CN117351006A - 一种基于深度学习的汽车钣金件表面缺陷检测方法及*** - Google Patents
一种基于深度学习的汽车钣金件表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN117351006A CN117351006A CN202311639094.2A CN202311639094A CN117351006A CN 117351006 A CN117351006 A CN 117351006A CN 202311639094 A CN202311639094 A CN 202311639094A CN 117351006 A CN117351006 A CN 117351006A
- Authority
- CN
- China
- Prior art keywords
- spoiler
- defect
- data
- coefficient
- comprehensive
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 290
- 238000013135 deep learning Methods 0.000 title claims abstract description 54
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 49
- 239000002184 metal Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 20
- 229910000838 Al alloy Inorganic materials 0.000 claims abstract description 93
- 238000005260 corrosion Methods 0.000 claims abstract description 70
- 230000007797 corrosion Effects 0.000 claims abstract description 66
- 230000003647 oxidation Effects 0.000 claims abstract description 51
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 73
- 238000011156 evaluation Methods 0.000 claims description 66
- 230000006872 improvement Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 28
- 239000013078 crystal Substances 0.000 claims description 23
- 238000011282 treatment Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 16
- 230000003746 surface roughness Effects 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 8
- 229910052739 hydrogen Inorganic materials 0.000 claims description 8
- 239000001257 hydrogen Substances 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 8
- 229910018072 Al 2 O 3 Inorganic materials 0.000 claims description 6
- 239000000956 alloy Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003064 anti-oxidating effect Effects 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000005498 polishing Methods 0.000 claims description 4
- 238000002441 X-ray diffraction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000006056 electrooxidation reaction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004876 x-ray fluorescence Methods 0.000 claims description 3
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 6
- 201000001371 inclusion conjunctivitis Diseases 0.000 description 5
- 206010044325 trachoma Diseases 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 4
- 229910052593 corundum Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229910001845 yogo sapphire Inorganic materials 0.000 description 2
- 101100004223 Caenorhabditis elegans bbs-4 gene Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于深度学习的汽车钣金件表面缺陷检测方法及***,涉及缺陷检测技术领域,该***引入了深度学习技术,将数据采集模块和深度学习模块相融合,极大地提升了铝合金扰流板表面缺陷检测的效率和准确性,传统的人工监测方法容易受到主观因素和操作人员疲劳程度的影响,这可能导致漏检或误检的问题,从而影响产品质量,通过深度学习,***能够快速而精准地识别不同类型的缺陷,包括晶粒、腐蚀氧化、扰流板和表面缺陷,这使得生产过程中的缺陷率大幅下降,产品质量得到显著提高,同时深度学习模型在***中的应用也使得***能够不断学习和迭代,随着时间的推移,它将变得更加智能化和精密。
Description
技术领域
本发明涉及缺陷检测技术领域,具体为一种基于深度学习的汽车钣金件表面缺陷检测方法及***。
背景技术
