CN110806736B - 一种模锻成形智能制造生产线锻件质量信息检测方法 - Google Patents
一种模锻成形智能制造生产线锻件质量信息检测方法 Download PDFInfo
- Publication number
- CN110806736B CN110806736B CN201911130426.8A CN201911130426A CN110806736B CN 110806736 B CN110806736 B CN 110806736B CN 201911130426 A CN201911130426 A CN 201911130426A CN 110806736 B CN110806736 B CN 110806736B
- Authority
- CN
- China
- Prior art keywords
- image
- forging
- information
- detection
- forge piece
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005242 forging Methods 0.000 title claims abstract description 91
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 91
- 230000007547 defect Effects 0.000 claims abstract description 50
- 238000009966 trimming Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000003825 pressing Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000005336 cracking Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 102100021757 E3 ubiquitin-protein ligase RNF135 Human genes 0.000 description 1
- 101001106984 Homo sapiens E3 ubiquitin-protein ligase RNF135 Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Forging (AREA)
Abstract
本发明公开了一种模锻成形智能制造生产线锻件质量信息检测方法，主要包括：各成形阶段缺陷信息检测及终锻、切边阶段形状尺寸信息检测。锻件缺陷信息检测步骤如下：工业相机进行在线图像数据收集；读取图像信息，将图像转换成单通道灰度图像；采用卷积神经网络智能算法进行缺陷质量信息检测分类；检测分类结果存入数据库，结束；形状信息检测步骤如下：采用三维扫描仪进行锻件多角度数据扫描；锻件云图自动拼合；锻件云图数据生成实体与模型形状对比，进行分类；形状信息数据检测分类结果存入数据库，结束。本发明能够快速、精准、实时地剔除不合格产品，提高良品率，达到智能生产及智能质量控制的目的。
Description
技术领域
本发明属于智能制造及智能检测技术领域，特别涉及一种多阶段智能在线质量信息检测方法。
背景技术
锻件在航天、航空、船舶、汽车等领域应用广泛，在提高锻件生产效率的同时也要求质量越来越好，但是由于受到人员、环境、设备、工艺、原始坯料等影响，锻件易出现折叠、裂纹等缺陷及尺寸精度问题，严重影响最终产品的性能和质量。传统的质量检测方法主要通过人工实现在线检测，检测效率低，成本较高，检测精度不能保证且容易出现误判，对工人的经验具有较强的依赖性，对于大批量生产的生产线适合人工抽检不适合全检，但是抽检会对后期追溯造成影响且人工抽检主观性强、无法体现全面性，对于小批量生产的生产线适合全检，但是工人劳动强度大，容易出现误判。为提高产品质量及对后面产品质量信息追溯实现智能化生产，提出一种模锻成形智能制造生产线锻件质量信息检测技术。
本发明实现多阶段多种质量信息在线检测，具有较强质量控制力度；同时结合智能算法实现产品缺陷的识别，为智能化生产提供良好思路。
发明内容
本发明的目的：因高温图像特征不明显，且特征信息杂乱。首先，应用高温图像处理方法提取主要特征，提高后续智能算法识别速度；最后，应用高温图像处理方法结合智能识别算法，提出一种模锻成形智能制造生产线锻件质量信息检测技术，克服高温环境下多阶段多种缺陷、尺寸在线精准检测的困难，解决现有生产检测精准性低、效率低，多阶段生产质量控制力度不够的问题。能够快速、精准、实时地剔除不合格产品，提高良品率，达到智能生产及智能质量控制的目的。
本发明采用的技术方案为一种模锻成形智能制造生产线，包括智能检测装置和机械设备，机械设备包括机械手臂A(1)、机械手臂B(5)、机械手臂C(8)、旋转加热炉(3)、物流辊道A(2)、物流辊道B(10)、锻压设备(4)、切边机(6)，机械设备作用是实现工件的成形及运输；智能检测装置包括检测平台A(7)、检测平台B(13)、三维扫描装置A(11)、三维扫描装置B(12)、工业相机(14)、激光打码机(9)，智能检测装置作用是实现锻造过程中工件质量信息的检测及存储功能。
