CN100582751C - 用于评估铸造金属构件机械加工面的***和方法 - Google Patents
用于评估铸造金属构件机械加工面的***和方法 Download PDFInfo
- Publication number
- CN100582751C CN100582751C CN200610172952A CN200610172952A CN100582751C CN 100582751 C CN100582751 C CN 100582751C CN 200610172952 A CN200610172952 A CN 200610172952A CN 200610172952 A CN200610172952 A CN 200610172952A CN 100582751 C CN100582751 C CN 100582751C
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- machined surface
- identification
- threshold value
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002184 metal Substances 0.000 title claims abstract description 30
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 30
- 238000007689 inspection Methods 0.000 claims abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000002950 deficient Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 11
- 239000004744 fabric Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 2
- 230000001154 acute effect Effects 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000004411 aluminium Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229920002799 BoPET Polymers 0.000 description 1
- 239000005041 Mylar™ Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N2015/0846—Investigating permeability, pore-volume, or surface area of porous materials by use of radiation, e.g. transmitted or reflected light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
提供一种用于非接触评估铸造金属部件机械加工面的方法和***，其包括基于视觉的孔隙度检查站。获得机械加工面的数字图像，定向并按比例缩放到XY坐标系中，滤波，然后反转。产生消除已知设计表面特征的二次图像。反转数字图像的每一像素与二次图像的相应像素进行XOR比较。统计地分析两幅图像共有的识别的表面特征与阈值的一致性。当两幅图像共有的任何识别的表面特征超过阈值时，识别缺陷。如果缺陷的统计分析表明表面构件可接受，则***移动部件供进一步加工，和可选择地，如果分析表明构件有瑕疵，从进一步加工处移除部件。
Description
技术领域
本发明通常涉及铸造金属部件以及用于检查铸造金属部件的基于视觉、非接触的检查***。
背景技术
一般具有机械加工面的铸造金属构件的制造者检查每一构件，识别表面缺陷的存在，以确定构件是否符合质量标准。关心的表面缺陷典型地包括指示铸造金属中孔隙的孔或开口。例如由铸造金属中的杂质以及在铸造过程中金属流动的问题导致这样的孔隙。具体的孔可以指示小孔隙，或者它可以指示并通向表面下大得多的孔隙。孔可以位于铸造金属的临界位置，例如铸件边缘，或者靠近热影响区，于是影响整个部件的质量和使用性能。可选地，孔可以位于非临界位置，稍微或不影响部件的质量和使用的可靠性及性能。典型地与表面缺陷相关联的铸件中的孔隙包括，举例来说，隔离的小口、具有凹陷区域的孔、孔分离之前产生的铸件中的凸壳、顶部边缘连接的孔或者在凹陷区域内侧上边缘连接的孔。
用于检查和检测表面缺陷的一种现有方法以及装置包括让人工操作员用MYLARTM(或者等效的)模板测量机械加工面，然后视觉上评估结果，从中识别和检测缺陷。这种检查的质量和可靠性受操作员的综合能力和随时间过去的操作行为控制。
已经开发的第二种方法和***包括表面孔隙度检查方法，其使用行扫描照相机和照明***获取表面图像。已经开发软件，其使用自适应的阈值以及隔离的孔和边缘连接的孔的特征评估表面的孔。自适应的阈值灰度方法产生表面的黑白图像。提供供处理的反转二进制(也就是纯黑和白)图像，用算法识别孔。这样的***在制造生产环境中不耐用，因为涉及识别具有边缘连接的孔的表面缺陷的限制。这些限制包括不能可靠地检测具有凹陷区域的孔、孔分离之前产生的凸壳或者在凹陷区域内侧上边缘连接的孔。另外，不能准确测量凸状缺陷和邻近的孔的大小，导致错误的检测。此外，***可能错误地检查小缺陷或尖锐的零件或紧密有角的零件。在机械检查并结合来自检查***的分析之后，这样的***典型地需要操作员检查并将部件分类，阻碍了检查站的目的，并且将人工错误的风险引入该方法。
因此，需要客观地检查和分析在生产线加工速率下的机械加工铸造金属部件的表面，准确、可重复并且可靠地识别缺陷，以便最小化并且消除空走轨道错误。进一步需要可靠地识别杂乱成型的缺陷和高密度小尺寸的缺陷。进一步需要在检查方法中使操作员最小限度地卷入，并且提高检查方法的部件通过速率。