汽车钣金件是指用于汽车车身的各种金属构件和面板,通常由薄而坚固的金属材料制成,如钢板、铝合金等,这些构件和面板用于构建汽车的外部壳体,汽车钣金件在车身结构中具有重要作用,铝合金扰流板是一种用于改善汽车空气动力性能的汽车部件,它通常由铝合金材料制成,并安装在汽车的前部,位于车身底部或其他位置,旨在减少空气阻力、提高燃油效率、增加行驶稳定性以及改善汽车的操控性能。
现阶段铝合金扰流板的缺陷检测仍然依赖于人工操作,这可能导致主观性和不一致性,因为不同的操作员可能对相同的缺陷有不同的判断,传统的人工监测方法通常速度相对较慢,效率较慢,不易于满足大规模生产的需求,并且铝合金扰流板的缺陷种类多样,有些缺陷可能非常复杂,不易于对其进行监测,同时对于监测到的大量数据,不易于基于深度学习来对数据管理和处理的复杂性,并且对于检测到的不同数据,不易于进行深度分析,进行自动生成有效的改善方式。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于深度学习的汽车钣金件表面缺陷检测方法及***,解决了背景技术中提到的问题。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:包括钣金缺陷监测模块、数据采集模块、深度学习模块、数据分析模块、缺陷评估模块和缺陷改善模块;
在铝合金扰流板的钣金加工台周围,布设若干个监测点,由钣金缺陷监测模块对铝合金扰流板的综合扰流板数据和表面缺陷数据进行检测,并由数据采集模块对综合扰流板数据和表面缺陷数据进行采集,并传输至深度学习模块构建深度学习模型;
所述数据分析模块包括第一分析单元、第二分析单元、第三相关分析单元,所述第一分析单元用于依据综合缺陷数据,提取铝合金扰流板的铝合金晶粒数据集,分析计算获取晶粒系数Jlxs,并从综合缺陷数据中提取腐蚀氧化数据集,分析计算获取腐蚀氧化系数Fsxs,并从综合缺陷数据中提取扰流板数据集,分析计算获取扰流板系数Rlxs;所述第二分析单元从所述表面缺陷数据中提取表面缺陷数据集,并进行无量纲处理后,计算获得表面缺陷系数Wgxs;由第三相关分析单元将晶粒系数Jlxs、腐蚀氧化系数Fsxs和扰流板系数Rlxs,无量纲处理后进行汇总分析,获取到综合扰流板系数Zhxs,并与表面缺陷系数Wgxs,进行相关联,获得综合缺陷系数Qxxs;
所述综合扰流板系数Zhxs和表面缺陷系数Wgxs通过以下公式获得:
;
;
式中,a1、a2和a3表示晶粒系数Jlxs、腐蚀氧化系数Fsxs和扰流板系数Rlxs的比例系数,其中,a1+a2+a3≠1,0.01<a1<0.98,0<a2<0.87,0<a3<0.96,其具体值由用户调整设置,A为第一修正常数;
Sy表示沙眼数量、Tq表示凸起面积、Ox表示凹陷面积、Lw表示裂痕面积、Cc表面粗糙度和Gz钩状瑕疵面积,b1、b2、b3、b4、b5和b6分别为沙眼数量Sy、凸起面积Tq、凹陷面积Ox、裂痕面积Lw、表面粗糙度Cc和钩状瑕疵面积Gz的比例系数,且,,/>,,/>,/>,/>,其具体值由用户调整设置,B为第二修正常数;
由缺陷评估模块预设缺陷阈值G,将综合缺陷系数Qxxs与缺陷阈值G进行对比分析,获得评估结果,并由缺陷改善模块根据评估结果生成缺陷改善方案,对缺陷部位进行提示改善。
优选的,所述钣金缺陷监测模块包括第一监测单元和第二监测单元;
所述第一监测单元用于采用第一集成传感器组、第二集成传感器组和第三集成传感器组,对铝合金扰流板的晶粒数据、腐蚀氧化数据和扰流板数据进行实时监测,并汇总成晶粒数据集、腐蚀氧化数据集和扰流板数据集;
所述第一集成传感器组包括X射线衍射、电子显微镜、金相显微镜和散射技术;
所述第二集成传感器组包括视觉检测传感器、电化学腐蚀传感器、红外热像仪和X射线荧光光谱仪;
所述第三集成传感器组包括角度传感器、应变传感器、宽度测量传感器、压力传感器和长度测量设备;
所述第二监测单元用于采用第四集成传感器组,对铝合金扰流板的表面缺陷数据进行监测,获得表面缺陷数据集;
所述第三集成传感器组包括激光散射传感器、三维扫描仪、超声波传感器、表面粗糙度仪和CCD传感器。
优选的,所述数据采集模块包括第一采集单元和第二采集单元;
所述第一采集单元用于对第一监测单元所监测到的综合扰流板数据进行采集,所述综合扰流板数据包括晶粒数据集、腐蚀氧化数据集和扰流板数据集;
通过第一集成传感器组对铝合金扰流板的晶粒进行显微拍摄,并对晶粒的图像特征进行提取,所述晶粒数据集包括晶粒面积Jmj、晶粒数量Jsl、晶粒体积Jtj、晶粒分布面积Jfb和晶粒生长速率Jsz;
通过第二集成传感器组对铝合金扰流板的腐蚀氧化表面进行拍摄,并对腐蚀氧化特征图像进行特征提取,所述腐蚀氧化数据集包括氧化铝面积Al2O3、白斑数量Bbs、氢气气泡数量Qqs、晶间腐蚀度Fsd和氧化层厚度Yhd;
通过第三集成传感器组对铝合金扰流板的扰流板进行多角度拍摄,并对扰流板特征图像进行特征提取,所述扰流板数据集包括扰流板角度Rjd、扰流板弯曲度Rwq、扰流板宽度Rkd、扰流板湍流度Rtl和扰流板长度Rcd;
所述第二采集单元用于对第二监测单元所监测到的表面缺陷数据集进行采集,通过第四集成传感器组对铝合金扰流板的表面进行拍照,并对表面缺陷特征图像进行特征提取,所述表面缺陷数据集包括沙眼数量Sy、凸起面积Tq、凹陷面积Ox、裂痕面积Lw、表面粗糙度Cc和钩状瑕疵面积Gz。
优选的,所述深度学习模块包括模型构建单元和预处理单元;
所述模型构建单元,通过卷积神经网络进行构建深度学习模型架构,并且使用TensorFlow框架来搭建深度学习模型,通过特征提取和缺陷检测,将数据集划分为训练集、验证集和测试集,以便用于模型训练、超参数调整和评估;
所述预处理单元用于对采集到的综合扰流板数据和表面缺陷数据进行整合,其中包括正常和有缺陷的扰流板钣金件图像和参数数据,并通过深度学习模块对所采集到的数据进行深度学习处理,对图像数据进行调整大小、裁剪、标准化、增强和去噪处理,并对所采集到的参数数据进行去除重复值、处理缺失数据、异常值处理和数据一致性检查。
优选的,所述第一分析单元包括晶粒分析单元、腐蚀氧化分析单元和扰流板分析单元;
所述晶粒分析单元用于依据综合扰流板数据中的晶粒数据集,进行无量纲处理后,进行汇总计算,获得晶粒系数Jlxs;
所述晶粒系数Jlxs通过以下公式获取:
;
式中c1、c2、c3、c4和c5表示晶粒面积Jmj、晶粒数量Jsl、晶粒体积Jtj、晶粒分布面积Jfb和晶粒生长速率Jsz的比例系数,其中,0.01<c1<0.89,0.04<c2<0.99,0.03<c3<0.87,0.04<c4<0.85,0.01<c5<0.94,其具体值由用户调整设置,C为第三修正常数。
优选的,所述腐蚀氧化分析单元和扰流板分析单元用于依据综合扰流板数据中的腐蚀氧化数据集和扰流板数据集,进行无量纲处理后,进行汇总计算,获得腐蚀氧化系数Fsxs和扰流板系数Rlxs;
所述腐蚀氧化系数Fsxs和扰流板系数Rlxs通过以下公式获取;
