供應各種器材應用鋁型材加工廠家：有效的檢測出其表面缺陷對后期的再次使用有重要意義。鋁型材目前對于鋁型材表面缺陷的檢測仍然以人工目視檢測法為主,該方法因其局限性無法滿足工業大批量生產的需求。隨著工業自動化朝著智能化方向的發展,一些基于數字圖像處理的方法開始在金屬表面缺陷檢測中得以應用,但是該方法往往需要研究者能夠根據不同的缺陷類別設計對應的特征,顯然這樣的特征構造方式缺乏魯棒性,通用性較差。隨著深度學習技術的發展,基于深度學習的金屬表面缺陷檢測方法開始得到廣泛應用,對此本文提出了基于深度學習的鋁型材表面缺陷在線視覺檢測方法,主要內容如下:針對鋁型材表面缺陷數據集匱乏的問題,本文首先以阿里云公開的鋁型材表面缺陷數據集為基礎,對該數據集進行缺陷類別和特征分析。進而進行包括圖像的翻轉、旋轉、多尺度縮放、伽馬變化等數據增強操作,目的是擴充數據量,豐富數據多樣性。最后對擴充之后的數據集進行標注和劃分,得到標準的鋁型材表面缺陷數據集。而7000系鋁型材擁有低密度、較高的比強度、比剛度等優點,在汽車安全部件上具有重大的應用背景。本文采用了金相、SEM、EBSD、TEM、硬度和拉伸性能等測試方法系統的研究了固溶和時效工藝對7003鋁合金擠壓型材微觀組織和力學性能的影響,通過軸向壓潰試驗給出了型材力學性能與壓潰性能的關系,并分析了鋁合金微觀組織對薄壁梁開裂行為的影響。本文的主要研究內容及結論如下:研究不同固溶處理工藝對鋁合金擠壓材微觀組織、力學性能及壓潰性能的影響,結果表明:在線固溶態的鋁合金型材以纖維晶組織為主,再結晶分數僅為6.9%,其壓潰吸能為33.3k J。鋁合金型材在低溫（450℃、470℃）離線固溶時,隨固溶時間的延長,再結晶分數逐漸增加,合金的強度逐漸下降,壓潰吸能逐漸降低;在高溫490℃離線固溶時,隨固溶時間的延長,再結晶分數顯著提高,Zn和Mg的第二相開始溶解,合金的性能逐漸升高,但塑韌性和壓潰吸能有所降低。研究在線固溶態7003鋁合金擠壓件經T6、T79、T74、T73時效過程中的析出行為,研究表明:鋁合金型材經T6時效處理后,合金的強化相主要為η′相,尺寸細小且彌散分布,其強度達到峰值。經雙級時效處理后,隨時效時間的延長,析出相逐漸長大,部分η′相轉變為η相,且數量逐漸增多,分布密度減小,合金的強度有所降低,塑韌性提高。經T6時效處理后,鋁合金型材的壓潰吸能為27.2k J,經T73時效處理后,鋁合金型材的壓潰吸能為33.3k J,相比于T6態提高了22.4%。分析了鋁合金型材微觀組織對軸向變形過程中開裂行為的影響:再結晶程度較高的鋁合金型材容易發生開裂,在壓縮變形過程中,裂紋在鋁合金型材邊部的粗晶處萌生并繼續擴展,變形的纖維組織對裂紋擴展有明顯阻礙作用,隨著再結晶程度的增加,裂紋易沿著再結晶晶界擴展,因此更容易發生開裂。提出一種基于Yolov3網絡的鋁型材表面缺陷檢測方法,通過對實驗結果的分析,發現基于Yolov3網絡對鋁型材表面缺陷檢測存在很高的漏檢率和誤檢率。對此,本文提出基于Improved Yolov3網絡的鋁型材表面缺陷檢測方法,具體包括:依據鋁型材表面缺陷的實際尺寸分布利用k-means算法重新設計anchor box大小;為了提高小目標缺陷的檢測精度,對Yolov3網絡中多尺度預測部分的網絡結構進行修改;為了得到更精確的預測邊界框,使用GIo U損失作為回歸損失函數。鋁型材實驗結果表明Improved Yolov3網絡的檢測效果優于Yolov3網絡,m AP值從Yolov3網絡的84.12%提升至90.6%,提升了6.48%,單張圖像檢測時風達到37.6ms。盡管Improved Yolov3網絡的檢測效果優于Yolov3網絡,但其仍存在像漆泡和臟點這類小目標缺陷檢測效果不理想的問題。為了進一步提高小目標缺陷的檢測效果,提出一種基于Faster R-CNN網絡的鋁型材表面缺陷檢測方法,具體包括:制作只包含漆泡和臟點兩類的缺陷數據集,基于此數據集重新設計anchor的尺寸和長寬比;采用ROLAlign層避免像素偏差對小目標缺陷回歸定位的影響;面對小目標缺陷密集所帶來的檢測效果差的問題,用Soft-NMS算法消除冗余的邊界框。實驗結果表明,對于漆泡類缺陷的AP值從51.07%提升到64.06%,對于臟點類缺陷的AP值從77.39%提升到83.98%,單張圖像檢測時間約100mso最后實現鋁型材表面缺陷檢測平臺的搭建與應用。選擇合適的工業相機、鏡頭、光源和打光方式、支撐結構組件,搭建出缺陷檢測平臺。
當前位置: