基于深度学习的机器视觉系统用于多层多通过程中的在线监测和质量评估

科学领域:

• 制造工程
• 机器人和自动化
• 材料科学

背景情况:

• 在核能和造船等行业中, 多层多通非常重要.
• 接扭曲和缺陷仍然是一个重大挑战,需要严格的监测和质量控制.
• 在接过程中进行动态调节对于保持高质量的输出至关重要.

研究的目的:

• 开发机器视觉系统,用于实时监测和评估多层多通的表面质量.
• 通过横截面建模和扭曲测量来实现接计划的动态控制.
• 创建一个缺陷检查数据集用于培训和验证质量控制算法.

主要方法:

• 使用线路扫描仪和红外摄像头传感器获取数据.
• 从线扫描器数据开发横截面建模以测量扭曲.
• 应用普通地图方法与深度学习相结合,用于表面缺陷检查,解决材料颜色变化.
• 集成了一个烧透缺陷检测算法和接池温度监控.

主要成果:

• 使用深度学习方法实现了0.88的表面缺陷检查的平均精度.
• 成功测量扭曲并启用接计划的动态控制.
• 证明有效监测接池温度和检测烧透缺陷.
• 将系统集成到图形用户界面中以可视化接进展.

结论:

• 拟议的机器视觉系统为监控多层多通提供了坚实的基础.
• 该系统显示了自动自适应接系统的发展潜力.
• 通过实时监控和缺陷检测可以实现更强的质量控制.