;
;
式中,d1、d2、d3、d4和d5分别为氧化铝面积Al2O3、白斑数量Bbs、氢气气泡数量Qqs、晶间腐蚀度Fsd和氧化层厚度Yhd的比例系数,其中,0<d1<1,0<d2<1,0<d3<1,0<d4<1,0<d5<1,其具体值由用户调整设置,D为第四修正常数;
e1、e2、e3、e4和e5分别为扰流板角度Rjd、扰流板弯曲度Rwq、扰流板宽度Rkd、扰流板湍流度Rtl和扰流板长度Rcd的比例系数,其中,0<e1<1,0<e2<1,0<e3<1,0<e4<1,0<e5<1,其具体值由用户调整设置,E为第五修正常数。
优选的,所述第三相关分析单元用于依据第一分析单元和第二分析单元,所获取的扰流板系数Zhxs和表面缺陷系数Wgxs,进行无量纲处理后,进行相关联计算获得综合缺陷系数Qxxs;
所述综合缺陷系数Qxxs通过以下公式获取:
;
式中,f1和f2分别为扰流板系数Zhxs和表面缺陷系数Wgxs的比例系数,其具体值由用户调整设置,F为第六修正常数。
优选的,所述第三相关分析单元所获取的综合缺陷系数Qxxs,由缺陷评估模块预设的缺陷阈值G,将所获取的综合缺陷系数Qxxs与缺陷阈值G进行对比评估,获得评估结果如下;
当综合缺陷系数Qxxs>缺陷阈值G时,标记为异常,表示当铝合金扰流板存在缺陷,则生成第一评估结果;
当综合排查系数Zhxs≤缺陷阈值G,标记为正常,表示铝合金扰流板无缺陷,则无需生成评估结果。
优选的,所述缺陷评估模块将所生成的第一评估结果,发送至缺陷改善模块,由缺陷改善模块对所获取的第一评估结果,进行分析,并生成相应的改善方案,具体改善方案如下;
若缺陷改善模块接收到第一评估结果时,此时则需要通过深度学习模块对其缺陷部位进行特征提取,通过深度学习模型识别当前缺陷是扰流板位置还是表面存在缺陷,然后针对性进行调整;
若识别当前扰流板生产工艺存在缺陷,则需要对其铝合金扰流板进行选择具有更好抗腐蚀性的铝合金材料,应用防腐涂层和抗氧化处理,保护铝合金表面免受腐蚀的侵害,通过调整铝合金的成分,优化晶粒结构,改善材料的性能,并且采用适当的热处理工艺固溶处理,以调整晶粒尺寸和分布,同时确保扰流板的生产工艺能够准确地实现所需的角度和弯曲度,通过改变扰流板的表面形状和纹理,优化湍流度控制效果,并使用CFD工具进行流体动力学分析,确定扰流板的最佳长度和宽度,实现所需的流体控制效果;
若识别铝合金扰流板表面存在缺陷,则需要优化制造工艺以减少气泡和沙眼的生成,对于较小的气泡、沙眼和表面粗糙度,采用研磨和抛光处理,同时对于钩状瑕疵,通过切割和磨削的方式去除,并且铝合金扰流板表面存在凹凸面,使用液压机进行找平处理,改善表面质量。
一种基于深度学习的汽车钣金件表面缺陷检测方法,包括以下步骤:
S1、首先通过钣金缺陷监测模块对铝合金扰流板的钣金加工台周围布设若干个监测点,对铝合金扰流板的综合扰流板数据和表面缺陷数据进行检测,并由数据采集模块对综合扰流板数据和表面缺陷数据进行采集;
S2、通过深度学习模块由模型构建单元构建深度学习模型,再由预处理单元对所采集到的参数数据和图像数据进行预处理,保证数据的可用性;
S3、然后再通过数据分析模块中的第一分析单元和第二分析单元提取特征,无量纲处理后进行计算分析,获取到综合扰流板系数Zhxs和表面缺陷系数Wgxs,最后再通过第三相关分析单元将综合扰流板系数Zhxs和表面缺陷系数Wgxs汇总获取综合缺陷系数Qxxs;
S4、由缺陷评估模块预设缺陷阈值G,将综合缺陷系数Qxxs与缺陷阈值G进行对比分析,获得第一评估结果和第二评估结果,发送至缺陷改善模块;
S5、最后由缺陷改善模块对接收到评估结果,对于接收到的第一评估结果进行进一步缺陷识别,对于扰流板位置部位的缺陷,则对铝合金扰流板的加工工艺和材料处理进行改善,若缺陷存在表面,则需要对铝合金扰流板就行修复处理。
有益效果
本发明提供了一种基于深度学习的汽车钣金件表面缺陷检测方法及***。具备以下有益效果:
(1)该***引入了深度学习技术,将数据采集模块和深度学习模块相融合,极大地提升了铝合金扰流板表面缺陷检测的效率和准确性,传统的人工监测方法容易受到主观因素和操作人员疲劳程度的影响,这可能导致漏检或误检的问题,从而影响产品质量,通过深度学习,***能够快速而精准地识别不同类型的缺陷,包括晶粒、腐蚀氧化、扰流板和表面缺陷,这使得生产过程中的缺陷率大幅下降,产品质量得到显著提高,同时深度学习模型在***中的应用也使得***能够不断学习和迭代,随着时间的推移,它将变得更加智能化和精密。
(2)在数据分析模块中,多个分析单元的综合运用实现了对铝合金扰流板特征数据的全面解析,这些特征数据包括晶粒、氧化层、扰流板角度等,***能够在多维度上深入分析,综合这些信息生成综合缺陷系数,这一全面的质量评估有助于制造商更全面地了解生产过程中存在的问题,为精准改进工艺提供了可靠的数据支持,从而显著减少了缺陷的发生。
(3)缺陷改善模块为生产企业提供了更为智能化的改进方案。根据评估结果,***能够自动生成改善建议,这包括材料选择、工艺优化和表面修复等多方面的建议。这不仅有助于提高生产效率,还能够降低不良品率,减少废品的产生,进一步降低了生产成本。通过实施这些改进措施,企业能够提升市场竞争力,提供更高质量的产品,满足客户的需求,取得更大的市场份额。
附图说明
图1为本发明一种基于深度学习的汽车钣金件表面缺陷检测***流程示意图;
图2为本发明一种基于深度学习的汽车钣金件表面缺陷检测方法步骤示意图。
图中:1、钣金缺陷监测模块;11、第一监测单元;12、第二监测单元;2、数据采集模块;21、第一采集单元;22、第二采集单元;3、深度学习模块;31、模型构建单元;32、预处理单元;4、数据分析模块;41、第一分析单元;42、第二分析单元;43、第三相关分析单元;411、晶粒分析单元;412、腐蚀氧化分析单元;413、扰流板分析单元;5、缺陷评估模块;6、缺陷改善模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本发明提供一种基于深度学习的汽车钣金件表面缺陷检测***,为实现以上目的,本发明通过以下技术方案予以实现:包括钣金缺陷监测模块1、数据采集模块2、深度学习模块3、数据分析模块4、缺陷评估模块5和缺陷改善模块6;
在铝合金扰流板的钣金加工台周围,布设若干个监测点,由钣金缺陷监测模块1对铝合金扰流板的综合扰流板数据和表面缺陷数据进行检测,并由数据采集模块2对综合扰流板数据和表面缺陷数据进行采集,并传输至深度学习模块3构建深度学习模型;
所述数据分析模块4包括第一分析单元41、第二分析单元42、第三相关分析单元43,所述第一分析单元41用于依据综合缺陷数据,提取铝合金扰流板的铝合金晶粒数据集,分析计算获取晶粒系数Jlxs,并从综合缺陷数据中提取腐蚀氧化数据集,分析计算获取腐蚀氧化系数Fsxs,并从综合缺陷数据中提取扰流板数据集,分析计算获取扰流板系数Rlxs;所述第二分析单元42从所述表面缺陷数据中提取表面缺陷数据集,并进行无量纲处理后,计算获得表面缺陷系数Wgxs;由第三相关分析单元43将晶粒系数Jlxs、腐蚀氧化系数Fsxs和扰流板系数Rlxs,无量纲处理后进行汇总分析,获取到综合扰流板系数Zhxs,并与表面缺陷系数Wgxs,进行相关联,获得综合缺陷系数Qxxs;
