一种模锻成形智能制造生产线锻件质量信息检测方法与流程

本发明属于智能制造及智能检测技术领域，特别涉及一种多阶段智能在线质量信息检测方法。

背景技术：

锻件在航天、航空、船舶、汽车等领域应用广泛，在提高锻件生产效率的同时也要求质量越来越好，但是由于受到人员、环境、设备、工艺、原始坯料等影响，锻件易出现折叠、裂纹等缺陷及尺寸精度问题，严重影响最终产品的性能和质量。传统的质量检测方法主要通过人工实现在线检测，检测效率低，成本较高，检测精度不能保证且容易出现误判，对工人的经验具有较强的依赖性，对于大批量生产的生产线适合人工抽检不适合全检，但是抽检会对后期追溯造成影响且人工抽检主观性强、无法体现全面性，对于小批量生产的生产线适合全检，但是工人劳动强度大，容易出现误判。为提高产品质量及对后面产品质量信息追溯实现智能化生产，提出一种模锻成形智能制造生产线锻件质量信息检测技术。

本发明实现多阶段多种质量信息在线检测，具有较强质量控制力度；同时结合智能算法实现产品缺陷的识别，为智能化生产提供良好思路。

技术实现要素：

本发明的目的：因高温图像特征不明显，且特征信息杂乱。首先，应用高温图像处理方法提取主要特征，提高后续智能算法识别速度；最后，应用高温图像处理方法结合智能识别算法，提出一种模锻成形智能制造生产线锻件质量信息检测技术，克服高温环境下多阶段多种缺陷、尺寸在线精准检测的困难，解决现有生产检测精准性低、效率低，多阶段生产质量控制力度不够的问题。能够快速、精准、实时地剔除不合格产品，提高良品率，达到智能生产及智能质量控制的目的。

本发明采用的技术方案为一种模锻成形智能制造生产线，包括智能检测装置和机械设备，机械设备包括机械手臂a(1)、机械手臂b(5)、机械手臂c(8)、旋转加热炉(3)、物流辊道a(2)、物流辊道b(10)、锻压设备(4)、切边机(6)，机械设备作用是实现工件的成形及运输；智能检测装置包括检测平台a(7)、检测平台b(13)、三维扫描装置a(11)、三维扫描装置b(12)、工业相机(14)、激光打码机(9)，智能检测装置作用是实现锻造过程中工件质量信息的检测及存储功能。

所述机械手臂a(1)、旋转加热炉(3)、锻压设备(4)、机械手臂b(5)、切边机(6)、机械手臂c(8)、激光打码机(9)、三维扫描装置a(11)、三维扫描装置b(12)、检测平台a(7)、检测平台b(13)和工业相机(14)分别通过profibus-dp现场总线与总控plc连接，各设备之间通讯经过总控plc采用工业总线传输数据；所述物流辊道a(2)上带有传感器通过i/o接口与总控plc相连，当工件到达传感器时总控plc将信号传输给机械手臂a(1)，机械手臂a(1)进行相关动作；所述工业相机(14)在每阶段锻压完成后由锻压设备(4)与总控plc进行通讯并驱动工业相机(14)进行相关动作；所述工业相机(14)与图像采集卡(16)采用usb3.0数据传输，图像采集卡与工控机(15)也采用usb3.0接口进行数据通讯。

一种模锻成形智能制造生产线检测方法：首先，锻件经由锻压设备多阶段锻压成形，每次锻压成形结束后，锻件都由工业相机(14)进行缺陷检测；缺陷检测的模式主要包括折叠、裂纹、正常三种模式，若未达到终锻之前锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整各阶段锻压参数；若终锻结束后锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整设备，将锻件二次加热重新锻打，锻件缺陷信息存入数据库中；若锻件正常，锻件经过机械手臂b(5)运输至检测平台b(13)快速检测锻件几个关键尺寸用于判别是否进入切边阶段；若尺寸不合格，锻件二次加热重新锻打；若尺寸检测合格，锻件经由机械手臂b(5)运输至切边机(6)进行切边。

