La detección de defectos en la superficie de las llantas de aleación de aluminio es una parte importante del proceso de logística de producción de las empresas de llantas de aleación de aluminio. A través de la investigación in situ, se encuentra que en la solución tradicional, la detección de defectos superficiales de las llantas de aleación de aluminio consiste en localizar y marcar los defectos a simple vista de los trabajadores en las estaciones fijas de la línea de producción. Sin embargo, debido a la compleja estructura de las llantas de aleación de aluminio para automóviles, el método de detección manual es ineficiente y la carga de trabajo es grande, es cada vez más difícil para este método de detección cumplir con los requisitos cada vez más altos de la producción rápida, precisa y estable de llantas de aleación de aluminio. proceso. Para realizar la automatización e inteligencia de los equipos de logística de producción, mejorar la eficiencia del proceso de logística de producción de las empresas de fabricación de ruedas de aleación de aluminio y reducir los costos laborales, en respuesta a la situación anterior, combinada con tecnología de aprendizaje profundo e investigación de campo sobre Tareas de detección de defectos de llantas de aleación de aluminio, un algoritmo de detección en línea de aprendizaje profundo para defectos en llantas de aleación de aluminio.
tareas principales de la siguiente manera:
1. Diseño de proceso del sistema de detección de defectos para la línea de producción de llantas de aleación de aluminio. Este sistema incluye un proceso completo de detección de defectos en línea para llantas de aleación de aluminio, que incluye adquisición de imágenes, preprocesamiento de imágenes, detección de defectos de imagen de llantas de aleación de aluminio, etc.
2. Establecer una base de datos de defectos superficiales de llantas de aleación de aluminio. El proceso específico es recopilar las imágenes de defectos de la superficie de las llantas de aleación de aluminio a través de cámaras industriales en la línea de producción, luego limpiar los datos y marcar las imágenes de defectos a través de un software de marcado profesional y, finalmente, obtener una base de datos de imágenes de defectos con marcas precisas.
3. Identificar imágenes borrosas. El algoritmo anti-desenfoque utilizado se implementa en base a una red de contramedidas generativa basada en el aprendizaje profundo, por lo que la velocidad de cálculo es lenta y solo una parte de las imágenes recolectadas se ven desenfocadas. Para mejorar la eficiencia del sistema de algoritmo de detección de defectos, antes de eliminar el desenfoque de la imagen, diseñar un algoritmo para identificar imágenes borrosas, si la detección es borrosa, se enviará a aprendizaje profundo para eliminar la imagen borrosa de la red. Si se reconoce como una imagen clara, la detección de defectos de la imagen de la rueda de aleación de aluminio se realizará directamente.
4. Elimine el desenfoque de la imagen en la superficie de la rueda de aleación de aluminio. Antes de detectar las imágenes de defectos de las llantas de aleación de aluminio, las imágenes de defectos deben procesarse mientras las llantas de aleación de aluminio se transportan a la línea de producción. Por lo tanto, las imágenes recopiladas de llantas de aleación de aluminio tendrán desenfoque de movimiento. Con el objetivo de abordar este problema, este documento propone un algoritmo de aprendizaje de confrontación profundo para eliminar el desenfoque de movimiento sin requerir información de movimiento precisa.
5. Detección de defectos de imagen de llantas de aleación de aluminio. Implementé el algoritmo de detección de objetivos de aprendizaje profundo y lo mejoró en función de la tarea de defectos de la rueda de aleación de aluminio. Sobre la base del algoritmo de detección de objetivos Faster-RCNN, se agregó el módulo SE y el ROI-Pooling se reemplazó por ROI-Align, red de fusión de características de múltiples escalas FPN Con tres mejoras, un modelo que puede localizar y clasificar defectos superficiales de Finalmente se obtienen llantas de aleación de aluminio. La realización final del algoritmo de detección de defectos de imagen de la rueda de aleación de aluminio puede detectar dos tipos de defectos, puntos de defecto y arañazos, y proporcionar la ubicación del defecto y el tipo de defecto al mismo tiempo. En los 300 conjuntos de datos de imágenes de defectos superficiales de llantas de aleación de aluminio, se puede lograr una tasa de recuperación del 94% y una tasa de precisión de predicción del 88% para todas las áreas de defectos.
Nos dedicamos a la producción e importación y exportación independientes de llantas de aleación de aluminio en China, con más de 8000 modelos de llantas de aleación de aluminio, alrededor de 50,000 inventarios y entrega rápida. Brindamos ruedas personalizadas y servicios de producción de generación, puede proporcionarnos un mapa de estilo de rueda, nuestros diseñadores le diseñarán una rueda hermosa y de alta calidad, ¡bienvenido a contactarnos!
Si no encuentra el estilo de rueda que necesita, puede enviar un correo electrónico a jihoowheels@jihoosh.com y le enviaremos el estilo de rueda que necesita de acuerdo con su descripción. Le proporcionaremos una llantas aleacion de calidad y un servicio excelente.