所述综合扰流板系数Zhxs和表面缺陷系数Wgxs通过以下公式获得:
;
;
式中,a1、a2和a3表示晶粒系数Jlxs、腐蚀氧化系数Fsxs和扰流板系数Rlxs的比例系数,其中,a1+a2+a3≠1,0.01<a1<0.98,0<a2<0.87,0<a3<0.96,其具体值由用户调整设置,A为第一修正常数;
Sy表示沙眼数量、Tq表示凸起面积、Ox表示凹陷面积、Lw表示裂痕面积、Cc表面粗糙度和Gz钩状瑕疵面积,b1、b2、b3、b4、b5和b6分别为沙眼数量Sy、凸起面积Tq、凹陷面积Ox、裂痕面积Lw、表面粗糙度Cc和钩状瑕疵面积Gz,的比例系数,且,,/>,,/>,/>,/>,其具体值由用户调整设置,B为第二修正常数;
由缺陷评估模块5预设缺陷阈值G,将综合缺陷系数Qxxs与缺陷阈值G进行对比分析,获得评估结果,并由缺陷改善模块6根据评估结果生成缺陷改善方案,对缺陷部位进行提示改善。
本实施例中,该***以铝合金扰流板加工台周围的多个监测点为基础,结合多个模块的功能来实现对铝合金扰流板的质量监测和改善,首先,钣金缺陷监测模块1对综合扰流板数据和表面缺陷数据进行检测,然后数据采集模块2采集这些数据并传输至深度学习模块3,用于构建深度学习模型,数据分析模块4包括多个分析单元,用于提取和分析不同数据集,晶粒数据、腐蚀氧化数据、扰流板数据和表面缺陷数据,这些分析单元计算各种系数和参数,最终得到综合扰流板系数Zhxs和表面缺陷系数Wgxs。这些系数通过用户设置的比例系数和修正常数来调整,以适应不同的生产要求和标准,缺陷评估模块使用预设的缺陷阈值G与综合缺陷系数Qxxs进行对比,从而获得缺陷评估结果,最后,缺陷改善模块6根据评估结果生成改善方案,提示改善铝合金扰流板的缺陷部位。
实施例2
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述钣金缺陷监测模块1包括第一监测单元11和第二监测单元12;
所述第一监测单元11用于采用第一集成传感器组、第二集成传感器组和第三集成传感器组,对铝合金扰流板的晶粒数据、腐蚀氧化数据和扰流板数据进行实时监测,并汇总成晶粒数据集、腐蚀氧化数据集和扰流板数据集;
所述第一集成传感器组包括X射线衍射、电子显微镜、金相显微镜和散射技术;
所述第二集成传感器组包括视觉检测传感器、电化学腐蚀传感器、红外热像仪和X射线荧光光谱仪;
所述第三集成传感器组包括角度传感器、应变传感器、宽度测量传感器、压力传感器和长度测量设备;
所述第二监测单元12用于采用第四集成传感器组,对铝合金扰流板的表面缺陷数据进行监测,获得表面缺陷数据集;
所述第三集成传感器组包括激光散射传感器、三维扫描仪、超声波传感器、表面粗糙度仪和CCD传感器。
本实施例中,钣金缺陷监测模块1的组成和传感器选择,使得***能够全面监测铝合金扰流板的各种数据,从而提高了产品质量控制和缺陷检测的准确性和可靠性,这有助于制造商及时发现和解决问题,提高产品质量并减少废品率,其中湍流流体通常伴随着压力波动,湍流度传感器通过测量流体中的压力波动评估湍流度,通过压力传感器和数据采集***,用于记录和分析流体中的压力变化,金相显微镜是一种用于观察金属和合金微观组织的工具,通过拍摄材料的金相图像,可以对晶粒尺寸和形状进行测量,并通过比较不同时间点的金相图像来计算晶粒生长速率,散射传感器可用于测量氧化铝面积Al2O3。通过测量光散射模式,推断出颗粒或颗粒的尺寸和浓度,从而评估氧化铝的面积,通过发送超声波脉冲并测量反射信号的时间延迟,可以评估材料内部的腐蚀情况,CCD传感器可以用于图像捕捉和分析,用于评估白斑数量Bbs和氢气气泡数量Qqs。
实施例3
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述数据采集模块2包括第一采集单元21和第二采集单元22;
所述第一采集单元21用于对第一监测单元11所监测到的综合扰流板数据进行采集,所述综合扰流板数据包括晶粒数据集、腐蚀氧化数据集和扰流板数据集;
通过第一集成传感器组对铝合金扰流板的晶粒进行显微拍摄,并对晶粒的图像特征进行提取,所述晶粒数据集包括晶粒面积Jmj、晶粒数量Jsl、晶粒体积Jtj、晶粒分布面积Jfb和晶粒生长速率Jsz;
通过第二集成传感器组对铝合金扰流板的腐蚀氧化表面进行拍摄,并对腐蚀氧化特征图像进行特征提取,所述腐蚀氧化数据集包括氧化铝面积Al2O3、白斑数量Bbs、氢气气泡数量Qqs、晶间腐蚀度Fsd和氧化层厚度Yhd;
通过第三集成传感器组对铝合金扰流板的扰流板进行多角度拍摄,并对扰流板特征图像进行特征提取,所述扰流板数据集包括扰流板角度Rjd、扰流板弯曲度Rwq、扰流板宽度Rkd、扰流板湍流度Rtl和扰流板长度Rcd;
所述第二采集单元22用于对第二监测单元12所监测到的表面缺陷数据集进行采集,通过第四集成传感器组对铝合金扰流板的表面进行拍照,并对表面缺陷特征图像进行特征提取,所述表面缺陷数据集包括沙眼数量Sy、凸起面积Tq、凹陷面积Ox、裂痕面积Lw、表面粗糙度Cc和钩状瑕疵面积Gz。
本实施例中,通过数据采集模块2的工作,***能够有效地采集和记录铝合金扰流板的关键数据,这些数据将用于后续的深度学习模型构建和数据分析,这有助于提高产品质量控制的准确性和可靠性,使制造商能够更好地了解产品的特征和缺陷,从而采取适当的措施来改进和优化生产过程,其中晶粒的大小和分布对材料的性能有很大影响,因此这些信息对于确定材料的机械性能、强度和可加工性,通过采集这些参数,可以检测扰流板的尺寸和形状在规定的标准范围内,从而保证产品的一致性和质量,这些参数的采集有助于评估铝合金扰流板的性能缺陷,扰流板角度和弯曲度可以影响扰流板的效果,而湍流度和宽度可以影响流体流动的控制效果,通过采集腐蚀氧化数据集中的参数,可以确保扰流板的氧化层和腐蚀状况在规定的标准范围内,从而保证产品的一致性和质量。
实施例4
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述深度学习模块3包括模型构建单元31和预处理单元32;
所述模型构建单元31,通过卷积神经网络进行构建深度学习模型架构,并且使用TensorFlow框架来搭建深度学习模型,通过特征提取和缺陷检测,将数据集划分为训练集、验证集和测试集,以便用于模型训练、超参数调整和评估;
所述预处理单元32用于对采集到的综合扰流板数据和表面缺陷数据进行整合,其中包括正常和有缺陷的扰流板钣金件图像和参数数据,并通过深度学习模块3对所采集到的数据进行深度学习处理,对图像数据进行调整大小、裁剪、标准化、增强和去噪处理,并对所采集到的参数数据进行去除重复值、处理缺失数据、异常值处理和数据一致性检查。
本实施例中,深度学***,减少了人工干预的需求,提高了检测的准确性和效率。
实施例5
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述第一分析单元41包括晶粒分析单元411、腐蚀氧化分析单元412和扰流板分析单元413;
所述晶粒分析单元411用于依据综合扰流板数据中的晶粒数据集,进行无量纲处理后,进行汇总计算,获得晶粒系数Jlxs;
所述晶粒系数Jlxs通过以下公式获取:
;
式中c1、c2、c3、c4和c5表示晶粒面积Jmj、晶粒数量Jsl、晶粒体积Jtj、晶粒分布面积Jfb和晶粒生长速率Jsz的比例系数,其中,0.01<c1<0.89,0.04<c2<0.99,0.03<c3<0.87,0.04<c4<0.85,0.01<c5<0.94,其具体值由用户调整设置,C为第三修正常数。
本实施例中,通过晶粒分析单元411的工作,***能够从晶粒数据中提取关键信息,并计算出晶粒系数Jlxs,晶粒系数Jlxs帮助评估铝合金扰流板的晶粒特性,从而为质量控制和改进提供重要依据,这有助于制造商更好地了解材料的结构特性,以确保产品的性能和质量,通过检测铝合金扰流板晶粒是为了确保产品的性能、质量和可靠性。
实施例6
本实施例是在实施例5中进行的解释说明,请参照图1,具体的:所述腐蚀氧化分析单元412和扰流板分析单元413用于依据综合扰流板数据中的腐蚀氧化数据集和扰流板数据集,进行无量纲处理后,进行汇总计算,获得腐蚀氧化系数Fsxs和扰流板系数Rlxs;
所述腐蚀氧化系数Fsxs和扰流板系数Rlxs通过以下公式获取;
;
;
式中,d1、d2、d3、d4和d5分别为氧化铝面积Al2O3、白斑数量Bbs、氢气气泡数量Qqs、晶间腐蚀度Fsd和氧化层厚度Yhd的比例系数,其中,0<d1<1,0<d2<1,0<d3<1,0<d4<1,0<d5<1,其具体值由用户调整设置,D为第四修正常数;
e1、e2、e3、e4和e5分别为扰流板角度Rjd、扰流板弯曲度Rwq、扰流板宽度Rkd、扰流板湍流度Rtl和扰流板长度Rcd的比例系数,其中,0<e1<1,0<e2<1,0<e3<1,0<e4<1,0<e5<1,其具体值由用户调整设置,E为第五修正常数。
本实施例中,腐蚀氧化系数Fsxs和扰流板系数Rlxs的计算有助于评估铝合金扰流板的制造工艺和耐腐蚀性能,这些系数提供了重要的信息,可用于制定改进措施、优化生产流程和确保产品质量的一致性。
实施例7
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:所述第三相关分析单元43用于依据第一分析单元41和第二分析单元42,所获取的扰流板系数Zhxs和表面缺陷系数Wgxs,进行无量纲处理后,进行相关联计算获得综合缺陷系数Qxxs;
所述综合缺陷系数Qxxs通过以下公式获取:
;
式中,f1和f2分别为扰流板系数Zhxs和表面缺陷系数Wgxs的比例系数,其具体值由用户调整设置,F为第六修正常数。
本实施例中,第三相关分析单元43将来自第一分析单元41的晶粒数据、腐蚀氧化数据的分析和第二分析单元42的表面缺陷数据进行综合分析,这有助于将不同属性和特性的信息结合起来,更全面地了解铝合金扰流板的质量和性能。
实施例8
本实施例是在实施例7中进行的解释说明,请参照图1,具体的:所述第三相关分析单元43所获取的综合缺陷系数Qxxs,由缺陷评估模块5预设的缺陷阈值G,将所获取的综合缺陷系数Qxxs与缺陷阈值G进行对比评估,获得评估结果如下;
当综合缺陷系数Qxxs>缺陷阈值G时,标记为异常,表示当铝合金扰流板存在缺陷,则生成第一评估结果;
当综合排查系数Zhxs≤缺陷阈值G,标记为正常,表示铝合金扰流板无缺陷,则无需生成评估结果。
本实施例中,通过将综合缺陷系数Qxxs与预设的缺陷阈值G进行对比,***能够自动检测铝合金扰流板是否存在缺陷,这大大减少人工检查的需求,提高了检测效率,采用数值化的方式评估综合缺陷系数Qxxs相对于缺陷阈值G,提高评估的准确性。这有助于确保准确地识别存在缺陷的铝合金扰流板,并减少误报率。
实施例9
本实施例是在实施例8中进行的解释说明,请参照图1,具体的:所述缺陷评估模块5将所生成的第一评估结果,发送至缺陷改善模块6,由缺陷改善模块6对所获取的第一评估结果,进行分析,并生成相应的改善方案,具体改善方案如下;
若缺陷改善模块6接收到第一评估结果时,此时则需要通过深度学习模块3对其缺陷部位进行特征提取,通过深度学习模型识别当前缺陷是扰流板位置还是表面存在缺陷,然后针对性进行调整;
若识别当前扰流板生产工艺存在缺陷,则需要对其铝合金扰流板进行选择具有更好抗腐蚀性的铝合金材料,应用防腐涂层和抗氧化处理,保护铝合金表面免受腐蚀的侵害,通过调整铝合金的成分,优化晶粒结构,改善材料的性能,并且采用适当的热处理工艺固溶处理,以调整晶粒尺寸和分布,同时确保扰流板的生产工艺能够准确地实现所需的角度和弯曲度,通过改变扰流板的表面形状和纹理,优化湍流度控制效果,并使用CFD工具进行流体动力学分析,确定扰流板的最佳长度和宽度,实现所需的流体控制效果;
若识别铝合金扰流板表面存在缺陷,则需要优化制造工艺以减少气泡和沙眼的生成,对于较小的气泡、沙眼和表面粗糙度,采用研磨和抛光处理,同时对于钩状瑕疵,通过切割和磨削的方式去除,并且铝合金扰流板表面存在凹凸面,使用液压机进行找平处理,改善表面质量。
本实施例中,深度学***处理等措施、这些步骤提高铝合金扰流板的表面质量和外观。
请参阅图2,一种基于深度学习的汽车钣金件表面缺陷检测方法,包括以下步骤:
S1、首先通过钣金缺陷监测模块1对铝合金扰流板的钣金加工台周围布设若干个监测点,对铝合金扰流板的综合扰流板数据和表面缺陷数据进行检测,并由数据采集模块2对综合扰流板数据和表面缺陷数据进行采集;
S2、通过深度学习模块3由模型构建单元31构建深度学习模型,再由预处理单元32对所采集到的参数数据和图像数据进行预处理,保证数据的可用性;
S3、然后再通过数据分析模块4中的第一分析单元41和第二分析单元42提取特征,无量纲处理后进行计算分析,获取到综合扰流板系数Zhxs和表面缺陷系数Wgxs,最后再通过第三相关分析单元43将综合扰流板系数Zhxs和表面缺陷系数Wgxs汇总获取综合缺陷系数Qxxs;
S4、由缺陷评估模块5预设缺陷阈值G,将综合缺陷系数Qxxs与缺陷阈值G进行对比分析,获得第一评估结果和第二评估结果,发送至缺陷改善模块6;
S5、最后由缺陷改善模块6对接收到评估结果,对于接收到的第一评估结果进行进一步缺陷识别,对于扰流板位置部位的缺陷,则对铝合金扰流板的加工工艺和材料处理进行改善,若缺陷存在表面,则需要对铝合金扰流板就行修复处理。