发明内容
根据本发明，一种方法和***提供基于计算机、可见、非接触检查铸造金属部件的机械加工面，按照预定的质量规范，可靠地识别和检测表面缺陷。所公开的方法和***在生产线速率下操作。该方法和***提供基于视觉的***，识别和评估具体的铸造缺陷，即通常所说的孔，并且不需要操作员的紧密参与和相互作用，而此前需要其视觉检查某些构件例如铸造引擎构件的临界机械加工面。该方法和***减少部件评估时间，提高产品的可靠性，并且同时消除在生产环境中可能发生的操作员关于表面质量可能作出的任意判断，从而提供更加一致的部件评估。一般而言，使用同样的测量***和评估标准评估所有的部件，然后从生产线自动去除不能接受的部件。
用于评估铸造金属部件机械加工面的本发明方法和***优选包括多个输送机，其可操作以将铸造金属部件移向孔隙度检查站，以及移出孔隙度检查站。孔隙度检查站包括数字单色照相机、照明站和精确控制的传送站。有具有多台数据处理计算机和图形用户界面的计算机工作站。该工作站可操作地连接到多个输送机，并且显著且可操作地连接到孔隙度检查站。
根据本发明，该***和方法可操作以获得机械加工面的原始像素图像，其中每一像素包括一部分机械加工面的数字化显示，然后根据预定的标准识别原始像素图像中的已知设计表面特征。根据已知设计表面特征，机械加工面的原始像素图像被定向并按比例缩放于XY坐标系中。产生机械加工面的反转数字图像。产生机械加工面的二次图像，其包括从反转数字图像中消除已知设计表面特征。反转数字图像的每一像素与二次图像相应位置的像素比较，二次图像具有基于定向并按比例缩放于XY坐标系中的像素图像的像素位置。识别反转数字图像和二次图像共有的任何表面特征。统计地分析两幅图像共有的每一识别的表面特征与阈值的一致性。当识别出的两幅图像共有的任何识别的表面特征超过阈值时，识别缺陷。
本发明的另一方面包括计算机工作站，当识别的缺陷数量低于阈值时，其可操作以控制多个输送机将铸造金属构件移入供进一步加工的位置。当识别的缺陷数量超过阈值时，该计算机工作站可操作以控制多个输送机将铸造金属构件移出供进一步加工的位置。
本发明的另一方面提供具有判定图表的方法和***，在该图表中，只有满足预定质量标准的部件被接受，供进一步加工。
本发明的另一方面提供具有图表的方法和***，确定在关心的特定区域内表面缺陷的密度。
本发明的一个方面是，识别表面缺陷：凹陷区域和在缺陷(孔)分离前产生的凸壳、顶部边缘连接的孔、隔离的孔以及在凹陷区域内侧部分上边缘连接的孔。本发明的又一方面是，分析与邻近的缺陷和尖锐或紧密有角的零件相关的孔和缺陷。
对所属领域普通技术人员而言，在阅读和理解以下实施方案的详细描述的基础上，本发明的这些和其它方面将是显而易见的。
附图说明
本发明的某些部件以及部件的布置可以具有物理外形，其实施方案将被详细描述并在附图中图解，这些附图形成本文的一部分，其中：
图1是根据本发明示例性检查***的俯视示意图；
图2是根据本发明示例性检查***的组件的正视示意图；
图3是根据本发明示例性检查***的组件的俯视示意图；
图4是根据本发明示例性检查***的组件的侧视示意图；
图4A是根据本发明示例性检查***的组件的详细俯视示意图；
图5是根据本发明用于评估表面的第一流程图示图；以及
图6是根据本发明用于评估表面的第二流程图示图。
具体实施方式
现在参照附图，其中所示仅是为了说明本发明，而不是为了限制为与之一样，图1显示根据本发明实施方案构建的示例性视觉***的示意图。该示例性视觉***包括供给输送机12、孔隙度检查站14、加工输送机16、部件往复移动送件装置18、产品输送机20和废料输送机22、24。如其后详细描述的那样，上述设备中的每一个由工作站10可操作地控制。在全部操作中，优选在生产线速率下，向供给输送机12提供供检查的构件1(未显示)。示例性线速率优选在每一评估构件20秒的范围内，尽管获得构件1的表面图像的实际过程花费大约5到7秒。当孔隙度检查站14准备接收并检查构件1时，工作站10控制输送机12，将构件1移入孔隙度检查站14。如此处所述，向那里移动构件1，然后检查。当检查结束时，工作站10控制加工输送机16，将构件1移向部件往复移动传送装置18。当工作站10确定构件1可接受，也就是包括不足以证明废弃或再加工的缺陷时，往复移动传送装置18将构件移向产品输送机20，供进一步加工。当工作站10确定构件1不能接受，也就是包括足以需要废弃或再加工构件1的缺陷时，往复移动传送装置18将构件移向废料输送机22、24。此实施方案的示例性构件1包括用于具有多个活塞的内燃机的铸铝汽缸体。
现在参照图2-4A，详细描述示例性检查***带有工作站10的孔隙度检查站14的正视、俯视和侧视示意图。孔隙度检查站14包括具有辊式输送机26和部件升降机以及检查面28的底座32；以及包括两层照相机/照明扫描杆装置的检查站42。底座32具有传统的辊式输送机26，其可操作地将构件1移入位置，其中该构件提升到检查面28上供检查。使用辊式输送机26和部件升降机以大体上正确的位置和方向将构件1优选地配置在包括部件放置传感器(未显示)的检查面28上，将供检查的关心的机械加工面适当地配置，通过两层照相机/照明扫描杆装置42查看。优选使用已知的输送和配置***完成此操作。熟练的专业人员能够将一系列构件正确地配置和定向在供检查的预定位置中。在执行任何检查算法前，工作站10可操作以检测处于正确位置供检查的每一构件1。底座32包括一对方位轨道30，每一轨道30趋向平行于沿构件通过***14纵向的轴27。检查***42包括精确控制的传送站，可操作以将两层照相机/照明扫描杆装置调准于方位轨道30上和供检查的构件1上方。检查***42包括一对支撑柱34、用于固定照相机40的上层38和用于固定照明***37的下层36，并且具有罩44，视觉上密封和遮蔽构件的至少一部分，避免环境光的照射，以便于视觉检查方法。支撑柱34包括一对与检查面28正交的垂直支柱。每一支撑柱34的底座配置在方位轨道30之一上。在此结构中，检查***42能够横穿方位轨道30，移动到带有检查面28的底座上方，检查配置其上的构件1。
