Form Metal Şekillendirmede Kalite Denetimi için Makine Görme Kullanımı

Giriş Giriş Giriş

Modern sac metali oluşturma, hassas ve tekrarlanabilirlik, konuçsuzluğu yakalamak için değildir.Her damgalı para, iyi şasi bileşeni veya derin çizilen panel tam toleranslara uygun olmalıdır. onlarca yıldır, üreticiler mikron seviyesindeki doğrulukla geometrik uyum sağlamak için - makine vizyonunun, yorgunluk ve tutarsızlıkları yeniden şekillendiren bir yöntem, çalışma prensiplerini kapsayan, yapay zorlukları tespit edebilecek, yüzey hataları tespit edebilecek, boyutlarını kontrol edebilecek ve geometrik uyumluluk sağlamak.

Form Metal Oluşan Kalite Denetiminin Evrimi

Manual inceleme, metal işlemenin ilk günlerinden beri kalite kontrolünün arka kemiği olmuştur. Skilled işçiler görsel olarak parçaları çizebilir, dents, burrs ve deformasyon, sık sık sık sık sık sık sık sık sık sık kontrol için go/no-go ölçümlerini kullanırlardı.Bu yaklaşım, basit, çeşitli kısıtlamalardan muzdarip olur:

• [FONT:0) İnsan hatası:[Dönemli:[Dönemli) Dikkat uzun değişimleri aşabilir; ince kusurları kaçırılabilir.
• [FONT:0]Slow throughput:[Dönetici: Her bölüm yüksek hacimli üretimde şişeler oluşturmak için özel bir zaman gerektirir.
• [[Düzücük:0)Lack of izability:) Muayeneler nadiren yapılandırılmış, arama edilebilir bir formatta kaydedilir.
• [FONT:0) Inconsistency:[Dönetici:[Dönetici:0) Farklı denetçiler farklı öznel kriterleri uygulayabilir.

1980'lerde fotoelektrik sensörlerinin ve temel kamera sistemlerinin gelişi, yüksek çözünürlüklü dijital kameraların birleşimi ile ilk adım işaret etti.Bu erken görme sistemleri, eksik delikler veya brüt yanlış özellikler gibi brüt kusurları tespit edebilir, ancak her kareyi çıplak inceleme için işleme ve işleme gücünden yoksundurlar. Gerçek atılım, 2000'lerde yüksek çözünürlüklü dijital kameraların birleşimiyle geldi, güçlü gömülü bilgisayarlar ve sofistike görüntü işleme kütüphaneleri bugün makine vizyonu sistemleri, makine vizyonu sistemleri, her dakika yüzlerce parçayı inceleyebilir, insan gözüne görünmez olan bir metal bileşeni analiz edebilir.

Makine Vizyon Teknolojisinin Temelleri

Onun özünde, bir makine vizyonu sistemi insan görüşünü taklit eder, ancak çok daha büyük hız ve hassas. Süreç dört temel aşamayı içerir: görüntü satın alma, preişleme, analiz ve karar. Her aşama dikkatlice entegre donanım ve yazılım bileşenlerine dayanır.

Image Acquisition

Kamera ve aydınlatma, tutarlı, yüksek kaliteli bir görüntü oluşturmak için birlikte çalışır. Endüstriyel kameralar genellikle 5 ila 50 megapik veya daha fazla sayıda hata türüne bağlı olarak CMOS veya CCD sensörleri kullanır. Frame oranları, kontrollü parçalar elde etmek için yeterince yüksek olmalıdır - bazen en kritik unsurdur: diffüz, parlak alan, karanlık alan veya yapılandırılmış aydınlatmalar tespit edilen hataların türüne bağlı olarak seçilebilir.

Preprocessing

Raw görüntüleri nadiren analiz için hazırdır. Pre processinging steps include gürültü azaltma, kontrast geliştirme ve geometrik düzeltmeler (örneğin lenslerden gelen kovalamalar) Bu işlemler genellikle FPGA veya GPU donanım tarafından döngü süreleri düşük tutmak için yapılır.