切边完成锻件由机械手臂c(8)运输至检测平台a(7)进行二次尺寸信息检测，若尺寸检测不合格，停止操作切边机调整切边机设备参数，锻件由机械手臂c(8)转移至激光打码记录信息，同时转移至废品区；若锻件尺寸合格由机械手臂c(8)运输至激光打码机(9)打码记录锻件信息，并转移至物流辊道b(10)，结束。

模锻成形智能制造生产线的质量信息检测方法包括各成形阶段缺陷信息检测技术及终锻完成阶段、切边完成阶段形状尺寸信息检测技术。

模锻成形智能制造生产线缺陷信息检测包括如下步骤：

s1.工业相机进行图像信息收集，经图像采集卡存入工业控制机中。

s2.读取图像信息，图像灰度增强、去噪，计算机处理存储的图像，图像处理步骤如下：

a.计算机读取高温红热原始图像；

b.将所有的收集的数据分辨率调整为256*256像素，转化成灰度图像；

c.采用非线性灰度增强的方法对图像进行缺陷加强，增强缺陷特征；

d.对图像进行中值滤波处理，去除锻件噪音并且最大化保留缺陷及图像轮廓边缘；

e.对原始图像进行二值化处理、图像分割，生成数据；

f.结束。

s3.根据步骤s2中所处理的图像，采用卷积神经网络(cnn)智能算法进行缺陷质量信息分类，信息处理步骤如下：

a.设置cnn模型为4卷积层、3全连接层，其中每层卷积层后面跟随一层池化层，全连接层最后一层应用softmax算法进行分类，卷积核大小为3x3，步长设置为1，池化层池化核大小为2x2，采用平均池化法提取特征，全连接层训练学习率为0.02，迭代次数20000次，并应用特征融合对卷积层输出进行特征融合降维，提高网络运算效率；

b.读取处理好的图像数据，将数据输入到步骤a训练的cnn模型中；

c.记录分类结果，并保存在数据库中。

d.存储分类信息，记录不合格产品缺陷信息；

e.结束。

模锻成形智能制造生产线切边阶段的尺寸信息检测：

锻件经由压力设备终锻结束后由机械手臂b(5)运输至检测平台b(13)进行尺寸信息检测，切边完成锻件移动至检测台a(7)三维扫描装置(1)对锻件进行三维扫描，锻件尺寸信息检测步骤如下：

a.三维扫描装置系统自动标定，完成精度调整；

b.利用面结构光扫描仪对锻件进行快速扫描获取锻件的点云数据；

c.自动拼接，对比模型；

d.形状信息检测分类数据存入数据库。

e.结束

切边阶段进行锻件打码，各成形阶段缺陷信息及终锻完成、切边阶段形状信息检测数据存入数据库中，最终完成锻件质量检测。

本发明的有益效果：

本发明检测技术主要包括多阶段缺陷信息检测、形状信息检测：多阶段缺陷信息检测技术用于所述生产线上，可实时获取图像信息数据，针对锻件高温状态缺陷模糊特点，应用图像处理技术增强锻件缺陷特征，提高了缺陷信息辨识度为缺陷识别提高效率，同时应用卷积神经网络结合特征融合、数据降维算法进行缺陷识别检测，提高线上识别检测效率及精准度；多阶段形状信息检测技术用于所述生产线上，通过特征扫描技术检测锻件尺寸，实现多阶段锻件形状尺寸信息的控制；

本发明的检测方法在锻造实际生产过程中能够实现多阶段多种质量信息的检测，与常规检测技术相比具有较强的质量控制力度、较高检测识别的效率及精准度，能够减少误判的情况，降低了工人劳动强度，同时最终的打码及信息存储，能够实现质量追溯，提高了模锻生产线的智能化生产程度。