上层38包括连接到支撑柱34并由其支撑的水平梁，并且具有固定照相机40的固定器。示例性照相机40包括数字、单色行扫描照相机，具有八千比特(8K)分辨率，带有附装的175毫米镜头，并且优选地距检查的构件1的表面150毫米到450毫米的范围配置。照相机40优选提供四千比特的最小像素分辨率和十微米乘十微米的最大平方像素尺寸。照相机40用图像采集卡，优选基于PCI或PXI帧接收器的卡(未显示)，电路显著连接到在工作站10内的第一计算机50。
下层36包括连接到支撑柱34并由其支撑的水平梁，并且具有固定照明***37的固定器。照明***37包括按检查面28的方向照射的光源(未显示)。光源优选包括用列红色发光二级管(‘LED’)阵列产生的红色漫射光。从红色LED阵列发射的光优选通过相应的菲涅耳透镜阵列，以使光源漫射，投射到检查构件1上。为了在表面的孔和机械加工面之间产生视觉可辨别的差异，优选配置照明***使发射的光不直接正交于构件的表面。尽管在将要检查其它金属材料时，可以使用其它频谱的光，但当检查的面是机械加工铝时，优选使用红光。照明***37包括垂直于轴27配置的扫描缝隙39，并且提供至少配置供检查的构件1的宽度的口。轴27定义为Y维(Y-dimension)，并且X维(X-dimension)被定义为在由检查面28确定的平面内正交于Y维，从而确定XY坐标系，其将在此后讨论。上层38优选以这样的方式配置在下层36上，其使照相机40得以捕捉构件1当其供检查时检查面部分的图像。照相机40优选地配置为通过照明***37中的扫描缝隙39捕捉构件的图像。
示例性工作站10包括可以架式安装的组(rack-mountable stack)，其包括五台计算机50、51、52、53、54，每一所述计算机优选具有单独的微处理器设备，每台可操作以独立和同时运行。全部五台计算机安装在单独的柜子或架子中，并且适当地互连，以接收来自照相机40的输入数据，分析输入数据，给出正被检查的具体构件的机械加工面的可接受性结论，提供并存储关于每一构件输入数据的统计分析，并且直接或通过操作员的介入，使每一构件向前通过检查站14。如前所述，计算机50从照相机40得到构件1机械加工面数字图像形式的输入数据；计算机51，52和53将图像处理为按比例缩放的图像，分析并反转该按比例缩放的图像，然后将该图像与表面的已知、预期的图像比较，进一步分析该按比例缩放的图像，并将其与反转的图像比较，产生最终的图像。计算机54对最终的图像进行统计分析，向一个或多个屏幕输出统计分析结果，供操作员查看，并且提供图形用户界面(‘GUI’)的坐标，其输出包括观测以及工作站监控器。如本领域普通技术人员所知，开发GUI以满足个体应用和操作员和工程师的具体需要，在此不详细讨论。用适当尺寸并遮蔽的符合应用于生产设备工业标准的电缆电路连接各种***和构件。
计算机50显著地电路连接到行扫描照相机40的输出端。照相机40可操作以获得在构件1上关心的机械加工面的初始的、二维的(XY坐标)、数字的单色图像，并且将该图像传递到计算机50。初始数字单色图像包括一系列像素，每一像素包括一部分关心的机械加工面的数字化显示，并且优选地具有八位灰度分辨率，也就是数值范围从0(黑)到255(白)，每一像素平方尺寸在十微米乘十微米的范围内。
现在参照图5，详细描述一种方法，其使用视觉***捕捉铸造金属构件机械加工面的图像，评估该图像，以从设计特征中识别并分离表面缺陷。优选按照工作站10中一台计算机包括的一个或多个算法完成该方法。熟练的专业人员通常能够在计算机中结合如参照图1-4所述的外部设备，设计、开发、实施并完成供应用的算法，在此不描述此过程。
该方法包括用参照图1-4所述的前述视觉***捕捉并处理构件1机械加工面的数字图像显示。如上所述，这包括首先获得机械加工面的初始像素图像(方框110)，其中每一像素包括一部分机械加工面的数字化显示。检查站42沿一对方位轨道30、平行于Y轴、以预定的速率移动，用照明***37照亮检查的构件1的表面。照相机40数字化地捕捉构件的一系列长度均为单像素的行扫描图像。当获得构件1机械加工面的完整初始数字图像时，其被定向并按比例缩放于前述XY坐标系，并且具有测量部件，优选按毫米显示正被检查的实际构件(方框112、114)。通过结合机械加工面的已知设计特征使用模式识别方法，完成定向和按比例缩放。当构件1包括发电机组时，已知的设计特征例如包括汽缸内径和螺栓孔，并且已经预定和预先编程到计算机50、51、52、53、54的至少之一中，用作实现算法的要素。关心的一系列区域被预定和预先编程到计算机中，供在构件分析期间使用。关心的每一区域包括正被检查的机械加工面的具体范围，带有被视觉***捕捉的相应图像。关心的每一区域具有分配的唯一阈值水平，在识别表面缺陷时可用(方框116)。
执行一系列的操作以识别检查面的表面缺陷(方框118)。指定为阈值I到数学运算I(方框120到132)的图像算法描述以二进制方式处理获得的图像并分离粒子所执行的步骤，在检查面中识别孔缺陷。此过程的第一部分包括产生机械加工面的反转数字图像。这优选地包括分析与邻近的像素簇相关的初始像素图像的每一像素；根据对初始像素图像和邻近的像素簇的分析，将每一被分析的像素分解为数字“1”或数字“0”中的一个；然后，如下所述，转换每一被分解分析的像素。
再次参照图5，执行阈值I步骤(方框120)，其中执行群组阈值运算(clustering threshold operation)。与已知的高斯分析方法相比，群组阈值运算使用统计算法，将每一灰度像素反转为数字的零值或数字的255值，从而将获得的图像分解为二进制图像。分析邻近特定像素的像素簇。根据簇的统计分析，特定的中央位置像素的数值反转到0(黑)或255(白)。从而分析在获得的图像中的每一像素。
执行基本形态I操作(方框122)，其包括腐蚀功能，其中从获得的图像中滤除小粒子，例如被大量每个具有零数值的像素包围、具有255数值的单个像素转换到零数值。在执行算法期间，此步骤能够运行数次，以净化图像并使关心的特定区域内的噪音物质的量最少，从而提高检查方法的准确度。