具体示例:一个某某铝合金扰流板加工车间,该某某铝合金扰流板加工车间引入了一种基于深度学习的汽车钣金件表面缺陷检测方法及***,以下是该某某铝合金扰流板检测的示例。
综合扰流板系数Zhxs:
;
比例系数a1=0.14,a2=0.17,a3=0.12,第一修正常数A:0.12;
表面缺陷系数Wgxs:
;
沙眼数量Sy:15,凸起面积Tq:11,凹陷面积Ox:8,裂痕面积Lw:7,表面粗糙度Cc:2,钩状瑕疵面积Gz:2,比例系数b1=0.07,b2=0.1,b3=0.14,b4=0.12,b5=0.3,第二修正常数B:0.5;
晶粒系数Jlxs:
;
晶粒面积Jmj:6,晶粒数量Jsl:3,晶粒体积Jtj:12,晶粒分布面积Jfb:4,晶粒生长速率Jsz:7,比例系数c1=0.24,c2=0.23,c3=0.06,c4=0.23,c5=0.27,第三修正常数C:0.34;
腐蚀氧化系数Fsxs:
;
氧化铝面积Al2O3:4,白斑数量Bbs:12,氢气气泡数量Qqs:3,晶间腐蚀度Fsd:16,氧化层厚度Yhd:8,比例系数d1=0.12,d2=0.1,d3=0.26,d4=0.08,d5=0.11,第四修正常数D:0.38;
扰流板系数Rlxs:
;
角度Rjd:6,弯曲度Rwq:9,宽度Rkd:2,湍流度Rtl:11,长度Rcd:8,比例系数e1=0.23,e2=0.21,e3=0.17,e4=0.21,e5=0.12,第五修正常数E:0.12;
综合缺陷系数Qxxs:
;
比例系数f1=0.13,f2=0.07,第六修正常数F:0.07;
其中,计算结果均取小数点后两位;
此时将缺陷阈值G设置为1,此时综合缺陷系数Qxxs>缺陷阈值G,则生成第一评估结果,发送至缺陷改善模块6,获取改善信息,对当前铝合金扰流板就行改善优化处理。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:包括钣金缺陷监测模块(1)、数据采集模块(2)、深度学习模块(3)、数据分析模块(4)、缺陷评估模块(5)和缺陷改善模块(6);
在铝合金扰流板的钣金加工台周围,布设若干个监测点,由钣金缺陷监测模块(1)对铝合金扰流板的综合扰流板数据和表面缺陷数据进行检测,并由数据采集模块(2)对综合扰流板数据和表面缺陷数据进行采集,并传输至深度学习模块(3)构建深度学习模型;
所述数据分析模块(4)包括第一分析单元(41)、第二分析单元(42)、第三相关分析单元(43),所述第一分析单元(41)用于依据综合缺陷数据,提取铝合金扰流板的铝合金晶粒数据集,分析计算获取晶粒系数Jlxs,并从综合缺陷数据中提取腐蚀氧化数据集,分析计算获取腐蚀氧化系数Fsxs,并从综合缺陷数据中提取扰流板数据集,分析计算获取扰流板系数Rlxs;所述第二分析单元(42)从所述表面缺陷数据中提取表面缺陷数据集,并进行无量纲处理后,计算获得表面缺陷系数Wgxs;由第三相关分析单元(43)将晶粒系数Jlxs、腐蚀氧化系数Fsxs和扰流板系数Rlxs,无量纲处理后进行汇总分析,获取到综合扰流板系数Zhxs,并与表面缺陷系数Wgxs,进行相关联,获得综合缺陷系数Qxxs;
所述综合扰流板系数Zhxs和表面缺陷系数Wgxs通过以下公式获得:
;
;
式中,a1、a2和a3表示晶粒系数Jlxs、腐蚀氧化系数Fsxs和扰流板系数Rlxs的比例系数,其中,a1+a2+a3≠1,0.01<a1<0.98,0<a2<0.87,0<a3<0.96,其具体值由用户调整设置,A为第一修正常数;
Sy表示沙眼数量、Tq表示凸起面积、Ox表示凹陷面积、Lw表示裂痕面积、Cc表面粗糙度和Gz钩状瑕疵面积,b1、b2、b3、b4、b5和b6分别为沙眼数量Sy、凸起面积Tq、凹陷面积Ox、裂痕面积Lw、表面粗糙度Cc和钩状瑕疵面积Gz的比例系数,且,,/>,,/>,/>,/>,其具体值由用户调整设置,B为第二修正常数;
由缺陷评估模块(5)预设缺陷阈值G,将综合缺陷系数Qxxs与缺陷阈值G进行对比分析,获得评估结果,并由缺陷改善模块(6)根据评估结果生成缺陷改善方案,对缺陷部位进行提示改善。
2.根据权利要求1所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述钣金缺陷监测模块(1)包括第一监测单元(11)和第二监测单元(12);
所述第一监测单元(11)用于采用第一集成传感器组、第二集成传感器组和第三集成传感器组,对铝合金扰流板的晶粒数据、腐蚀氧化数据和扰流板数据进行实时监测,并汇总成晶粒数据集、腐蚀氧化数据集和扰流板数据集;
所述第一集成传感器组包括X射线衍射、电子显微镜、金相显微镜和散射技术;
所述第二集成传感器组包括视觉检测传感器、电化学腐蚀传感器、红外热像仪和X射线荧光光谱仪;
所述第三集成传感器组包括角度传感器、应变传感器、宽度测量传感器、压力传感器和长度测量设备;
所述第二监测单元(12)用于采用第四集成传感器组,对铝合金扰流板的表面缺陷数据进行监测,获得表面缺陷数据集;
所述第三集成传感器组包括激光散射传感器、三维扫描仪、超声波传感器、表面粗糙度仪和CCD传感器。
3.根据权利要求1所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述数据采集模块(2)包括第一采集单元(21)和第二采集单元(22);
所述第一采集单元(21)用于对第一监测单元(11)所监测到的综合扰流板数据进行采集,所述综合扰流板数据包括晶粒数据集、腐蚀氧化数据集和扰流板数据集;
所述晶粒数据集包括晶粒面积Jmj、晶粒数量Jsl、晶粒体积Jtj、晶粒分布面积Jfb和晶粒生长速率Jsz;
通过第一集成传感器组对铝合金扰流板的晶粒进行显微拍摄,并对晶粒的图像特征进行提取,所述腐蚀氧化数据集包括氧化铝面积Al2O3、白斑数量Bbs、氢气气泡数量Qqs、晶间腐蚀度Fsd和氧化层厚度Yhd;
通过第三集成传感器组对铝合金扰流板的扰流板进行多角度拍摄,并对扰流板图像进行特征提取,所述扰流板数据集包括扰流板角度Rjd、扰流板弯曲度Rwq、扰流板宽度Rkd、扰流板湍流度Rtl和扰流板长度Rcd;
所述第二采集单元(22)用于对第二监测单元(12)所监测到的表面缺陷数据集进行采集,通过第四集成传感器组对铝合金扰流板的表面进行拍照,并对表面缺陷图像进行特征提取,所述表面缺陷数据集包括沙眼数量Sy、凸起面积Tq、凹陷面积Ox、裂痕面积Lw、表面粗糙度Cc和钩状瑕疵面积Gz。
4.根据权利要求1所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述深度学习模块(3)包括模型构建单元(31)和预处理单元(32);
所述模型构建单元(31),通过卷积神经网络进行构建深度学习模型架构,并且使用TensorFlow框架来搭建深度学习模型,通过特征提取和缺陷检测,将数据集划分为训练集、验证集和测试集,以便用于模型训练、超参数调整和评估;