附图说明

现将结合附图以举例的方式描述本发明，在附图中：

图1为本发明检测过程实施流程图；

图2为模锻成形智能制造生产线示意图；

图3为缺陷信息检测流程图；

图4为数据采集、传输装置示意图；

图5为图像数据处理流程图；

图6数据处理示例；(a)为示例原始图像数据；(b)为示例增强数据。(c)为示例去噪数据。(d)为示例二值化后数据

图7为图像灰度直方图；

图8为智能算法缺陷分类的流程图；

图9模型设计及训练流程图

图10为三维扫描检测流程图

图11锻件三维扫描图，(a)锻件点云图，(b)锻件处理图，(c)锻件尺寸对比图

具体实施方式

下面详细描述本发明的实例，所述实例的示例在附图中展示：

本发明所述实施流程如图1所示，具体实施过程如下：

模锻成形智能制造生产线实施过程：首先，坯料经过物流辊道a(2)由机械手臂(1)运输进入旋转加热炉(3)进行加热，由机械手臂a(1)运输进入锻压设备(4)进行锻压成形，锻件经由锻压设备多阶段锻压成形，每次锻压成形结束后，锻件都由工业相机(14)进行缺陷检测；缺陷模式主要包括折叠、裂纹、正常三种模式，若未达到终锻之前锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整各阶段锻压参数；若终锻结束后锻件出现折叠、裂纹模式，锻压机停止操作并检查、及时调整设备，将锻件二次加热重新锻打，锻件缺陷信息存入数据库中；若锻件正常，锻件经过机械手臂b(5)运输至检测平台b(13)快速检测锻件几个关键尺寸用于判别是否进入切边阶段；若尺寸不合格，锻件二次加热重新锻打；若尺寸检测合格，锻件经由机械手臂b(5)运输至切边机(6)进行切边。

切边完成锻件由机械手臂c(8)运输至检测平台a(7)进行二次尺寸信息检测，若尺寸检测不合格，停止操作切边机调整切边机设备参数，锻件由机械手臂c(8)转移至激光打码记录信息，同时转移至废品区；若锻件尺寸合格由机械手臂c(8)运输至激光打码机(9)打码记录锻件信息，并转移至物流辊道b(10)，结束。

本发明缺陷信息检测流程如图3所示，具体实施过程如下：

首先，成形结束后工业相机收集高温锻件图像信息，经过图像采集卡后数据存入工控机中，然后工控机提取采集的图像信息，进行图像增强、去噪等处理，最大化保留图像特征，将处理的图像输入至卷积神经网络模型中进行图像缺陷的检测，最后对锻件进行激光打码并存储信息，步骤如下：

s1(步骤一)如图4所示数据采集、传输装置包括：工业相机(14)、工业控制机(15)、图像采集卡(16)、光源(17)；实施过程：工业相机收集图像信息，经图像采集卡将光信号转化为电信号，信号经过图像采集卡存入工业控制机；

s2(步骤二)图像处理的流程图如图5所示，读取红热高温锻件原始图像信息，调整图像分辨率，图像灰度增强、去噪，对图像进行二值化处理，具体实施步骤如下：

a.首先，调整原始图像，将图像像素大小调整为为256*256，将图像转化成灰度图像如图6的(a)所示；

b.通过非线性灰度增强法将图像缺陷增强便于识别，图像增强公式为：g(x，y)＝b^{c[f(x，y)-a]}-1，其中g(x，y)代表坐标为(x，y)的增强后灰度值，f(x，y)为坐标(x，y)增强之前的灰度值，[a，b]为变换前的灰度值范围，c为增强后的灰度值最低值，可通过调整a、b、c使图像灰度增强，如图6的(b)所示；

c.图像进行滤波处理，选取像素采样矩阵大小为的矩阵且为奇数，对像素矩阵灰度值取x1…xn进行滤波处理，对n和灰度值进行从大到小排序处理，其中xi为滤波中心的值，输出xi，得到最佳滤波图像，如图6的(c)所示；