在执行基本形态I的操作后，反转保留的图像(方框124)。这包括将每一像素值从0改变到255，或者可选择地，从255到0。结果是从输入图像，也就是照相底片的数字化等同物，数字化反转的图像。反转图像存储在图像缓冲器中供随后使用(方框128)，缓冲器优选在计算机52中。
在已发展形态步骤中，产生机械加工面的二次图像，其包括从反转数字图像中消除已知设计表面特征(方框130)。这包括用存储在计算机54中的信息，识别机械加工面的前述已知设计特征。尽管已知空穴“充满”图像数据文件，但移除可识别的大目标和宽目标，其包括例如阀座、导板和洞。平整已知的边缘。
数学运算步骤(方框132)包括将反转数字图像的每一像素与二次图像对应位置的像素比较。如前所述，像素位置基于定向并按比例缩放于XY坐标系中的像素图像。此活动的结果是识别反转数字图像和二次图像共有的任何表面特征，也就是孔和其它缺陷。数学运算步骤优选地包括通过执行简单的数字逻辑运算，优选异-或(XOR)函数，将反转数字图像的每一像素与二次图像对应位置的像素比较。分析由此操作得到的图像与预定质量标准的一致性。
在得到的图像上执行统计粒子分析(方框134)。这包括相对于为数字图像按比例缩放的XY坐标系，识别机械加工面初始像素图像的关心区域(方框136)。当关心的区域包括关心的临界区域时，对评估的孔和识别的缺陷使用高检查阈值，从而识别相对小的表面孔，一般在0.3毫米的范围内被识别作为缺陷。当关心的区域包括关心的非临界区域时，对评估的表面孔和识别的缺陷使用低检查阈值，从而在被识别为缺陷之前，需要相对大的孔，典型地在2.0毫米的范围内(方框138)。铸造金属构件机械加工面的关心的临界区域一般包括在使用中承受高水平机械力和热能的任何区域。典型的区域包括汽缸壁和边缘，以及垫圈压入区域，也就是当汽缸盖(未显示)装配其上时，在典型的发动机组上挤压垫圈的区域。
识别和分类在每一关心区域内的缺陷，其包括相对于为数字图像按比例缩放的XY坐标系确定在每一关心区域内的每一表面缺陷的位置和数量(方框140)。根据几种分析技术，包括缺陷或孔直径、缺陷或孔面积比和缺陷XY位置，把每一表面缺陷的数量归类。孔直径优选地定义为能够完全环绕识别的孔或缺陷的最小圆周，并且按毫米度量。孔面积比包括由孔直径限定的圆周面积和根据像素识别的孔的实际面积之比的计算。作为部分分析，当在关心的临界区域时，关于孔尺寸的高检查阈值典型地在0.3毫米的范围内。因此，在靠近汽缸壁或靠近垫圈压入区域及边缘的关心区域内，具有超过0.3毫米直径的任何孔被认为是可识别的缺陷。可选择地，当在关心的非临界区域时，关于孔尺寸的低检查阈值典型地在2.0毫米的范围内。因此，在基本上远离汽缸壁的关心区域内，具有超过2.0毫米直径的任何孔被认为是可识别的缺陷。在每一关心的区域内，孔的接近度是重要的，并且孔间最小距离的典型阈值在3.0毫米的范围内(方框142)。
在已经识别和分类缺陷后，用计算机54分析它们。对于每一关心的区域，计算缺陷密度的估计值(方框144)。产生直方图，其包括通过每一关心的区域和构件的整个机械加工面的大小，显示缺陷的数量。实施其它的分析，包括评估每一识别的缺陷的面积比(方框148)，以及评估每一关心区域对不规则形状调节过的缺陷的面积比(方框150)。
统计分析缺陷并运用评估标准，然后作出决定，是否报废或接受正被检查的构件(方框152)。如熟练的专业人员所知，优选用容易得到的软件包提供统计分析，在此不详细描述。导致给定部件报废的缺陷在该部件上作出物理标记(方框154)，然后它被废弃或用于进一步的分析(方框156)，可按生产工厂中质量工序而确定。沿着生产线输送接受的部件，供进一步的加工和装配(方框158)。
现在参照图6，详细描述评估铸造金属构件机械加工面以识别和从设计特征中分离表面缺陷的第二***和方法。参照图1-4的硬件未改变，并且激光探针(未显示)被添加到检查站42的两层照相机/照明扫描杆装置，显著连接到用于信号处理的工作站10。激光探针可操作以检测每一被检测表面缺陷的深度。如图6所示，该方法基本上等同于关于图5详述的方法，具有增加的步骤160、162。按正交于XY坐标系的Z维，深度空间作为缺陷分类的附加因素输入分析(方框162、142)。确定是否接受或报废具体构件的评估标准(方框152)可以被调整，并且此评估和所作的决定可以由熟练的专业人员确定。
具体参照实施方案及其改进已经描述了本发明。这包括任一实施方案，其中将检查构件移动到照相机下方，以及获得初始图像的可选择方法，例如使用多维数字照相机。其它人在阅读并理解说明书的基础上，能够想到进一步的改进和变更。当所有这些改进和变更进入本发明的范围时，希望包括在本发明的范围内。
Claims (17)
1、评估铸造金属部件机械加工面的方法，其包括：
获得所述机械加工面的初始像素图像，其中每一像素包括一部分所述机械加工面的数字化显示；
根据预定的标准，在所述初始像素图像中识别已知设计表面特征；
根据所述已知设计表面特征，将所述机械加工面的所述初始像素图像定向并按比例缩放到XY坐标系；
产生所述机械加工面的反转数字图像；
产生所述机械加工面的二次图像，其包括从所述反转数字图像中消除所述已知的设计表面特征；
将所述反转数字图像的每一像素与所述二次图像相应位置的像素进行比较，所述位置基于定向并按比例缩放于XY坐标系的所述像素图像；
识别所述反转数字图像和所述二次图像共有的任何表面特征；
统计地分析两幅图像共有的每一识别的表面特征与阈值的一致性；以及
当两幅图像共有的任何识别的表面特征超过所述阈值时，识别缺陷。
2、如权利要求1所述的方法，其中产生所述机械加工面的反转数字图像，包括：
相对于邻近的像素簇分析所述初始像素图像的每一像素；
根据所述初始像素图像和邻近的所述像素簇的分析，将每一分析的像素分解为数字“1”或“0”之一；以及
反转每一分解的分析的像素。
3、如权利要求1所述的方法，其中将所述反转数字图像的每一像素与所述二次图像相应位置的像素进行比较，包括对所述反转数字图像的每一像素和所述二次图像相应位置的像素执行逻辑异或函数。
4、如权利要求1所述的方法，其中统计地分析两幅图像共有的所述识别的表面特征与阈值的一致性，包括：
识别所述机械加工面初始像素图像的多个感兴趣区域，其中每一个感兴趣区域包括在所述机械加工面上相对于为所述数字图像按比例缩放的所述XY坐标系的预定区域；