所述机械手臂A(1)、旋转加热炉(3)、锻压设备(4)、机械手臂B(5)、切边机(6)、机械手臂C(8)、激光打码机(9)、三维扫描装置A(11)、三维扫描装置B(12)、检测平台A(7)、检测平台B(13)和工业相机(14)分别通过Profibus-DP现场总线与总控PLC连接，各设备之间通讯经过总控PLC采用工业总线传输数据；所述物流辊道A(2)上带有传感器通过I/O接口与总控PLC相连，当工件到达传感器时总控PLC将信号传输给机械手臂A(1)，机械手臂A(1)进行相关动作；所述工业相机(14)在每阶段锻压完成后由锻压设备(4)与总控PLC进行通讯并驱动工业相机(14)进行相关动作；所述工业相机(14)与图像采集卡(16)采用USB3.0数据传输，图像采集卡与工控机(15)也采用USB3.0接口进行数据通讯。
一种模锻成形智能制造生产线检测方法：首先，锻件经由锻压设备多阶段锻压成形，每次锻压成形结束后，锻件都由工业相机(14)进行缺陷检测；缺陷检测的模式主要包括折叠、裂纹、正常三种模式，若未达到终锻之前锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整各阶段锻压参数；若终锻结束后锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整设备，将锻件二次加热重新锻打，锻件缺陷信息存入数据库中；若锻件正常，锻件经过机械手臂B(5)运输至检测平台B(13)快速检测锻件几个关键尺寸用于判别是否进入切边阶段；若尺寸不合格，锻件二次加热重新锻打；若尺寸检测合格，锻件经由机械手臂B(5)运输至切边机(6)进行切边。
切边完成锻件由机械手臂C(8)运输至检测平台A(7)进行二次尺寸信息检测，若尺寸检测不合格，停止操作切边机调整切边机设备参数，锻件由机械手臂C(8)转移至激光打码记录信息，同时转移至废品区；若锻件尺寸合格由机械手臂C(8)运输至激光打码机(9)打码记录锻件信息，并转移至物流辊道B(10)，结束。
模锻成形智能制造生产线的质量信息检测方法包括各成形阶段缺陷信息检测技术及终锻完成阶段、切边完成阶段形状尺寸信息检测技术。
模锻成形智能制造生产线缺陷信息检测包括如下步骤：
S1.工业相机进行图像信息收集，经图像采集卡存入工业控制机中。
S2.读取图像信息，图像灰度增强、去噪，计算机处理存储的图像，图像处理步骤如下：
a.计算机读取高温红热原始图像；
b.将所有的收集的数据分辨率调整为256*256像素，转化成灰度图像；
c.采用非线性灰度增强的方法对图像进行缺陷加强，增强缺陷特征；
d.对图像进行中值滤波处理，去除锻件噪音并且最大化保留缺陷及图像轮廓边缘；
e.对原始图像进行二值化处理、图像分割，生成数据；
f.结束。
S3.根据步骤S2中所处理的图像，采用卷积神经网络(CNN)智能算法进行缺陷质量信息分类，信息处理步骤如下：
a.设置CNN模型为4卷积层、3全连接层，其中每层卷积层后面跟随一层池化层，全连接层最后一层应用softmax算法进行分类，卷积核大小为3X3，步长设置为1，池化层池化核大小为2X2，采用平均池化法提取特征，全连接层训练学习率为0.02，迭代次数20000次，并应用特征融合对卷积层输出进行特征融合降维，提高网络运算效率；
b.读取处理好的图像数据，将数据输入到步骤a训练的CNN模型中；
c.记录分类结果，并保存在数据库中。
d.存储分类信息，记录不合格产品缺陷信息；
e.结束。
模锻成形智能制造生产线切边阶段的尺寸信息检测：
锻件经由压力设备终锻结束后由机械手臂B(5)运输至检测平台B(13)进行尺寸信息检测，切边完成锻件移动至检测台A(7)三维扫描装置(1)对锻件进行三维扫描，锻件尺寸信息检测步骤如下：
a.三维扫描装置系统自动标定，完成精度调整；
b.利用面结构光扫描仪对锻件进行快速扫描获取锻件的点云数据；
c.自动拼接，对比模型；
d.形状信息检测分类数据存入数据库。
e.结束
切边阶段进行锻件打码，各成形阶段缺陷信息及终锻完成、切边阶段形状信息检测数据存入数据库中，最终完成锻件质量检测。
本发明的有益效果：
本发明检测技术主要包括多阶段缺陷信息检测、形状信息检测：多阶段缺陷信息检测技术用于所述生产线上，可实时获取图像信息数据，针对锻件高温状态缺陷模糊特点，应用图像处理技术增强锻件缺陷特征，提高了缺陷信息辨识度为缺陷识别提高效率，同时应用卷积神经网络结合特征融合、数据降维算法进行缺陷识别检测，提高线上识别检测效率及精准度；多阶段形状信息检测技术用于所述生产线上，通过特征扫描技术检测锻件尺寸，实现多阶段锻件形状尺寸信息的控制；
本发明的检测方法在锻造实际生产过程中能够实现多阶段多种质量信息的检测，与常规检测技术相比具有较强的质量控制力度、较高检测识别的效率及精准度，能够减少误判的情况，降低了工人劳动强度，同时最终的打码及信息存储，能够实现质量追溯，提高了模锻生产线的智能化生产程度。
附图说明
现将结合附图以举例的方式描述本发明，在附图中：
图1为本发明检测过程实施流程图；
图2为模锻成形智能制造生产线示意图；
图3为缺陷信息检测流程图；
图4为数据采集、传输装置示意图；
图5为图像数据处理流程图；
图6数据处理示例；(a)为示例原始图像数据；(b)为示例增强数据。(c)为示例去噪数据。(d)为示例二值化后数据
图7为图像灰度直方图；
图8为智能算法缺陷分类的流程图；
图9模型设计及训练流程图
图10为三维扫描检测流程图
图11锻件三维扫描图，(a)锻件点云图，(b)锻件处理图，(c)锻件尺寸对比图
