使用形状和尺寸自适应描述器在冲压渐进式模具的生产过程中检测异常
1School of Mechanical Engineering, Beijing Institute of Technology, Beijing100081, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一种机器视觉系统,用于实时检测渐进式模具冲压中的异常. 该方法在损坏昂贵的模具之前识别缺陷,确保生产稳定性和机器安全.
科学领域:
- 制造业 工程 制造工程
- 计算机视觉 计算机视觉
- 工业自动化 工业自动化
背景情况:
- 渐进式模具冲压依赖于异常检测,以确保模具的安全性和生产稳定性.
- 目前的方法,如手动检查或传感器监测,可以在事件发生后检测异常,通常是在模具损坏后.
- 现有的方法缺乏预先预警能力,导致昂贵的维修.
研究的目的:
- 提出一种基于机器视觉的实时,先发制人的异常检测方法,用于渐进式模具冲压.
- 通过在发生重大损坏之前识别异常来保护昂贵的模具和机械.
- 为传统的检查方法提供更高效,更有效的替代方案.
主要方法:
- 将连续动作场景分解成一个标准的背景模板库.
- 通过将当前图像与模板库进行比较来识别潜在的异常区域.
- 提取和比较适应形状和尺寸的描述符,以确认异常.
主要成果:
- 拟议的方法在逐步压过程中检测异常时达到合理的准确性.
- 实验结果表明异常检测性能令人满意.
- 该方法显示了与更简单准备的深度学习技术相比具有竞争力的性能.
结论:
- 机器视觉方法可以在渐进式模具冲压中早期检测异常,防止模具损坏.
- 这种方法为提高制造业的安全性和效率提供了实用和有效的解决方案.
- 它为深度学习提供了一个可行的替代方案,需要不那么复杂的设置.