Analiz Analizi Analiz Analizi Analiz Analizi Analiz Analizi Analiz Analizi Analiz Analizi Analiz Analizi

Resim işleme yazılımı, ilgi özelliklerini tespit etmek için algoritmaları geçerlidir. Geleneksel yöntemler kenar algılamasına, blob analizine, model eşleştirmeye ve şablon karşılaştırmasına güvenebilir. Örneğin, bir sistem korelasyon tekniğine karşı damgalı delikler konumunu karşılaştırabilir.Daha gelişmiş uygulamalar makine öğrenme modelleri binlerce hatalı ve ters olmayan görüntülere güvenir.

Karar ve Eylem

Analize dayanarak, görme sistemi bir çıktıyı tetikliyor: bölümü kabul ediyor, yeniden iş istasyonuna gönderin veya reddediyor. Bu karar genellikle PLC veya doğrudan fiziksel tür için bir robot kolu ile iletişim kurabilir. Bazı sistemlerde denetim sonuçları, istatistiksel süreç kontrolü için merkezi bir veritabanına giriş yapılır.

Modern bir Machine Vision System

Güvenilir bir denetim istasyonu inşa etmek her bir bileşeninin dikkatli bir şekilde seçimi gerektirir. tablo aşağıdaki tablo birincil elementleri ve rollerini özetliyor.

• [FONT:0]Cameras:[[Dönetici: [Dönder: Yüksek çözünürlüklü kameralar (GigE, USB3, Kamera Link) ayrıntılı görüntüler yakalamak. Alan-scan kameralar sabit parçalar için uygundur, line-scan kameralar sürekli web veya striptiz için mükemmel.
• [FONT:0]Lenses:[[Dönetici lensler genellikle metroloji uygulamalarında kullanılır çünkü genel hata algılaması için, uygun magnification ile sabit odak uzun lensler yaygındır.
• [FONT=0)Işık Sistemler: [Döntgen:[Döntgen: 0)[[[Döntgenmeler, bar ışıklar, arka ışıklar ve diffüz domes. Polarize aydınlatma, parlak yüzeylerden glare azaltır. Renk filtreleri belirli kusur türleri için kontrast sağlar (örneğin, pas vs. petrol smudges).
• [FONT=0]Image Processing Software:[Döneticileri [Döneticileri:) Ticari kütüphaneler (örneğin, Halcon, OpenCV, Cognex VisionPro) ölçüm, algılama ve sınıflandırma algoritmaları sağlar. Basit Python senaryoları derin öğrenme çerçeveleri ile ilgili olarak daha popüler hale getirir.
• [FONT:0) Kontrol Donanımı: [Dönetici PC'ler veya gömülü vizyon kontrol cihazları, EtherNet/IP aracılığıyla fabrika otomasyon sistemleri ile yazılım ve arayüz çalıştırıyor, Profinet veya dijital I/O.
• [FONT=0)Calibration Standartları:[Dönetici:[Dönetici: 0) Sürekli olarak sistem doğruluğunu doğrulamak için kullanılır.

Form Metal Form'da Makine Görme Uygulamaları

Makine vizyonu tüm formasyon sürecinde dağıtılır - gelen materyal denetimden son bölüm doğrulamasına kadar. Aşağıdaki alt bölümler en yaygın uygulamaları detaylandırır.

Yüzey Tanımlaması

Yüzey kusurları, çizerler, pitler ve rulo işaretleri, otomotiv ve cihaz bileşenlerinde birincil bir endişedir. Vizyon sistemleri üstografi değişikliklerini vurgulamak için birden çok açıdan bir araya gelebilir. Örneğin, düşük boyutlu bir ışık yüzeyinin yüzeyden yansıttığı “karanlık bir yöntemdir; herhangi bir hata ışığı ışık, karanlık bir arka plana karşı parlak bir leke oluşturabilir. Gelişmiş sistemler, fonksiyonel olmayan kozmetik kusurları ayırt etmek için bir model tanıma kullanır. Örneğin, küçük bir çizilmemiş bir yüzey üzerinde küçük bir çizilebilir, yüzeyin kabul edilemez olması için kabul edilemez.