所述预处理单元(32)用于对采集到的综合扰流板数据和表面缺陷数据进行整合,其中包括正常和有缺陷的扰流板钣金件图像和参数数据,并通过深度学习模块(3)对所采集到的数据进行深度学习处理,对图像数据进行调整大小、裁剪、标准化、增强和去噪处理,并对所采集到的参数数据进行去除重复值、处理缺失数据、异常值处理和数据一致性检查。
5.根据权利要求1所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述第一分析单元(41)包括晶粒分析单元(411)、腐蚀氧化分析单元(412)和扰流板分析单元(413);
所述晶粒分析单元(411)用于依据综合扰流板数据中的晶粒数据集,进行无量纲处理后,进行汇总计算,获得晶粒系数Jlxs;
所述晶粒系数Jlxs通过以下公式获取:
;
式中c1、c2、c3、c4和c5表示晶粒面积Jmj、晶粒数量Jsl、晶粒体积Jtj、晶粒分布面积Jfb和晶粒生长速率Jsz的比例系数,其中,0.01<c1<0.89,0.04<c2<0.99,0.03<c3<0.87,0.04<c4<0.85,0.01<c5<0.94,其具体值由用户调整设置,C为第三修正常数。
6.根据权利要求5所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述腐蚀氧化分析单元(412)和扰流板分析单元(413)用于依据综合扰流板数据中的腐蚀氧化数据集和扰流板数据集,进行无量纲处理后,进行汇总计算,获得腐蚀氧化系数Fsxs和扰流板系数Rlxs;
所述腐蚀氧化系数Fsxs和扰流板系数Rlxs通过以下公式获取;
;
;
式中,d1、d2、d3、d4和d5分别为氧化铝面积Al2O3、白斑数量Bbs、氢气气泡数量Qqs、晶间腐蚀度Fsd和氧化层厚度Yhd的比例系数,其中,0<d1<1,0<d2<1,0<d3<1,0<d4<1,0<d5<1,其具体值由用户调整设置,D为第四修正常数;
e1、e2、e3、e4和e5分别为扰流板角度Rjd、扰流板弯曲度Rwq、扰流板宽度Rkd、扰流板湍流度Rtl和扰流板长度Rcd的比例系数,其中,0<e1<1,0<e2<1,0<e3<1,0<e4<1,0<e5<1,其具体值由用户调整设置,E为第五修正常数。
7.根据权利要求6所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述第三相关分析单元(43)用于依据第一分析单元(41)和第二分析单元(42),所获取的扰流板系数Zhxs和表面缺陷系数Wgxs,进行无量纲处理后,进行相关联计算获得综合缺陷系数Qxxs;
所述综合缺陷系数Qxxs通过以下公式获取:
;
式中,f1和f2分别为扰流板系数Zhxs和表面缺陷系数Wgxs的比例系数,其具体值由用户调整设置,F为第六修正常数。
8.根据权利要求7所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述第三相关分析单元(43)所获取的综合缺陷系数Qxxs,由缺陷评估模块(5)预设的缺陷阈值G,将所获取的综合缺陷系数Qxxs与缺陷阈值G进行对比评估,获得评估结果如下;
当综合缺陷系数Qxxs>缺陷阈值G时,标记为异常,表示当铝合金扰流板存在缺陷,则生成第一评估结果;
当综合排查系数Zhxs≤缺陷阈值G,标记为正常,表示铝合金扰流板无缺陷,则无需生成评估结果。
9.根据权利要求8所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:所述缺陷评估模块(5)将所生成的第一评估结果,发送至缺陷改善模块(6),由缺陷改善模块(6)对所获取的第一评估结果,进行分析,并生成相应的改善方案,具体改善方案如下;
若缺陷改善模块(6)接收到第一评估结果时,此时则需要通过深度学习模块(3)对其缺陷部位进行特征提取,通过深度学习模型识别当前缺陷是扰流板位置还是表面存在缺陷,然后针对性进行调整;
若识别当前扰流板生产工艺存在缺陷,则需要对其铝合金扰流板进行选择具有更好抗腐蚀性的铝合金材料,应用防腐涂层和抗氧化处理,保护铝合金表面免受腐蚀的侵害,通过调整铝合金的成分,优化晶粒结构,改善材料的性能,并且采用适当的热处理工艺固溶处理,以调整晶粒尺寸和分布,同时确保扰流板的生产工艺能够准确地实现所需的角度和弯曲度,通过改变扰流板的表面形状和纹理,优化湍流度控制效果,并使用CFD工具进行流体动力学分析,确定扰流板的最佳长度和宽度,实现所需的流体控制效果;
若识别铝合金扰流板表面存在缺陷,则需要优化制造工艺以减少气泡和沙眼的生成,对于较小的气泡、沙眼和表面粗糙度,采用研磨和抛光处理,同时对于钩状瑕疵,通过切割和磨削的方式去除,并且铝合金扰流板表面存在凹凸面,使用液压机进行找平处理,改善表面质量。
10.一种基于深度学习的汽车钣金件表面缺陷检测方法,包括上述权利要求1~9任一一项所述的一种基于深度学习的汽车钣金件表面缺陷检测***,其特征在于:包括以下步骤:
S1、首先通过钣金缺陷监测模块(1)对铝合金扰流板的钣金加工台周围布设若干个监测点,对铝合金扰流板的综合扰流板数据和表面缺陷数据进行检测,并由数据采集模块(2)对综合扰流板数据和表面缺陷数据进行采集;
S2、通过深度学习模块(3)由模型构建单元(31)构建深度学习模型,再由预处理单元(32)对所采集到的参数数据和图像数据进行预处理,保证数据的可用性;
S3、然后再通过数据分析模块(4)中的第一分析单元(41)和第二分析单元(42)提取特征,无量纲处理后进行计算分析,获取到综合扰流板系数Zhxs和表面缺陷系数Wgxs,最后再通过第三相关分析单元(43)将综合扰流板系数Zhxs和表面缺陷系数Wgxs汇总获取综合缺陷系数Qxxs;
S4、由缺陷评估模块(5)预设缺陷阈值G,将综合缺陷系数Qxxs与缺陷阈值G进行对比分析,获得第一评估结果和第二评估结果,发送至缺陷改善模块(6);
S5、最后由缺陷改善模块(6)对接收到评估结果,对于接收到的第一评估结果进行进一步缺陷识别,对于扰流板位置部位的缺陷,则对铝合金扰流板的加工工艺和材料处理进行改善,若缺陷存在表面,则需要对铝合金扰流板就行修复处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639094.2A CN117351006B (zh) | 2023-12-04 | 2023-12-04 | 一种基于深度学习的汽车钣金件表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639094.2A CN117351006B (zh) | 2023-12-04 | 2023-12-04 | 一种基于深度学习的汽车钣金件表面缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351006A true CN117351006A (zh) | 2024-01-05 |