当所述感兴趣区域包括感兴趣的临界区域时，选取所述阈值为高检查阈值；以及
当所述感兴趣区域包括感兴趣的非临界区域时，选取所述阈值为低检查阈值。
5、如权利要求4所述的方法，其中感兴趣的临界区域包括在所述铸造金属部件使用期间暴露于高水平机械力或热能下的所述机械加工面的区域。
6、如权利要求5所述的方法，进一步包括：识别所述机械加工面初始像素图像的多个感兴趣区域，其中每一个感兴趣区域包括在所述机械加工面上相对于为所述数字图像按比例缩放的XY坐标系的预定区域；以及
识别在每一个感兴趣区域内的每一表面缺陷的位置和数量。
7、如权利要求6所述的方法，进一步包括计算在每一个具体的感兴趣区域内的表面缺陷的密度。
8、如权利要求7所述的方法，进一步包括以与邻近的缺陷的关系以及与所述铸造金属部件上的锐角或急弯的关系来分析每一缺陷。
9、如权利要求1所述的方法，其中获得所述机械加工面的初始像素图像包括：获得一部分机械加工面的单色数字化表示。
10、如权利要求1所述的方法，进一步包括：
当识别的缺陷数量低于阈值时，控制多个输送机将所述铸造金属部件移入供进一步加工的位置，以及当识别的缺陷数量超过所述阈值时，控制所述多个输送机将所述铸造金属部件移出供进一步加工的位置。
11、如权利要求10所述的方法，进一步包括：在每一报废部件上物理标记至少一个导致报废的缺陷。
12、评估铸造金属部件机械加工面的方法，其包括：
a)获得所述机械加工面的初始像素图像；
b)在所述初始像素图像中识别已知设计表面特征；
c)根据所述已知设计表面特征，将所述机械加工面的所述初始像素图像定向并按比例缩放到XY坐标系；
d)产生所述机械加工面的反转数字图像；
e)产生所述机械加工面的二次图像，其包括从所述反转数字图像中消除所述已知的设计表面特征；
f)将所述反转数字图像的每一像素与所述二次图像相应位置的像素进行比较；
g)识别所述反转数字图像和所述二次图像共有的任何表面特征；
h)分析两幅图像共有的每一识别的表面特征；以及
i)当两幅图像共有的任何识别的表面特征超过阈值时，识别缺陷。
13、用于评估铸造金属部件机械加工面的***，其包括：
多个输送机，可操作以将所述铸造金属部件移向孔隙度检查站，以及从孔隙度检查站移出，所述孔隙度检查站包括：数字单色照相机、照明站和精确控制的传送站；
计算机工作站：具有多个数据处理计算机和一个图形用户界面；可操作地连接到所述多个输送机，并且显著且可操作地连接到所述孔隙度检查站；
所述***可操作：
a)获得所述机械加工面的初始像素图像，其中每一像素包括一部分所述机械加工面的数字化表示；
b)根据预定的标准，在所述初始像素图像中识别已知设计表面特征；
c)根据所述已知设计表面特征，将所述机械加工面的所述初始像素图像定向并按比例缩放到XY坐标系；
d)产生所述机械加工面的反转数字图像；
e)产生所述机械加工面的二次图像，其包括从所述反转数字图像中消除所述已知的设计表面特征；
f)将所述反转数字图像的每一像素与所述二次图像相应位置的像素进行比较，所述位置基于定向并按比例缩放于XY坐标系的所述像素图像；
g)识别所述反转数字图像和所述二次图像共有的任何表面特征；
h)统计地分析两幅图像共有的每一识别的表面特征与阈值的一致性；以及
i)当两幅图像共有的任何识别的表面特征超过所述阈值时，识别缺陷。
14、如权利要求13所述的***，进一步包括：
所述计算机工作站可操作用于当识别的缺陷数量低于阈值时，控制多个输送机将所述铸造金属部件移入供进一步加工的位置，以及当识别的缺陷数量超过所述阈值时，控制多个输送机将所述铸造金属部件移出供进一步加工的位置。
15、如权利要求14所述的***，其中所述***可操作以在制备生产速率下运行。
16、如权利要求15所述的***，其中所述制备生产速率包括在20秒内分析和移动每一铸造金属部件的速率下操作。
17、如权利要求13所述的***，其中所述孔隙度检查站包括：数字单色照相机、照明站和精确控制的传送站，进一步包括激光探针，其可操作以检测每一被检测表面缺陷的深度。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US11/219,043 US7570794B2 (en) | 2005-09-02 | 2005-09-02 | System and method for evaluating a machined surface of a cast metal component |
| US11/219043 | 2005-09-02 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1979135A CN1979135A (zh) | 2007-06-13 |
| CN100582751C true CN100582751C (zh) | 2010-01-20 |
Family
ID=37829664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200610172952A Expired - Fee Related CN100582751C (zh) | 2005-09-02 | 2006-09-01 | 用于评估铸造金属构件机械加工面的***和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US7570794B2 (zh) |
| CN (1) | CN100582751C (zh) |
| DE (1) | DE102006040365B4 (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2479489A (en) * | 2007-04-23 | 2011-10-12 | Belron Hungary Kft Zug Branch | Optical investigation device |