具体实施方式
下面详细描述本发明的实例，所述实例的示例在附图中展示：
本发明所述实施流程如图1所示，具体实施过程如下：
模锻成形智能制造生产线实施过程：首先，坯料经过物流辊道A(2)由机械手臂(1)运输进入旋转加热炉(3)进行加热，由机械手臂A(1)运输进入锻压设备(4)进行锻压成形，锻件经由锻压设备多阶段锻压成形，每次锻压成形结束后，锻件都由工业相机(14)进行缺陷检测；缺陷模式主要包括折叠、裂纹、正常三种模式，若未达到终锻之前锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整各阶段锻压参数；若终锻结束后锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整设备，将锻件二次加热重新锻打，锻件缺陷信息存入数据库中；若锻件正常，锻件经过机械手臂B(5)运输至检测平台B(13)快速检测锻件几个关键尺寸用于判别是否进入切边阶段；若尺寸不合格，锻件二次加热重新锻打；若尺寸检测合格，锻件经由机械手臂B(5)运输至切边机(6)进行切边。
切边完成锻件由机械手臂C(8)运输至检测平台A(7)进行二次尺寸信息检测，若尺寸检测不合格，停止操作切边机调整切边机设备参数，锻件由机械手臂C(8)转移至激光打码记录信息，同时转移至废品区；若锻件尺寸合格由机械手臂C(8)运输至激光打码机(9)打码记录锻件信息，并转移至物流辊道B(10)，结束。
本发明缺陷信息检测流程如图3所示，具体实施过程如下：
首先，成形结束后工业相机收集高温锻件图像信息，经过图像采集卡后数据存入工控机中，然后工控机提取采集的图像信息，进行图像增强、去噪等处理，最大化保留图像特征，将处理的图像输入至卷积神经网络模型中进行图像缺陷的检测，最后对锻件进行激光打码并存储信息，步骤如下：
S1(步骤一)如图4所示数据采集、传输装置包括：工业相机(14)、工业控制机(15)、图像采集卡(16)、光源(17)；实施过程：工业相机收集图像信息，经图像采集卡将光信号转化为电信号，信号经过图像采集卡存入工业控制机；
S2(步骤二)图像处理的流程图如图5所示，读取红热高温锻件原始图像信息，调整图像分辨率，图像灰度增强、去噪，对图像进行二值化处理，具体实施步骤如下：
a.首先，调整原始图像，将图像像素大小调整为为256*256，将图像转化成灰度图像如图6的(a)所示；
b.通过非线性灰度增强法将图像缺陷增强便于识别，图像增强公式为：g(x，y)＝bc[f(x，y)-a]-1，其中g(x，y)代表坐标为(x，y)的增强后灰度值，f(x，y)为坐标(x，y)增强之前的灰度值，[a，b]为变换前的灰度值范围，c为增强后的灰度值最低值，可通过调整a、b、c使图像灰度增强，如图6的(b)所示；
c.图像进行滤波处理，选取像素采样矩阵大小为
的矩阵且
为奇数，对像素矩阵灰度值取x1…xn进行滤波处理，对n和灰度值进行从大到小排序处理，其中xi为滤波中心的值，输出xi，得到最佳滤波图像，如图6的(c)所示；
d.对增强图像进行二值化处理，寻找灰度阈值t进行图像二值化处理，将图像的灰度分成两组，当两组类间方差最大时，此时的灰度阈值t就是图像二值化的最佳阈值；设图像有M个灰度值(M取值0～255)，取值范围在0～M-1，在这范围内取一个灰度值t，将图像分成两组A1和A2，A1包含的像素0～t，A2的像素为t～M-1，用N表示图像像素总数65536，ni代表灰度值为i的像素个数如图7所示(灰度直方图)。pi代表灰度为i出现的概率
所以确定两组灰度值的权重在整个图像的占比为w1、w2，两组的平均灰度值为m1、m2；计算两组灰度值的权重：
平均灰度值：
接下来计算总的平均灰度：m＝w1×m1+w2×m2，类间方差为f(t)＝w1×(m1-m)2+w2×(m2-m)2，寻找f(t)类间方差最大时对应的t值即为图像分割效果最好，阈值t可将整幅画面区分的效果最好，如图6的(d)所示为二值化处理的图像。
S3(步骤三)如图8所示为图像检测分类流程，本发明对输入数据进行处理减小冗余信息，并将特征融合处理方法与卷积神经网络模型结合，对锻件的折叠、裂纹缺陷进行识别检测，提高识别效率；首先，计算机读取二值化图像，将图像输入训练好的卷积神经网络中进行缺陷质量信息分类，最后将分类信息存储；
上述提到卷积神经网络模型需要进行设计与训练，如图9所示，应用卷积神经网络并结合特征融合方法设计模型。
首先，建立7层卷积神经网络模型，初始化神经网络的参数，设置CNN模型为4个卷积层、3全连接层，每层卷积层后跟随一个池化层，全连接层最后一层应用softmax算法进行分类，卷积核大小为3X3，步长设置为1，池化层池化核大小为2X2，卷积层采用修正线性单元(REUL)激活函数进行传播，池化层采用平均池化法提取特征，卷积层计算公式为
其中Mj表示选择的输入特征集合，Xj l表示l层的第j个输出矩阵，
为第l层的第j个输出的第i个卷积核，bj l表示第l层的第j个偏置值，池化层采用均值池化方法进行池化采样，卷积网络误差传播采用梯度下降算法进行梯度的计算更新权值，全连接层训练学习率为0.02，迭代次数20000次，得出输出向量。
卷积层输出特征应用主成分分析法进行特征融合，将向量进行降维处理，设有N个样本，J个特征，对原始应力数据进行标准化处理
Sj为每类特征的方差，
