70、基于机器视觉的压铸件质量控制：经典与机器学习技术案例研究

基于机器视觉的压铸件质量控制：经典与机器学习技术案例研究

1. 引言

机器视觉在工业中的应用正凭借图像分析算法和工业 4.0 概念不断发展。其应用大致可分为光学检测、过程控制、零件识别和机器人引导。光学检测主要检查制造零件的尺寸精度、表面光洁度、特征的存在与定位、多余材料的有无以及表面缺陷等。

在光学检测自动化的发展历程中，起初着重于开发高效稳健的算法，而后追求快速甚至实时响应。近年来，机器学习尤其是卷积网络在光学检测领域崭露头角，但在某些情况下，简单的算法方法仍具有优势。以下是一些典型的光学检测应用：
- 尺寸计量 ：可通过二维截面比较实现，如利用斑点分析确定产品的周长、面积、矩形度和圆度，并与参考值对比。还可利用透视变换和立体成像实现三维机器视觉尺寸测量。
- 工件形状检测 ：基于感兴趣区域（RoI）的边缘检测来检测工件的圆度和直线度，误差和计算时间分别可控制在 10% 和 100 毫秒以内。
- 缺陷检测 ：通过双向经验模态分解过滤缺陷区域，再进行 Canny 边缘检测、边缘断点连接和图像填充。自动阈值检测通常基于 Otsu 算法的改进。实时测量热锻件依赖图像信息一致性和顺序一致性匹配。利用 CUDA 可在 1 秒内为 500 万像素的图像获取铸件表面明暗区域和缺陷阴影的二值图像。

此外，还有一些结合边缘检测算法和神经网络的方法用于检测铸件的气孔、孔隙率和缩孔等缺陷。总体而言，经典的图像分析技术，特别是边缘检测和感兴趣区域描述符已较为成熟，重点在于优化这些算法的组合应用以应对特定的光学检测任务。同时，人工神经网络（ANN）能解决更复