CN117351006B CN117351006B (zh) | 2024-02-02 |
Family
ID=89371318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639094.2A Active CN117351006B (zh) | 2023-12-04 | 2023-12-04 | 一种基于深度学习的汽车钣金件表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351006B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805145A (zh) * | 2024-02-28 | 2024-04-02 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883763A (zh) * | 2023-09-06 | 2023-10-13 | 宁德市天铭新能源汽车配件有限公司 | 一种基于深度学习的汽车零部件缺陷检测方法及*** |
CN116881530A (zh) * | 2023-06-20 | 2023-10-13 | 南京晓庄学院 | 一种基于深度学习的器件表面缺陷检测*** |
CN116893175A (zh) * | 2023-07-04 | 2023-10-17 | 千顺智能(珠海)有限公司 | 基于深度学习的连接器多工位多缺陷统一测量*** |
-
2023
- 2023-12-04 CN CN202311639094.2A patent/CN117351006B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881530A (zh) * | 2023-06-20 | 2023-10-13 | 南京晓庄学院 | 一种基于深度学习的器件表面缺陷检测*** |
CN116893175A (zh) * | 2023-07-04 | 2023-10-17 | 千顺智能(珠海)有限公司 | 基于深度学习的连接器多工位多缺陷统一测量*** |
CN116883763A (zh) * | 2023-09-06 | 2023-10-13 | 宁德市天铭新能源汽车配件有限公司 | 一种基于深度学习的汽车零部件缺陷检测方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805145A (zh) * | 2024-02-28 | 2024-04-02 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及*** |
CN117805145B (zh) * | 2024-02-28 | 2024-05-14 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117351006B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117351006B (zh) | 一种基于深度学习的汽车钣金件表面缺陷检测方法及*** | |
Chethan et al. | Optimization of machining parameters in turning Nimonic-75 using machine vision and acoustic emission signals by Taguchi technique | |
CN110146019B (zh) | 一种基于工业相机的工件尺寸在线检测与自动补偿方法 | |
CN115983687B (zh) | 一种冷轧带钢质量智能检测管理***及方法 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及*** | |
CN117367688B (zh) | 一种玻璃钢管气密性检测分析方法 | |
CN110057745B (zh) | 一种金属构件腐蚀情况的红外检测方法 | |
CN113884538B (zh) | 大型风力机叶片内部微小缺陷的红外热像检测方法 | |
CN102914479A (zh) | 布氏硬度自动测定方法 | |
CN113884430A (zh) | 一种基于图像识别的金属腐蚀程度的综合评价方法及装置 | |
CN110880170A (zh) | 一种复合材料缺陷的深度预测方法 | |
Frayman et al. | Machine vision system for automatic inspection of surface defects in aluminum die casting | |
CN114972353B (zh) | 一种金属高压特种管件质量评估方法及*** | |
JP2015004544A (ja) | 検査方法及び検査装置 | |
CN113793321B (zh) | 基于机器视觉的铸件表面缺陷动态检测方法及装置 | |
CN116228743A (zh) | 一种m50高温轴承钢一次碳化物的检测方法及*** | |
Hastie et al. | Computed Tomography Wall Thickness Inspection to Support Gas Turbine Blade Life Extension | |
Chebrolu et al. | Automated Evaluation of Surface Roughness using Machine Vision based Intelligent Systems | |
CN109239301B (zh) | 一种锚链闪光焊质量在线评估方法 | |
CN108133261B (zh) | 基于bp神经网络的汽车胶管芯轴质量评价方法 | |
Li et al. | A quantitative analysis method for pipeline defect inspection based on infrared thermal imaging | |
CN112785563B (zh) | 一种基于Zernike矩的热电偶质量检测方法 | |
CN117910118B (zh) | 一种基于bim模型的建筑结构安全性评价方法及*** | |
CN118258538A (zh) | 基于机器视觉的往复式压缩机气缸盖螺栓拧紧方法 | |
El-Agamy et al. | Automated inspection of surface defects using machine vision |
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 |