| GB0800364D0 (en) * | 2008-01-09 | 2008-02-20 | Mitsubishi Electric Inf Tech | Feature-based signatures for image identification |
| US8315464B2 (en) * | 2008-02-07 | 2012-11-20 | Coherix | Method of pore detection |
| US7899573B2 (en) * | 2008-06-16 | 2011-03-01 | GM Global Technology Operations LLC | Non-contact method and system for inspecting a multi-faceted machine surface |
| DE102009038746B3 (de) | 2009-08-27 | 2011-04-14 | Airbus Operations Gmbh | Verfahren und Vorrichtung zur Qualitätsprüfung eines umgeformten thermoplastischen faserverstärkten Kunststoffbauteils |
| US20120105623A1 (en) * | 2010-11-01 | 2012-05-03 | Ford Motor Company | System for Detecting Surface Variations on Engine Cylinder Head Valve Seats |
| US8625878B2 (en) * | 2011-04-15 | 2014-01-07 | International Business Machines Corporation | Method and system of rail component detection using vision technology |
| US8929661B2 (en) * | 2011-06-29 | 2015-01-06 | Infosys Limited | System and method for measuring camber on a surface |
| US9135691B2 (en) * | 2012-06-19 | 2015-09-15 | GM Global Technology Operations LLC | Metallographic method for accurate measurement of pore sizes and distributions in metal castings |
| NZ708121A (en) * | 2013-02-13 | 2017-08-25 | Philip Morris Products Sa | Evaluating porosity distribution within a porous rod |
| KR101426385B1 (ko) * | 2014-05-30 | 2014-08-06 | 주식회사 인스턴 | 이미지를 기반으로 재가공된 드릴 비트의 품질을 판단하는 방법 및 장치 |
| ES2705076T3 (es) | 2014-07-08 | 2019-03-21 | Nissan Motor | Dispositivo de detección de defectos y sistema de producción |
| DE102014118460B3 (de) * | 2014-12-11 | 2016-03-24 | Pqc - Process Quality Competence Gmbh | Verfahren sowie System zur Bewertung von flächigen Materialien |
| CN104897692A (zh) * | 2015-06-16 | 2015-09-09 | 中信戴卡股份有限公司 | 一种铝合金铸造件精车效果的在线检测***和方法 |
| US20170014945A1 (en) * | 2015-07-17 | 2017-01-19 | Laserax Inc. | Methods and systems for laser marking an identifier on an industrial product |
| CN106296025A (zh) * | 2016-08-19 | 2017-01-04 | 宁夏共享集团股份有限公司 | 一种同步记录铸件缺陷参数和坐标信息的方法 |
| KR102048664B1 (ko) * | 2016-11-29 | 2019-11-25 | 바르실라 핀랜드 오이 | 필터링된 이미지 데이터를 이용한 초음파 품질 제어 |
| US10565719B2 (en) * | 2017-10-13 | 2020-02-18 | Microsoft Technology Licensing, Llc | Floor detection in virtual and augmented reality devices using stereo images |
| DE102018126059A1 (de) * | 2018-10-19 | 2020-04-23 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Verfahren zum visualisieren von prozessinformationen bei der fertigung von blechbauteilen |
| FR3089034B1 (fr) * | 2018-11-27 | 2022-12-30 | Safran Landing Systems | Procédé d’aide au masquage de surfaces de pièces à peindre ou traiter |