Boyutlu Metroloji

Metal parçalar delik pozisyonları üzerinde sıkı toleranslar sağlamalıdır, kesme boyutları, eğimli açılar ve genel profil. Machine vision bu ölçümleri temassız, sık sık alt-kriptli doğrulukla gerçekleştirir (tipik olarak ±0.02 mm veya daha iyi). kenar algılama algoritmaları kullanarak, sistem damgalı özellikler arasında ölçüler ölçebilir ve bunları CAD boyutlarıyla karşılaştırabilir.3D parçalar için, birden fazla kamera veya tek bir kamera yapısal ışık (örneğin, lazer triangulation) yüksek profiller ve düzlüğü yakalayabilir.

Geometric Verification

Basit boyutlarda, oluşturulan parçalar, perpendicularity, paralellik gibi karmaşık geometrik ilişkileri tatmin etmelidir ve radii. Vizyon sistemleri, geometrikleri (kesinler, uçaklar, uçaklar) gözlemleyen verilere göre kontrol etmek için programlanabilir. Örneğin, bir bent flange, uçaktaki belirli bir angular toleransı olmalıdır; bir vizyon sistemi, doğru bir şekilde odaklı görüntüden doğrudan açıyı ölçebilir.

Meclis ve Presence Verification

Aşağı operasyonlarında, makine vizyonu o fındıkları, ısıtmayı veya diğer taşıyıcıları doğru bir şekilde yapıştırılır ve konumlandırılır. Bu genellikle formasyon aşamasından sonra yapılır ve varlığı ve yönelimini doğrulamak için şablon eşleştirme veya renk analizini kullanır. Eksik veya yanlış eklemeler derhal reddedilebilir, pahalı bir montaj başarısızlıklarını engelleyebilir.

Lazer Weld Seam Muayene

Metal parçalar lazer kaynağı ile (kommon tarafından özel olarak belirlenmiş boşluklar) katıldığında, vizyon sistemleri, oksijenli denizleri tespit eder veya eksik kaynaklar. Yüksek hızlı kameralar molten havuzu yakalar ve alanı çevreleyen; gerçek zamanlı analiz, uçan veya bayraklı kaynaklarda lazer parametrelerini ayarlayabilir.

Geleneksel Muayene Yöntemleri Üzerindeki Avantajları

Elli makineli görme denetiminden gelen değişim birkaç boyutta ölçülebilir faydalar sağlar.

• [FONT=0)Speed and Throughput:[Dönetici:[Dönetici: 0,4] Otomatik denetim, insan denetimlerinin kapasitesinin çok üzerinde işlem yapabilir.Bu, üreticilerin yavaş üretim olmadan% 100 in-line denetim elde etmesine izin verir.
• [FONT:0) Adaylık ve tekrarlanabilirlik:[Dönetici:0) Makine vizyonu öznel yargıyı ortadan kaldırır. Sistem her parçaya aynı kriteri uygular, yorgunluk, dikkatsizlik veya değişim değişiklikleri ile sonuçlanır.
• [FONT:0]Data Collection and Analysis:[Dönetici: [Dönetici: 0,0]Data Collection and Analysis:[Dönetici: [Dönetici: [Dönetici: 0,4] Her denetim olayı, bir ölünün hayatı üzerinde sıfır uzunluğun üzerinde kademeli artış gibi – ve bilgilendirici olmayan parçalara müdahale etmeden önce müdahale eder.
• [FONT:0]Cost Rez:[Dönetici:[Dönetici:0))[[Dönetici:0)Kost Azaltma:[Dönetici:[Dönetici: 0)) İlk sermaye yatırımı önemli olsa da, makine vizyonu doğrudan iş maliyetlerini azaltır, en aza indirmek ve kazılar ve garanti iddialarını azaltır ve birçok şirket 12 ila 18 ay boyunca geri ödeme dönemlerini rapor eder.
• [FONT:0]Traceability and Compliance:[Dönetici:[Dönetici:0)Temizlik ve Uyum:[Dönetici: 0)[Dönetici Sistemi) her bölüm için görüntüler ve denetim sonuçları kaydedebilir, otomotiv (IATF ovatif) ve havacılık (AS9100) gibi endüstriler tarafından gerekli denetimli bir iz yaratılabilir.