为每类特征的均值，xnj表示第n个样本的第j个特征，计算相关系数，R＝cov(Xt，Xj)，对相关系数矩阵求特征值及特征向量，计算累计贡献率大于85％特征值应用Zh＝l1jX1 *+l2jX2 *+…lJjXJ *，L为特征值对应的特征向量，计算融和的特征数据Zh，且Zh<Zj，将融合的特征输入全连接层，全连接层输出用softmax算法进行分类。
利用锻造仿真获取大量的缺陷样本，应用缺陷样本对卷积网络进行初始化的训练，通过学习得到最终卷积神经网络模型，训练结束后应用到锻压阶段、切边阶段的缺陷识别，达到对缺陷识别、检测的效果。
完成识别后数据存入数据库中，激光打码机(9)对锻件进行打码，并将相应信息存入标识中为后续追溯提供依据，并及时根据缺陷识别信息进行工艺改进、设备维修等。
本发明尺寸信息检测流程如图10所示，具体实施过程如下：
锻件经过终锻完成后，快速进行关键尺寸的扫描，以便判断是否进入下一阶段加工，若锻件合格锻件由机械手臂B(5)运输至切边机进行切边，若锻件不合格，进行二次加热重新锻打，切边完成后，机械手臂C(8)将锻件从切边机(6)放置在检测台A(7)，具体如下：三维扫描仪自动进行精度标定，三维扫描装置对锻件进行多角度扫描形成点云图如图11的(a)，系统自动将点云图拼接形成三维图形如图11的(b)，扫描的三维图与模型对比检测出尺寸、形位公差，若尺寸不合格时会给出信号如图11的(c)所示，扫描结束后机械手臂C(8)将锻件转移至激光打码机(9)进行打码并将尺寸不合格信息记录，结束。
Claims (4)
1.一种模锻成形智能制造生产线锻件质量信息检测方法，其特征在于：首先，锻件经由锻压设备多阶段锻压成形，每次锻压成形结束后，锻件都由工业相机(14)进行缺陷检测；缺陷检测的模式主要包括折叠、裂纹、正常三种模式，若未达到终锻之前锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整各阶段锻压参数；若终锻结束后锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整设备，将锻件二次加热重新锻打，锻件缺陷信息存入数据库中；若锻件正常，锻件经过机械手臂B(5)运输至检测平台B(13)快速检测锻件几个关键尺寸用于判别是否进入切边阶段；若尺寸不合格，锻件二次加热重新锻打；若尺寸检测合格，锻件经由机械手臂B(5)运输至切边机(6)进行切边；
切边完成锻件由机械手臂C(8)运输至检测平台A(7)进行二次尺寸信息检测，若尺寸检测不合格，停止操作切边机调整切边机设备参数，锻件由机械手臂C(8)转移至激光打码记录信息，同时转移至废品区；若锻件尺寸合格由机械手臂C(8)运输至激光打码机(9)打码记录锻件信息，并转移至物流辊道B(10)，结束；
各成形阶段及终锻完成阶段缺陷信息检测方法；
S1：数据采集、传输装置包括：工业相机(14)、工业控制机(15)、 图像采集卡(16)、光源(17)；工业相机收集图像信息，经图像采集卡将光信号转化为电信号，信号经过图像采集卡存入工业控制机；
S2：图像处理的流程中，读取红热高温锻件原始图像信息，调整图像分辨率，图像灰度增强、去噪，对图像进行二值化处理，具体实施步骤如下：
a.首先，调整原始图像，将图像像素大小调整为为256*256，将图像转化成灰度图像；
b.通过非线性灰度增强法将图像缺陷增强便于识别，图像增强公式为：
，其中g(x，y)代表坐标为(x，y)的增强后灰度值，f(x，y)为坐标(x，y)增强之前的灰度值，[a，b]为变换前的灰度值范围，c为增强后的灰度值最低值，可通过调整a、b、c使图像灰度增强；
c.图像进行滤波处理，选取像素采样矩阵大小为
的矩阵且
为奇数，对像素矩阵灰度值取x1...xn进行滤波处理，对n和灰度值进行从大到小排序处理，其中xi为滤波中心的值，输出xi，得到最佳滤波图像；
d.对增强图像进行二值化处理，寻找灰度阈值t进行图像二值化处理，将图像的灰度分成两组，当两组类间方差最大时，此时的灰度阈值t就是图像二值化的最佳阈值；设图像有M个灰度值，M取值0～255，设取值范围在0～M-1，在这范围内取一个灰度值t，将图像分成两组A1和A2，A1包含的像素0～t，A2的像素为t～M-1，用N表示图像像素总数65536，ni代表灰度值为i的像素个数；pi代表灰度为i出现的概率
,所以确定两组灰度值的权重在整个图像的占比为w1、w2，两组的平均灰度值为m1、m2；计算两组灰度值的权重：
、
；平均灰度值
、
，接下来计算总的平均灰度：m＝w1×m1+w2×m2，类间方差为f(t)＝w1×(m1-m)2+w2×(m2-m)2，寻找f(t)类间方差最大时对应的t值即为图像分割效果最好，阈值t可将整幅画面区分的效果最好；
S3：对输入数据进行处理减小冗余信息，并将特征融合处理方法与卷积神经网络模型结合，对锻件的折叠、裂纹缺陷进行识别检测，提高识别效率；首先，计算机读取二值化图像，将图像输入训练好的卷积神经网络中进行缺陷质量信息分类，最后将分类信息存储。
2.根据权利要求1所述的一种模锻成形智能制造生产线锻件质量信息检测方法，其特征在于：
所述方法中包括智能检测装置和机械设备，机械设备包括机械手臂A(1)、机械手臂B(5)、机械手臂C(8)、旋转加热炉(3)、物流辊道A(2)、物流辊道B(10)、锻压设备(4)、切边机(6)，机械设备作用是实现工件的成形及运输；智能检测装置包括检测平台A(7)、检测平台B(13)、三维扫描装置A(11)、三维扫描装置B(12)、工业相机(14)、激光打码机(9)，智能检测装置作用是实现锻造过程中工件质量信息的检测及存储功能；
