтобы создать последовательное, высококачественное изображение. Промышленные камеры часто используют CMOS или CCD-датчики с разрешением от 5 до 50 мегапикселей или более. Скорость кадра должна быть достаточно высокой, чтобы захватывать детали, движущиеся со скоростью производственной линии - иногда превышающей 100 частей в минуту. Освещение, возможно, является наиболее важным элементом: диффузное, яркое, темное поле или структурированное освещение может быть выбрано в зависимости от типа обнаруженного дефекта. Для отражающих листовых металлических поверхностей контролируемое освещение предотвращает горячие точки и обеспечивает однородный контраст.

Предварительная обработка

Сырые изображения редко готовы для анализа. Предобработанные этапы включают снижение шума, усиление контраста и геометрические коррекции (например, удаление искажения ствола из линз). Эти операции обычно выполняются специализированным оборудованием FPGA или GPU для поддержания времени цикла на низком уровне.

Анализ

Программное обеспечение обработки изображений применяет алгоритмы для обнаружения интересных особенностей. Традиционные методы основаны на обнаружении краев, анализе пятен, сопоставлении шаблонов и сравнении шаблонов. Например, система может сравнивать положение штампованных отверстий с моделью САПР с использованием методов корреляции. Более продвинутые реализации используют модели машинного обучения, обученные на тысячах дефектных и недефектных изображений. На этапе анализа выводятся количественные измерения (например, диаметр отверстия, угол изгиба, шероховатость поверхности) и решение о пропуске / сбое.

Решение и действия

На основе анализа система зрения запускает выход: принимают деталь, отправляют на переделочную станцию или отклоняют ее. Это решение часто сообщается через ПЛК или непосредственно роботизированной руке для физической сортировки. В некоторых системах результаты проверки регистрируются в центральную базу данных для статистического управления процессом (SPC) анализа.

Ключевые компоненты современной системы машинного зрения

Для создания надежной инспекционной станции требуется тщательный отбор каждого компонента. В таблице ниже указаны основные элементы и их роли.

Применение машинного зрения при формовании листового металла

Машинное зрение развертывается во всем процессе формирования - от инспекции поступающего материала до проверки конечной части. В следующих подразделах подробно описаны наиболее распространенные приложения.

Обнаружение дефектов поверхности

Несовершенство поверхности, такое как царапины, вмятины, ямы и отметины рулона, являются основной проблемой в компонентах автомобилей и приборов. Системы зрения могут освещать деталь с нескольких углов, чтобы выделить изменения топографии. Одной из распространенных методик является метод «темного поля», где низкоугольный свет отражается от поверхности; любой дефект рассеивает свет, создавая яркое пятно на темном фоне. Расширенные системы используют распознавание образов, чтобы отличать приемлемые косметические дефекты от функциональных. Например, можно терпеть небольшую царапину на невидимой поверхности, в то время как вмятина, которая компрометирует уплотнительные поверхности, неприемлема.

Измерительная метрология

Металлические детали листа должны поддерживать жесткие допуски на положениях отверстия, размерах вырезов, углах изгиба и общем профиле. Машинное зрение выполняет эти измерения бесконтактно, часто с субпиксельной точностью (обычно ±0,02 мм или лучше). Используя алгоритмы обнаружения края, система может измерять расстояния между штампованными функциями и сравнивать их с размерами САПР. Для 3D-частей несколько камер или одна камера со структурированным светом (например, лазерная триангуляция) может захватывать профили высоты и плоскостность.

Геометрическая проверка

За пределами простых измерений сформированные части должны удовлетворять сложным геометрическим отношениям, таким как перпендикулярность, параллелизм и радиусы. Системы зрения могут быть запрограммированы для проверки этих геометрических примитивов (линии, круги, плоскости) к наблюдаемым данным. Например, изогнутый фланж должен находиться в пределах определенной угловой терпимости относительно плоскости основания; система зрения может измерять угол непосредственно из правильно ориентированного изображения.

Проверка сборки и присутствия

В операциях нисходящего потока машинное зрение проверяет, правильно ли вставлены и расположены орехи, шпильки, зажимы или другие крепежные элементы. Это часто делается после этапа формирования, с использованием сопоставления шаблонов или анализа цвета для подтверждения присутствия и ориентации. Отсутствующие или смещенные вставки могут вызвать немедленный отказ, предотвращая дорогостоящие сбои сборки нисходящего потока.

Лазерная проверка сварного шва

При соединении деталей из листового металла с помощью лазерной сварки (обычно в специально подобранных заготовках) системы зрения проверяют качество шва сварного шва, обнаруживают пористость, подрезы или отсутствующие сварные швы. Высокоскоростные камеры захватывают расплавленный бассейн и окружающую область; анализ в режиме реального времени может регулировать параметры лазера на сварных швах на лету или флаге.

Преимущества перед традиционными методами проверки

Переход от ручного к машинному зрению обеспечивает измеримые преимущества в нескольких измерениях.

Проблемы и ограничения

Несмотря на свои сильные стороны, машинное зрение сталкивается с несколькими проблемами в средах формирования листового металла.

Отражательность поверхности

Листовые металлические поверхности часто обладают высокой отражающей способностью, что приводит к ослеплению системы зрения или созданию ложных сигнатур дефектов. Стратегии смягчения включают использование диффузного освещения, поляризационных фильтров или краски с матовой отделкой для станций только для осмотра. Однако некоторые части геометрии по своей сути трудно освещать без зеркальных отражений.

Сложные геометрии и затворы

Глубоко нарисованные компоненты с подрезами, ребрами или сложными кривизнами могут иметь функции, которые скрыты от одной камеры. Решение часто требует нескольких камер (многозрительный осмотр) или камер, установленных на роботе, которые перемещаются по детали. Это увеличивает сложность системы и стоимость.

