<dd id="4lryh"><noscript id="4lryh"></noscript></dd>
  • <legend id="4lryh"><pre id="4lryh"></pre></legend>
      <li id="4lryh"></li>

    1. 視頻      在線研討會
      半導體激光器 激光切割 激光器
      工業應用
      外觀缺陷檢測在激光行業的應用
      材料來源:華工激光           錄入時間:2022/10/10 19:10:15

      隨著工業的發展和科技的不斷進步,激光焊接智能裝備憑借其輸出能量大、焊接速度快、適用性強的優勢已在航空航天、汽車、3C電子等制造業中得到廣泛應用。在這些行業應用過程中,市場也不斷對焊接加工品質提出了更高的需求,例如更多類型材料的焊接能力、焊點焊面的完整度與連續性、焊接品質的檢測效率等。

      激光焊后外觀缺陷檢測的必要性

      激光焊接裝備在復雜的工業環境下,由于焊接工藝和焊接環境等多方面因素影響,焊接面容易產生各類焊接缺陷,焊接質量的好壞也會直接影響到結構的性能,因此焊后缺陷檢測成為了生產流程中極其重要的環節。

      對于焊后外觀缺陷檢測,目前較多行業中仍主要以人工目測判定為主,而傳統的人工目測在自動化生產過程中,存在主觀性高、漏檢高、效率低、人力成本高等問題,因此如何盡可能減少在生產過程中人工評定法的主觀性、差異性成為各個行業及客戶的主要訴求。在此背景下,配備高效智能的外觀缺陷檢測系統變得尤為重要。隨著工業機器視覺的發展,深度學習在圖像特征學習中的獨特優勢使其在表面缺陷檢測中具備重要的實用價值,成為了工業智能檢測領域的主流研究方向。

      深度學習主要包含卷積神經網絡(Convolutional Neural Networks,CNN)和Faster R-CNN兩種網絡模型,通過利用算法模型自動學習的特點,不再受限于復雜多變的環境,可自動提取缺陷特征,最終實現自動檢測。一方面,避免了傳統算法中人工提取特征的局限性和復雜性;另一方面,深度學習在自然語言處理、圖像分類和圖像分割等領域已獲得了廣泛應用,為外觀缺陷檢測系統的研發奠定了堅實基礎。

      以錫焊焊點外觀缺陷檢測為例

      焊點檢測主要包含外觀檢測、電氣檢測等,其中外觀檢測是一種非破壞性檢驗方法,主要檢測焊料是否均勻完整、焊點表面是否連續圓滑且無過度光亮、焊點是否存在缺失、少錫、多錫、漏焊、燒傷、位置偏移等問題(如圖1所示)。外觀缺陷檢測系統能夠提前將大部分明顯不良品檢出,節省后續的檢測成本和時間。相比于傳統人工目測,依托機器視覺技術的焊點外觀缺陷檢測系統更直觀、更節省成本、更可靠、更精確、更快速。

      圖1 形態各異的焊點圖像

      下文將主要介紹外觀缺陷檢測系統的構成、算法原理、焊點檢測效果。

      一. 機器視覺系統主要由三大類構成(如圖2所示):

      1. 圖像獲。孩俟I相機與光學鏡頭、②照明光源、③傳感器、④圖像采集卡;

      2. 圖像處理:⑥視覺處理軟件;

      3. 硬件系統:⑤PC平臺、⑦控制單元。

       圖2   機器視覺系統構成

      二. 算法原理及實現

      外觀缺陷檢測系統采用先進的圖像視覺檢測技術,圖像處理技術對每幅圖像進行預處理、圖像分割等運算,以確定焊點位置、提取焊點信息、獲得表面缺陷問題、提示缺陷位置及顯示缺陷大小,最后輸出相應檢測信號上傳至MES系統。

      而圖像處理系統是將基于形態學的傳統算法與基于大數據的深度學習有效結合一起,使得檢測過程更加精確精細。焊點的多形態特征及焊點復雜環境,使得深度學習這種應用于復雜環境的算法系統成為焊點外觀缺陷檢測系統的主要檢測手段。

      圖像算法處理大概過程如圖3所示:

       圖3 算法處理過程  

      圖像算法系統分為兩大組成部分,包含傳統算法與深度學習。   

      (1) 傳統算法模塊

      基于形態學處理,獲得焊點位置信息,提取焊點位置。同時在深度學習提取的缺陷特征后,對其做進一步分析處理。

      (2) 深度學習模塊

      傳統算法在比較圖像效果復雜的情況下效果不佳,背景不均勻的環境下容易造成誤判。

      深度學習網絡利用圖像灰度值、梯度值、梯度方向、位置信息、領域特征等多維度來學習目標特征,通過多參數來描述目標區域。因此相比傳統灰度值單維度描述目標特征具有更強的魯棒性,在滿足特定條件的應用場景下,理論上深度學習超越現有算法的識別、分割與分類性能。

      在錫焊焊點外觀缺陷檢測系統中,形態各異的焊點特征為深度學習提供了大量有效的數據。在大數據的支持下,配合顯卡的強大算力,對深度學習模型進行大量驗證及優化。深度學習高效、精確、有效的檢測能力得到了驗證,在后期大批量生產測試中,漏誤判達到了理想預期。

      三. 效果展示

      錫焊焊點檢測部分效果如圖4所示:

      圖4 檢測效果展示

      目前深度學習模型,在工作過程中需要有標簽的大量數據來進行監督學習,而大量的缺陷圖像標記是一個難題。隨著科技的發展,引入無監督學習會減少有監督深度學習所需的大量數據,使系統的搭建更加方便快捷。集合有監督與無監督兩種模式,會使得錫焊焊點外觀缺陷檢測系統更加完善。

      外觀缺陷檢測的未來發展趨勢

      隨著生產需求不斷提高、技術水平高速更迭、生產設備自動化程度提高和生產規模的擴大,外觀缺陷檢測技術憑借高效、高質量與高適用性已在3C電子、汽車、航空航天等智能制造領域擁有廣闊的應用空間和高效的應用價值,在技術層面不斷地向更精準化、智能化方向進行突破。助力生產品質的同時,外觀缺陷檢測技術也能有效節省日漸昂貴的人力成本,為自動化智造生產提供更清晰全面的解決方案與發展方向。
      (文章轉載自網絡,如有侵權,請聯系刪除)


      上一篇:光至科技高功率MOPA清洗技術助力扁... 下一篇:激光器在顯示屏制造中的應用:準分...

      版權聲明:
      《激光世界》網站的一切內容及解釋權皆歸《激光世界》雜志社版權所有,未經書面同意不得轉載,違者必究!
      《激光世界》雜志社。



      激光世界獨家專訪

       
       
       
      友情鏈接

      一步步新技術

      潔凈室

      激光世界

      微波雜志

      視覺系統設計

      化合物半導體

      工業AI

      半導體芯科技

      首頁 | 服務條款 | 隱私聲明| 關于我們 | 聯絡我們
      Copyright© 2024: 《激光世界》; All Rights Reserved.
      亚洲人成77777男人_欧美喷潮最猛CYTHEREA_色偷偷亚洲男人本色97_a级国产乱理伦片在线播放
      <dd id="4lryh"><noscript id="4lryh"></noscript></dd>
    2. <legend id="4lryh"><pre id="4lryh"></pre></legend>
        <li id="4lryh"></li>