所述机械手臂A(1)、旋转加热炉(3)、锻压设备(4)、机械手臂B(5)、切边机(6)、机械手臂C(8)、激光打码机(9)、三维扫描装置A(11)、三维扫描装置B(12)、检测平台A(7)、检测平台B(13)和工业相机(14)分别通过Profibus-DP现场总线与总控PLC连接，各设备之间通讯经过总控PLC采用工业总线传输数据；所述物流辊道A(2)上带有传感器通过I/O接口与总控PLC相连，当工件到达传感器时总控PLC将信号传输给机械手臂A(1)，机械手臂A(1)进行相关动作；所述工业相机(14)在每阶段锻压完成后由锻压设备(4)与总控PLC进行通讯并驱动工业相机(14)进行相关动作；所述工业相机(14)与图像采集卡(16)采用USB3.0数据传输，图像采集卡与工业控制机(15)也采用USB3.0接口进行数据通讯。
3.根据权利要求1所述的一种模锻成形智能制造生产线锻件质量信息检测方法，其特征在于：
步骤S3：根据步骤S2中所处理的图像，采用卷积神经网络CNN智能算法进行缺陷质量信息分类，信息处理步骤如下：
a.设置CNN模型为4卷积层、3全连接层，其中每层卷积层后面跟随一层池化层，全连接层最后一层应用softmax算法进行分类，卷积核大小为3X3，步长设置为1，池化层池化核大小为2X2，采用平均池化法提取特征，全连接层训练学习率为0.02，迭代次数20000次，并应用特征融合对卷积层输出进行特征融合降维，提高网络运算效率；
b．读取处理好的图像数据，将数据输入到步骤a训练的CNN模型中；
c．记录分类结果，并保存在数据库中；
d．存储分类信息，记录不合格产品缺陷信息；
e.结束。
4.根据权利要求1所述的一种模锻成形智能制造生产线锻件质量信息检测方法，其特征在于：模锻成形智能制造生产线切边阶段的尺寸信息检测：
锻件经由压力设备终锻结束后由机械手臂B(5)运输至检测平台B(13)进行尺寸信息检测，切边完成锻件移动至检测平台A(7),三维扫描装置A(11)对锻件进行三维扫描，锻件尺寸信息检测步骤如下：
a.三维扫描装置系统自动标定，完成精度调整；
b.利用面结构光扫描仪对锻件进行快速扫描获取锻件的点云数据；
c.自动拼接，对比模型；
d.形状信息检测分类数据存入数据库；
e.结束；
切边阶段进行锻件打码，各成形阶段缺陷信息及终锻完成、切边阶段形状信息检测数据存入数据库中，最终完成锻件质量检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911130426.8A CN110806736B (zh) | 2019-11-19 | 2019-11-19 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911130426.8A CN110806736B (zh) | 2019-11-19 | 2019-11-19 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110806736A CN110806736A (zh) | 2020-02-18 |
| CN110806736B true CN110806736B (zh) | 2021-10-15 |
Family
ID=69490462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911130426.8A Active CN110806736B (zh) | 2019-11-19 | 2019-11-19 | 一种模锻成形智能制造生产线锻件质量信息检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110806736B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111326178A (zh) * | 2020-02-27 | 2020-06-23 | 长沙理工大学 | 基于卷积神经网络的多模态语音情感识别系统及方法 |
| CN111798252B (zh) * | 2020-07-08 | 2023-07-25 | 南京工业职业技术学院 | 一种锻件质量追溯系统 |
| CN112170762A (zh) * | 2020-09-22 | 2021-01-05 | 高密三江机械制造有限公司 | 一种新型平锻机用电气控制系统 |
| CN112453311A (zh) * | 2020-11-06 | 2021-03-09 | 北京工业大学 | 一种面向主轴自由锻的智能混线生产系统 |
| CN112504342A (zh) * | 2020-12-04 | 2021-03-16 | 长沙金威汽车电器有限公司 | 车用支座加工检测方法 |
| CN113588656A (zh) * | 2021-07-02 | 2021-11-02 | 江苏恒裕泰智能装备有限公司 | 一种新型螺栓外观尺寸检测方法 |
| CN113641155A (zh) * | 2021-07-23 | 2021-11-12 | 连云港杰瑞自动化有限公司 | 一种高温锻件检测控制系统 |
| CN113552136A (zh) * | 2021-07-30 | 2021-10-26 | 广州中国科学院先进技术研究所 | 一种具有隔振能力的高温锻件视觉检测系统 |