Переменные условия освещения

Заводские этажи не контролируются лабораториями. Изменение окружающего света, накопление пыли на линзах и вибрация могут ухудшить качество изображения. Закрытие инспекционной станции светонепроницаемым корпусом и использование контролируемого внутреннего освещения помогает, но графики технического обслуживания и калибровки должны быть строгими.

Высокая начальная стоимость

Интегрированная система зрения с несколькими камерами, высокоскоростными процессорами и специализированным программным обеспечением может стоить десятки тысяч долларов. Для малообъемных операций или простых проверок ROI может быть трудно обосновать. Однако стоимость аппаратного обеспечения неуклонно снижается, а программное обеспечение с открытым исходным кодом (например, OpenCV) снижает барьеры входа.

Требование к обучению и навыкам

Развертывание и поддержание системы машинного зрения требует знаний оптики, настройки камеры, разработки алгоритмов и анализа данных.Многие производители не имеют собственного опыта и должны полагаться на интеграторов, контракты на обслуживание или программы повышения квалификации.

Технологические достижения: ИИ и глубокое обучение в инспекции зрения

Традиционное машинное зрение опирается на ручные функции и фиксированные пороги. Эти системы хорошо работают в контролируемых условиях, но борются с непредсказуемыми аномалиями, такими как новый тип царапин или размытий, вызванных нефтяным туманом. Глубокое обучение, особенно сверточные нейронные сети (CNN), резко расширило возможности систем зрения.

Вместо правил программирования инженеры кормят систему тысячами аннотированных изображений дефектов и приемлемых деталей. CNN учится извлекать соответствующие функции самостоятельно. Такой подход особенно эффективен для:

Многие современные платформы промышленного видения (например, Cognex Deep Learning, VisionAI, Viso Suite) интегрируют эти модели. Они требуют большого набора обучающих данных, но обучение передаче позволяет предварительно обученным моделям быть настроенными всего на несколько сотен изображений. С ростом краевых процессоров ИИ (NVIDIA Jetson, Intel Movidius) вывод может работать непосредственно на заводском этаже без задержки облачных вычислений.

Еще одна новая тенденция - использование 3D-видения со структурированным светом и датчиками времени полета. Эти системы могут проверять на наличие внеплановых деформаций, таких как пружина в сформированных частях, с высокой точностью. В сочетании с глубоким обучением они позволяют действительно универсальным станциям контроля, которые адаптируются к изменениям деталей без перепрограммирования.

Стратегии внедрения для производителей

Принятие машинного зрения не является универсальным решением. Структурированный подход дает наилучшие результаты.

1. Определить требования к инспекции

Начните с документирования типов дефектов для обнаружения (например, царапин > 0,5 мм, положения отверстия ± 0,1 мм), приемлемых допусков и требуемой скорости проверки.

2.Оценить существующие ограничения производственной линии

Рассмотрим доступное пространство, время цикла, обработку деталей (например, автоматизированный конвейер против ручного размещения) и существующую автоматизацию. Система видения должна быть интегрирована без замедления линии. Часто после пресса или формирующей ячейки добавляется специальная станция контроля.

3.Выберите аппаратное и программное обеспечение

Выберите разрешение камеры, фокусное расстояние объектива и тип освещения на основе наименьшего дефекта, который необходимо обнаружить. Для размерных измерений рекомендуются телецентрические линзы. Для поверхностного осмотра типично диффузное или поляризованное освещение. Оцените программное обеспечение: традиционных библиотек машинного зрения достаточно для простых измерений, а для классификации дефектов предпочтительны наборы инструментов глубокого обучения.

4.Прототип и валидат

Перед полным развертыванием запустите пилот на выборке известных хороших и известных дефектных деталей. Измерьте ложные коэффициенты отклонения и ложные коэффициенты приемки. Отрегулируйте пороги или переобучите модель до тех пор, пока производительность не достигнет желаемого уровня качества (например, коэффициент ложного отклонения ниже 0,1%).

5. Операторы поездов и обслуживающий персонал

Убедитесь, что персонал понимает, как интерпретировать системные сообщения, выполнять регулярную очистку объектива и проводить калибровочные проверки. установить протокол для обработки отклоняемых деталей, например, они должны быть переработаны или утилизированы? Документировать все процедуры.

6.Проверка непрерывного улучшения

Используя собранные данные, можно усовершенствовать систему зрения с течением времени. По мере изменения объемов производства и износа оснастки пороговые значения могут нуждаться в корректировке. Периодические проверки физических измерений обеспечивают длительную точность.

Заключение

Машинное зрение стало незаменимым инструментом в проверке качества формования листового металла. Его способность выполнять быстрые, точные и повторяемые проверки поверхностной отделки, размерных допусков и геометрической совместимости позволяет производителям соответствовать самым высоким стандартам качества при одновременном снижении затрат и увеличении пропускной способности. Проблемы остаются - особенно вокруг отражающих поверхностей, сложных геометрий и первоначальных инвестиций - но быстрые достижения в области глубокого обучения, 3D-чувствования и краевых вычислений постоянно расширяют сферу и доступность этих систем. Для любой компании, серьезно относящейся к конкуренции в точном производстве, интеграция машинного зрения в процесс формирования больше не роскошь, а стратегическая необходимость.

Для дальнейшего чтения обратитесь к отраслевым ресурсам, таким как EMVA 1288 стандарт для характеристики камеры , Руководство по регулированию технологий машинного зрения и NITZE анализ систем зрения в автомобильном металлообразовании .