Meydanlar ve Sınırlar

Güçlülerine rağmen, makine vizyonu, plaka metal form ortamlarda birkaç zorlukla karşı karşıya.

Yüzey Yansıklık

Metal plaka yüzeyler genellikle oldukça etkileyici, vizyon sistemini kör edebilir veya yanlış hata imzaları oluşturabilir. Mitigation stratejileri, difer aydınlatma, kutuplama filtreleri veya matte ile boyanır, ancak bazı kısım geometriler spektral yansımaları olmadan aydınlatıl zordur.

Kompleks Geometriler ve Occlusions

Derin çizilen parçalar, kaburgalar veya karmaşık eğrilikler tek bir kameradan gizlenmiş özelliklere sahip olabilir. Çözüm genellikle birden fazla kamera (multi-view inceleme) veya robot destekli kameralara ihtiyaç duyar.Bu, sistem karmaşıklığı ve maliyeti artırır.

Değişken Aydınlatma Koşulları

Fabrika zeminleri kontrol edilmez. Orta ışık değişiklikleri, lensler üzerinde toz birikimi ve vibrasyon görüntü kalitesini bozabilir. Kontrol istasyonu ışıkla kontrol edilen bir konutla bölmek ve kontrollü iç aydınlatma yardımcı olmak, ancak bakım ve kalibrasyon programları katı olmalıdır.

Yüksek İlk Maliyet

Birden fazla kamera ile entegre bir vizyon sistemi, yüksek hızlı işlemciler ve özel yazılımlar on binlerce dolara mal olabilir. Düşük hacimli işlemler veya basit denetimler için, ROI haklı çıkarmak zor olabilir. ancak, donanım maliyeti sürekli olarak azaltıldı ve açık kaynak yazılımı (örneğin, OpenCV) giriş engelleri azaltır.

Eğitim ve Beceri Gereksinimleri

Bir makine vizyonu sistemini işletmek ve sürdürmek optik, kamera ayar, algoritma geliştirme ve veri analizi hakkında bilgi gerektirir. Birçok üretici ev uzmanlığından yoksundur ve tümleşik sistemlere, hizmet sözleşmelerine veya daha yetenekli programlara güvenmeli.

Teknolojik Gelişmeler: Vizyon Denetiminde AI ve Deep Learning

Geleneksel makine vizyonu el-crafted özellikleri ve sabit eşler üzerine dayanır. Bu sistemler kontrollü koşullar altında iyi performans gösterir, ancak öngörülemeyen anomalilerle mücadele eder - petrol mist. Deep learning, özellikle de convolutional sinir ağları (CNNs), görme sistemlerinin kapasitesini dramatik bir şekilde genişletmiştir.

Programlama kuralları yerine, mühendisler sistem binlerce antropolojik hataların ve kabul edilebilir parçaların resimlerini besler. CNN kendi özellikleri üzerinde ilgili özellikleri çıkarmak için öğrenir. Bu yaklaşım özellikle etkili:

• [FONT:0)Anomaly algılama:[Dönetici:[Dönetici:[Dönetici:0)[Dönetici:[Dönetici:[Dönetici: 1) Nadir veya daha önce görünmeyen hataları tespit etmek.
• [FONT:0]Semantik segmentasyon: [Dönetici: [Dönetici:0]Her bir pikseli yanlış veya yanlış olmayan sınırlar olarak sınıflandırır.
• [FONT=0) Değişken koşullar altında sınıflandırma:[Dönetici:[Dönetici:0) Aydınlatma veya yüzey tamamlandığında bile doğruluklarını koruyun.