| CN114529510B (zh) * | 2022-01-11 | 2023-05-23 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
| CN114771107B (zh) * | 2022-06-22 | 2022-09-06 | 佛山豪德数控机械有限公司 | 一种智能制造生产线用可识别喷码位置的喷码机系统 |
| CN115289971B (zh) * | 2022-09-27 | 2022-12-23 | 江苏新恒基特种装备股份有限公司 | 一种锻坯尺寸监测方法及监测装置 |
| CN116363087A (zh) * | 2023-03-23 | 2023-06-30 | 南京航空航天大学 | 一种复合材料自动铺放表面缺陷的检测方法 |
| CN116402671B (zh) * | 2023-06-08 | 2023-08-15 | 北京万象创造科技有限公司 | 用于自动打码系统的样品打码图像处理方法 |
| CN116638017B (zh) * | 2023-06-26 | 2024-04-12 | 深圳市欣茂鑫实业有限公司 | 一种基于自动化锻压冲压模的远程控制方法及系统 |
| CN117739819B (zh) * | 2024-02-07 | 2024-05-03 | 上海强华实业股份有限公司 | 精烧制品形状尺寸测量方法及系统 |
Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187548A (zh) * | 2007-12-06 | 2008-05-28 | 上海交通大学 | 大型锻件的激光雷达在线三维测量装置与方法 |
| CN102003938A (zh) * | 2010-10-11 | 2011-04-06 | 中国人民解放军信息工程大学 | 大型高温锻件热态在位检测方法 |
| CN102642120A (zh) * | 2012-05-02 | 2012-08-22 | 兰溪市同力机械有限公司 | 一种餐桌支架支撑臂的制造工艺 |
| CN102825605A (zh) * | 2012-09-13 | 2012-12-19 | 昆山市工业技术研究院有限责任公司 | 具有视觉检测功能的物料移送机器人 |
| CN103230997A (zh) * | 2013-04-01 | 2013-08-07 | 安徽安簧机械股份有限公司 | 一种非调质钢锻件的全自动锻造生产设备及生产工艺 |
| CN203502382U (zh) * | 2013-08-19 | 2014-03-26 | 安徽安簧机械股份有限公司 | 一种杯状类锻件的无损探伤单元 |
| CN104097029A (zh) * | 2014-06-16 | 2014-10-15 | 内蒙古华唐都瑞轮毂有限公司 | 锻旋式短流程工艺 |
| CN104858344A (zh) * | 2015-05-19 | 2015-08-26 | 第一拖拉机股份有限公司 | 一种大型驱动轮锻件的制造方法 |
| CN204638779U (zh) * | 2015-02-02 | 2015-09-16 | 广东工业大学 | 全自动冲压生产线制品表面质量在线检测系统 |
| CN105478529A (zh) * | 2015-02-02 | 2016-04-13 | 广东工业大学 | 全自动冲压生产线制品表面质量在线检测系统及方法 |
| CN205643194U (zh) * | 2016-05-27 | 2016-10-12 | 南京点触智能科技有限公司 | 一种基于机器视觉的触控ito薄膜导电层缺陷检测系统 |
| CN106093204A (zh) * | 2016-02-22 | 2016-11-09 | 南京兰博瑞达检测技术有限公司 | 一种用于锻件裂纹定量识别的相位加权矢量全聚焦成像装置及方法 |
| CN106181233A (zh) * | 2016-07-08 | 2016-12-07 | 南京工程学院 | 一种单面复杂的大尺寸扁平零件的精密成形工艺 |
| CN205852273U (zh) * | 2016-08-04 | 2017-01-04 | 陕西奥邦锻造有限公司 | 一种汽车前轴生产线 |
| CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
| CN108050935A (zh) * | 2017-12-28 | 2018-05-18 | 湖北三环车桥有限公司 | 精密前轴锻件在线快速检测错模量的方法 |
| CN108317952A (zh) * | 2017-12-28 | 2018-07-24 | 湖北三环车桥有限公司 | 精密前轴锻件在线快速检测方法 |
| CN108595612A (zh) * | 2018-04-22 | 2018-09-28 | 北京工业大学 | 一种在生产制造过程中的高温锻件追踪方法 |
| CN207963751U (zh) * | 2018-03-06 | 2018-10-12 | 四川豪特精工装备股份有限公司 | 一种非平面曲轴锻件的检具 |
| CN108732148A (zh) * | 2018-05-09 | 2018-11-02 | 冶金自动化研究设计院 | 一种荧光磁粉探伤在线检测装置及方法 |