| CN109859160B (zh) * | 2018-12-10 | 2022-08-16 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
| KR102121142B1 (ko) * | 2019-02-26 | 2020-06-10 | (주)다원엔지니어링 | 가전제품 외관 검사 장치 |
| CN110766684B (zh) * | 2019-10-30 | 2022-03-18 | 江南大学 | 一种基于机器视觉的定子表面缺陷检测***及检测方法 |
| JP7473323B2 (ja) * | 2019-10-31 | 2024-04-23 | ファナック株式会社 | 産業機械の移動軌跡の画像データを生成する装置、制御装置、及び方法 |
| DE102019218623A1 (de) * | 2019-11-29 | 2021-06-02 | Sms Group Gmbh | Steuerungssystem für eine industrielle Anlage, insbesondere für eine Anlage zur Herstellung oder Verarbeitung von metallischen Bändern oder Blechen und Verfahren zum Steuern einer industriellen Anlage, insbesondere einer Anlage zur Herstellung oder Verarbeitung von metallischen Bändern oder Blechen |
| JP7480591B2 (ja) * | 2020-05-28 | 2024-05-10 | コニカミノルタ株式会社 | 検査装置、画像形成システム、検査方法、および検査プログラム |
| US11685005B2 (en) * | 2021-02-26 | 2023-06-27 | Honda Motor Co., Ltd. | Systems and methods of repairing a stamping die |
| CN113793321B (zh) * | 2021-09-14 | 2024-01-23 | 浙江大学滨江研究院 | 基于机器视觉的铸件表面缺陷动态检测方法及装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4519041A (en) * | 1982-05-03 | 1985-05-21 | Honeywell Inc. | Real time automated inspection |
| DE3233578C2 (de) * | 1982-09-10 | 1985-09-12 | M.A.N. Maschinenfabrik Augsburg-Nürnberg AG, 8500 Nürnberg | Mehrzylinderbrennkraftmaschine mit nassen Zylinderlaufbüchsen und Einzelzylinderköpfen |
| US4555798A (en) * | 1983-06-20 | 1985-11-26 | Kla Instruments Corporation | Automatic system and method for inspecting hole quality |
| US5081656A (en) * | 1987-10-30 | 1992-01-14 | Four Pi Systems Corporation | Automated laminography system for inspection of electronics |
| US4926452A (en) * | 1987-10-30 | 1990-05-15 | Four Pi Systems Corporation | Automated laminography system for inspection of electronics |
| US4845558A (en) * | 1987-12-03 | 1989-07-04 | Kla Instruments Corporation | Method and apparatus for detecting defects in repeated microminiature patterns |
| US6389163B1 (en) * | 1994-11-18 | 2002-05-14 | Xerox Corporation | Method and apparatus for automatic image segmentation using template matching filters |
| US5850466A (en) * | 1995-02-22 | 1998-12-15 | Cognex Corporation | Golden template comparison for rotated and/or scaled images |
| JP4495891B2 (ja) * | 1999-06-03 | 2010-07-07 | 帝人株式会社 | 骨計測方法 |
| US6630996B2 (en) * | 2000-11-15 | 2003-10-07 | Real Time Metrology, Inc. | Optical method and apparatus for inspecting large area planar objects |
| US7394530B2 (en) * | 2004-03-30 | 2008-07-01 | Budd Gerald W | Surface inspection technology for the detection of porosity and surface imperfections on machined metal surfaces |