d.对增强图像进行二值化处理，寻找灰度阈值t进行图像二值化处理，将图像的灰度分成两组，当两组类间方差最大时，此时的灰度阈值t就是图像二值化的最佳阈值；设图像有m个灰度值(m取值0～255)，取值范围在0～m-1，在这范围内取一个灰度值t，将图像分成两组a1和a2，a1包含的像素0～t，a2的像素为t～m-1，用n表示图像像素总数65536，ni代表灰度值为i的像素个数如图7所示(灰度直方图)。pi代表灰度为i出现的概率所以确定两组灰度值的权重在整个图像的占比为w1、w2，两组的平均灰度值为m1、m2；计算两组灰度值的权重：平均灰度值：接下来计算总的平均灰度：m＝w1×m1+w2×m2，类间方差为f(t)＝w1×(m1-m)²+w2×(m2-m)²，寻找f(t)类间方差最大时对应的t值即为图像分割效果最好，阈值t可将整幅画面区分的效果最好，如图6的(d)所示为二值化处理的图像。

s3(步骤三)如图8所示为图像检测分类流程，本发明对输入数据进行处理减小冗余信息，并将特征融合处理方法与卷积神经网络模型结合，对锻件的折叠、裂纹缺陷进行识别检测，提高识别效率；首先，计算机读取二值化图像，将图像输入训练好的卷积神经网络中进行缺陷质量信息分类，最后将分类信息存储；

上述提到卷积神经网络模型需要进行设计与训练，如图9所示，应用卷积神经网络并结合特征融合方法设计模型。

首先，建立7层卷积神经网络模型，初始化神经网络的参数，设置cnn模型为4个卷积层、3全连接层，每层卷积层后跟随一个池化层，全连接层最后一层应用softmax算法进行分类，卷积核大小为3x3，步长设置为1，池化层池化核大小为2x2，卷积层采用修正线性单元(reul)激活函数进行传播，池化层采用平均池化法提取特征，卷积层计算公式为其中mj表示选择的输入特征集合，xj^l表示l层的第j个输出矩阵，为第l层的第j个输出的第i个卷积核，bj^l表示第l层的第j个偏置值，池化层采用均值池化方法进行池化采样，卷积网络误差传播采用梯度下降算法进行梯度的计算更新权值，全连接层训练学习率为0.02，迭代次数20000次，得出输出向量。

卷积层输出特征应用主成分分析法进行特征融合，将向量进行降维处理，设有n个样本，j个特征，对原始应力数据进行标准化处理sj为每类特征的方差，为每类特征的均值，xnj表示第n个样本的第j个特征，计算相关系数，r＝cov(xt，xj)，对相关系数矩阵求特征值及特征向量，计算累计贡献率大于85％特征值应用zh＝l1jx1^*+l2jx2^*+…ljjxj^*，l为特征值对应的特征向量，计算融和的特征数据zh，且zh<zj，将融合的特征输入全连接层，全连接层输出用softmax算法进行分类。

利用锻造仿真获取大量的缺陷样本，应用缺陷样本对卷积网络进行初始化的训练，通过学习得到最终卷积神经网络模型，训练结束后应用到锻压阶段、切边阶段的缺陷识别，达到对缺陷识别、检测的效果。

完成识别后数据存入数据库中，激光打码机(9)对锻件进行打码，并将相应信息存入标识中为后续追溯提供依据，并及时根据缺陷识别信息进行工艺改进、设备维修等。

本发明尺寸信息检测流程如图10所示，具体实施过程如下：

锻件经过终锻完成后，快速进行关键尺寸的扫描，以便判断是否进入下一阶段加工，若锻件合格锻件由机械手臂b(5)运输至切边机进行切边，若锻件不合格，进行二次加热重新锻打，切边完成后，机械手臂c(8)将锻件从切边机(6)放置在检测台a(7)，具体如下：三维扫描仪自动进行精度标定，三维扫描装置对锻件进行多角度扫描形成点云图如图11的(a)，系统自动将点云图拼接形成三维图形如图11的(b)，扫描的三维图与模型对比检测出尺寸、形位公差，若尺寸不合格时会给出信号如图11的(c)所示，扫描结束后机械手臂c(8)将锻件转移至激光打码机(9)进行打码并将尺寸不合格信息记录，结束。