| CN109521737A (zh) * | 2018-11-14 | 2019-03-26 | 北京工业大学 | 一种模锻生产线智能控制系统 |
| CN109580630A (zh) * | 2018-11-10 | 2019-04-05 | 东莞理工学院 | 一种机械零部件缺陷的视觉检测方法 |
| CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
| CN109991306A (zh) * | 2017-12-29 | 2019-07-09 | 西南科技大学 | 基于荧光磁粉的金属工件焊接缺陷的分类识别与定位 |
| CN110076579A (zh) * | 2019-04-18 | 2019-08-02 | 北京工业大学 | 一种全自动连续环形锻件生产线 |
| CN110314854A (zh) * | 2019-06-06 | 2019-10-11 | 苏州市职业大学 | 一种基于视觉机器人的工件检测分拣的装置及方法 |
| CN110369668A (zh) * | 2019-08-08 | 2019-10-25 | 无锡航亚科技股份有限公司 | 一种基于镍基高温合金的航空压气机叶片的锻造工艺 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
| EP3411765A1 (en) * | 2016-02-05 | 2018-12-12 | Contmid Holdings, Inc. | Self-regulating and inspecting sorting system |
| CN107492098B (zh) * | 2017-08-17 | 2018-04-10 | 广东工业大学 | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 |
| JP6871143B2 (ja) * | 2017-12-12 | 2021-05-12 | 住友重機械工業株式会社 | プレス成形システム |
-
2019
- 2019-11-19 CN CN201911130426.8A patent/CN110806736B/zh active Active
Patent Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187548A (zh) * | 2007-12-06 | 2008-05-28 | 上海交通大学 | 大型锻件的激光雷达在线三维测量装置与方法 |
| CN102003938A (zh) * | 2010-10-11 | 2011-04-06 | 中国人民解放军信息工程大学 | 大型高温锻件热态在位检测方法 |
| CN102642120A (zh) * | 2012-05-02 | 2012-08-22 | 兰溪市同力机械有限公司 | 一种餐桌支架支撑臂的制造工艺 |
| CN102825605A (zh) * | 2012-09-13 | 2012-12-19 | 昆山市工业技术研究院有限责任公司 | 具有视觉检测功能的物料移送机器人 |
| CN103230997A (zh) * | 2013-04-01 | 2013-08-07 | 安徽安簧机械股份有限公司 | 一种非调质钢锻件的全自动锻造生产设备及生产工艺 |
| CN203502382U (zh) * | 2013-08-19 | 2014-03-26 | 安徽安簧机械股份有限公司 | 一种杯状类锻件的无损探伤单元 |
| CN104097029A (zh) * | 2014-06-16 | 2014-10-15 | 内蒙古华唐都瑞轮毂有限公司 | 锻旋式短流程工艺 |
| CN204638779U (zh) * | 2015-02-02 | 2015-09-16 | 广东工业大学 | 全自动冲压生产线制品表面质量在线检测系统 |
| CN105478529A (zh) * | 2015-02-02 | 2016-04-13 | 广东工业大学 | 全自动冲压生产线制品表面质量在线检测系统及方法 |
| CN104858344A (zh) * | 2015-05-19 | 2015-08-26 | 第一拖拉机股份有限公司 | 一种大型驱动轮锻件的制造方法 |
| CN106093204A (zh) * | 2016-02-22 | 2016-11-09 | 南京兰博瑞达检测技术有限公司 | 一种用于锻件裂纹定量识别的相位加权矢量全聚焦成像装置及方法 |
| CN205643194U (zh) * | 2016-05-27 | 2016-10-12 | 南京点触智能科技有限公司 | 一种基于机器视觉的触控ito薄膜导电层缺陷检测系统 |
| CN106181233A (zh) * | 2016-07-08 | 2016-12-07 | 南京工程学院 | 一种单面复杂的大尺寸扁平零件的精密成形工艺 |
| CN205852273U (zh) * | 2016-08-04 | 2017-01-04 | 陕西奥邦锻造有限公司 | 一种汽车前轴生产线 |
| CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