-
2005
- 2005-09-02 US US11/219,043 patent/US7570794B2/en not_active Expired - Fee Related
-
2006
- 2006-08-29 DE DE102006040365A patent/DE102006040365B4/de not_active Expired - Fee Related
- 2006-09-01 CN CN200610172952A patent/CN100582751C/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN1979135A (zh) | 2007-06-13 |
| US20070052795A1 (en) | 2007-03-08 |
| US7570794B2 (en) | 2009-08-04 |
| DE102006040365B4 (de) | 2012-03-22 |
| DE102006040365A1 (de) | 2007-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100582751C (zh) | 用于评估铸造金属构件机械加工面的***和方法 | |
| US8139117B2 (en) | Image quality analysis with test pattern | |
| EP1703465B1 (en) | Color-based inspection of printed circuit boards | |
| US6289117B1 (en) | Analysis of an image of a pattern of discrete objects | |
| US7171036B1 (en) | Method and apparatus for automatic measurement of pad geometry and inspection thereof | |
| JP2009002743A (ja) | 外観検査方法及びその装置および画像処理評価システム | |
| EP0145725A1 (en) | METHOD AND APPARATUS FOR REAL-TIME HIGH SPEED INSPECTION OF OBJECTS FOR THE PURPOSE OF IDENTIFYING OR RECOGNIZING KNOWN AND UNKNOWN PARTS OF SUCH OBJECTS, INCLUDING THEIR DEFECTS AND OTHERS. | |
| CN112088387A (zh) | 检测成像物品缺陷的***和方法 | |
| KR20000064473A (ko) | 경계선매핑시스템및방법 | |
| CN1839306B (zh) | 使用微检查输入的宏缺陷检测 | |
| US7463765B2 (en) | System and method for detecting and reporting fabrication defects using a multi-variant image analysis | |
| Kline et al. | Automated hardwood lumber grading utilizing a multiple sensor machine vision technology | |
| US8588511B2 (en) | Method and apparatus for automatic measurement of pad geometry and inspection thereof | |
| CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
| EP1565873B1 (en) | Particle extraction for automatic flow microscope | |
| CN113039631A (zh) | 通过将光学信号拟合到点扩散函数的缺陷分类 | |
| Radovan et al. | An approach for automated inspection of wood boards | |
| JP2019066222A (ja) | 外観検査装置および外観検査方法 | |
| US6720989B2 (en) | System and method for automatically inspecting an array of periodic elements | |
| CN110441315A (zh) | 电子部件测试设备和方法 | |
| Ekwongmunkong et al. | Automated machine vision system for inspecting cutting quality of cubic zirconia | |
| Kline et al. | Evaluation of an automated hardwood lumber grading system | |
| CN112893178B (zh) | 一种笔芯质量检测*** | |
| Kobayashi et al. | Hybrid defect detection method based on the shape measurement and feature extraction for complex patterns | |
| Hüttel | Image Processing and Computer Vision for MEMS Testing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100120 Termination date: 20210901 |