Birçok modern endüstriyel vizyon platformları (örneğin, Cognex Deep Learning, VisionAI, Viso Suite) bu modelleri entegre eder, ancak transfer öğrenme, önceden eğitilmiş modeller sadece birkaç yüz görüntü ile iyi bir şekilde eğitilmeye olanak sağlar.

Başka bir yükselen trend, 3D vizyonun yapısal ışık ve zaman ışığı sensörleri ile kullanılmasıdır. Bu sistemler, oluşturulan parçalardaki ilkbahar gibi, yüksek hassasiyetle bir araya gelerek, gerçekten çok yönlü denetim istasyonlarına yeniden programlanmadan bir şekilde adapte olabilirler.

Üreticiler için Uygulama Stratejileri

Makine vizyonu kabul etmek tek boyutlu bir çözüm değildir. yapılandırılmış bir yaklaşım en iyi sonuçları verir.

1. Denetim Gereksinimleri Tanımlama

Tanımlamanın türlerini belgeleyerek başlayın (örneğin, çizer >0.5 mm uzunluk, delik pozisyonu ±0.1 mm), kabul edilebilir toleranslar ve gerekli denetim hızı.

2. Mevcut Üretim Hattı Ekseği

Mevcut alanı, döngü zamanı, bölüm işleme (örneğin, otomatik konveyör vs. manuel yerleştirme) ve mevcut otomasyon. Görme sistemi hattı yavaşlatmadan entegre edilmelidir. Genellikle, bir denetim istasyonu bir basın veya form oluşturmadan sonra eklenir.

3. Donanım ve Yazılım seçin

Kamera çözünürlüğü, lens odak uzunluğu ve aydınlatma türü tespit edilmesi gereken en küçük hataya dayanan. Boyut ölçümler için telesantrik lensler önerilir. Yüzey incelemesi, diffüz veya kutuplu aydınlatma tipik. Evaluate software: geleneksel makine vizyonu kütüphaneleri basit ölçümler için yeterlidir, derin öğrenme aracıkitleri hata sınıflandırması için tercih edilir.

4. Prototip ve Geçerlilik

Tam dağıtımdan önce, bilinen iyi ve bilinen yanlış parçalar üzerinde bir pilot çalıştırın. Yanlış red ve yanlış kabul oranları. Performans istenen kalite seviyesine kadar modeli yeniden düzenleme (örneğin,% 0.1’in altında bir yanlış reddediş oranı).

5. Tren Operatörleri ve Bakım Personeli

Personelin sistem mesajlarını nasıl yorumlayacağımızı, düzenli lens temizliğini gerçekleştirip, calibrasyon kontrollerini çalıştırmasını sağlayın. reddedilen parçaları işlemek için bir protokol oluşturun -örneğin, yeniden işlenecek veya kopyalanacaklar mı? Dokümanlar tüm prosedürler.

6. Sürekli İyileştirme

Zaman içinde görme sistemini geliştirmek için toplanan verileri kullanın. Üretim hacimleri ve araç aşınma değişiklikleri olarak, eşler düzeltmeye ihtiyaç duyabilir.Demokrat denetimleri fiziksel ölçümlere karşı kalıcı doğruluk sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine vizyonu, yüksek kaliteli denetim oluşturmak için vazgeçilmez bir araç haline geldi. Hızlı, doğru ve tekrarlanabilir kontroller yüzeydeki son, boyut toleransları ve geometrik uygunluk, üreticilerin bu sistemlerin kapsamını ve uygulanabilirliğini sürekli genişletirken, hassas üretimde rekabet etme yeteneğinin azaltılması, karmaşık geometriler ve başlangıç yatırımların - ancak derin öğrenmede hızlı ilerlemeler, 3D algılama ve hassas hesaplamalar, ve geometrik konforlar sürekli olarak genişliyor.

[FONT:0) Daha fazla okuma için, otomotiv metali oluşturmak için vizyon sistemlerinin analizi gibi endüstri kaynaklarına atıfta bulunur). derin öğrenme kaynakları için, endüstriyel derin öğrenme üzerine kurulu makale [FLT: 9).