| CN108050935A (zh) * | 2017-12-28 | 2018-05-18 | 湖北三环车桥有限公司 | 精密前轴锻件在线快速检测错模量的方法 |
| CN108317952A (zh) * | 2017-12-28 | 2018-07-24 | 湖北三环车桥有限公司 | 精密前轴锻件在线快速检测方法 |
| CN109991306A (zh) * | 2017-12-29 | 2019-07-09 | 西南科技大学 | 基于荧光磁粉的金属工件焊接缺陷的分类识别与定位 |
| CN207963751U (zh) * | 2018-03-06 | 2018-10-12 | 四川豪特精工装备股份有限公司 | 一种非平面曲轴锻件的检具 |
| CN108595612A (zh) * | 2018-04-22 | 2018-09-28 | 北京工业大学 | 一种在生产制造过程中的高温锻件追踪方法 |
| CN108732148A (zh) * | 2018-05-09 | 2018-11-02 | 冶金自动化研究设计院 | 一种荧光磁粉探伤在线检测装置及方法 |
| CN109580630A (zh) * | 2018-11-10 | 2019-04-05 | 东莞理工学院 | 一种机械零部件缺陷的视觉检测方法 |
| CN109521737A (zh) * | 2018-11-14 | 2019-03-26 | 北京工业大学 | 一种模锻生产线智能控制系统 |
| CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
| CN110076579A (zh) * | 2019-04-18 | 2019-08-02 | 北京工业大学 | 一种全自动连续环形锻件生产线 |
| CN110314854A (zh) * | 2019-06-06 | 2019-10-11 | 苏州市职业大学 | 一种基于视觉机器人的工件检测分拣的装置及方法 |
| CN110369668A (zh) * | 2019-08-08 | 2019-10-25 | 无锡航亚科技股份有限公司 | 一种基于镍基高温合金的航空压气机叶片的锻造工艺 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器视觉的注塑制品尺寸检测及表面缺陷识别;程文博;《万方数据》;20160504;第19-27、52-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110806736A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110806736B (zh) | 一种模锻成形智能制造生产线锻件质量信息检测方法 | |
| CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
| CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
| CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| US10803573B2 (en) | Method for automated detection of defects in cast wheel products | |
| CN107492098B (zh) | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 | |
| CN111292305A (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN108918527A (zh) | 一种基于深度学习的印刷品缺陷检测方法 | |
| CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
| CN112232399B (zh) | 基于多特征融合机器学习的汽车座椅缺陷检测方法 | |
| CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN115880223A (zh) | 一种基于改进yolox的高反光金属表面缺陷检测方法 | |
| CN111445471A (zh) | 基于深度学习和机器视觉的产品表面缺陷检测方法及装置 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN112215263B (zh) | 基于深度卷积神经网络的钢轨波磨检测方法 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
| CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN115526864A (zh) | 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法 | |
| CN117541568A (zh) | 一种基于深度学习的汽车刹车盘表面缺陷检测方法 | |
| CN111160428A (zh) | 基于cnn-svm算法蔬菜自动识别方法 | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |