Технология визуального обнаружения промышленных дефектов: принципы, методы и будущие тенденции

На современной производственной линии, когда детали проходят через систему контроля со скоростью нескольких метров в секунду, мельчайшие дефекты, незаметные человеческому глазу, выявляются и сортируются в режиме реального времени. За этим, казалось бы, простым процессом стоит глубокая интеграция технологий оптической визуализации, искусственного интеллекта и автоматизации.

Обнаружение дефектов, как ключевой компонент промышленного контроля качества, имеет решающее значение для обеспечения безопасности и надежности продукции. Традиционное обнаружение дефектов основано преимущественно на ручном визуальном осмотре, но этот метод неэффективен и подвержен ошибкам из-за усталости. С развитием технологий машинного зрения технология обнаружения дефектов на основе компьютерного зрения постепенно стала важной частью промышленной автоматизации.

Современные промышленные системы обнаружения дефектов способны автоматически идентифицировать и классифицировать изделия с точностью до микрона, увеличивая скорость обнаружения более чем на 90% по сравнению с ручными методами, обеспечивая ключевую технологическую поддержку для высококачественного и устойчивого развития обрабатывающей промышленности. В данной статье систематически представлены технические принципы, основные методы, практика применения и тенденции развития обнаружения дефектов, что является полезным справочным материалом для специалистов в смежных областях.

1. Технические принципы и состав системы обнаружения дефектов

Основной принцип обнаружения дефектов заключается в получении изображений поверхности изделия с помощью оптической системы и последующем применении алгоритмов обработки и анализа изображений для выявления аномальных участков. Комплексная система визуального обнаружения дефектов в промышленности обычно включает в себя следующие основные компоненты:

1.1 Оптическая система формирования изображения

Оптическая система визуализации — это «глаз» обнаружения дефектов, и её качество напрямую определяет точность последующего анализа. Промышленные системы технического зрения обычно используют специальные комбинации источников света для выявления дефектов на поверхностях различных материалов: тёмнопольное освещение используется для выявления плоских дефектов, таких как царапины и пятна краски; светлопольное освещение выявляет трёхмерные дефекты, такие как неровности и текстура «апельсиновой корки»; а полупрозрачное освещение подходит для контурного позиционирования полупрозрачных дефектов, таких как песочные раковины и сколы.

Высокопроизводительные промышленные камеры (камеры с зональным/линейным сканированием) в сочетании с регулируемыми оптическими группами линз составляют основу системы получения изображений. Соответствующие запатентованные технологии, полученные в 2024 году, показывают, что передовые системы обнаружения могут достигать точности обнаружения на микронном уровне благодаря построчной съемке с помощью линейной камеры и программному управлению стробоскопическим источником света. Для удовлетворения потребностей в комплексном контроле деталей многофункциональные оптические системы визуализации используют коллаборативные роботизированные манипуляторы с несколькими комплектами оборудования для визуализации, включающего камеры с зональным и линейным сканированием, а также 3D-лазерные датчики, которые работают совместно, обеспечивая комплексное получение изображения детали без слепых зон.

1.2 Обработка сигналов и анализ изображений

Система обработки сигналов отвечает за преобразование оптических сигналов, полученных оптическим оборудованием, в цифровые сигналы, а также за шумоподавление, регулировку усиления и другие виды обработки для обеспечения стабильности исходных данных. Модуль обработки изображений использует ряд алгоритмов для предварительной обработки изображения, включая шумоподавление, улучшение качества и сегментацию, чтобы улучшить качество изображения и выделить дефекты.

Ключевые технологии предварительной обработки включают адаптивную компенсацию освещенности, слияние многомасштабных объектов и повышение резкости изображения. Алгоритм CLAHE, разработанный для отражающих металлических поверхностей, эффективно устраняет неравномерность освещенности; многомасштабные фильтры Габора позволяют выделить дефекты разных размеров.

2. Основные алгоритмы обнаружения дефектов

Алгоритмы обнаружения промышленных дефектов прошли путь от традиционной обработки изображений к машинному обучению, а затем к глубокому обучению. Разные методы имеют свои преимущества и недостатки и подходят для разных сценариев.

2.1 Традиционные алгоритмы обработки изображений

Традиционные методы обработки изображений в основном основаны на методах проектирования признаков и сопоставления с шаблонами. Метод проектирования признаков выявляет дефекты, анализируя значения оттенков серого изображения, дисперсию, среднее значение, цвет, форму, контур, площадь и другие характеристики, что обеспечивает такие преимущества, как высокая гибкость и высокая скорость разработки. Анализ BLOB-объектов анализирует связанные компоненты идентичных пикселей на изображении для вычисления соответствующих признаков и точного определения областей дефектов.

Сопоставление с шаблоном, с другой стороны, использует предопределенный стандартный шаблон изображения и сравнивает его с тестируемым изображением для выявления дефектов. Этот метод прост и эффективен в определенных сценариях, но его адаптивность и способность к обобщению ограничены. Хотя традиционные алгоритмы хорошо работают в определенных сценариях, они часто неэффективны в сложных фоновых условиях или при наличии разнообразных типов дефектов.

2.2 Методы машинного обучения

Методы машинного обучения для обнаружения дефектов в основном используют алгоритмы классификации, такие как метод опорных векторов (SVM) и деревья решений. Эти методы не требуют больших объёмов обучающих данных, обладают высокой надёжностью и часто применяются для обнаружения дефектов в печатных материалах и продуктах питания.

Методы обнаружения на основе SVM могут достигать точности более 95% при обнаружении поверхностных дефектов на печатных материалах. Однако эти методы, как правило, подходят только для бинарной классификации дефектов и имеют ограниченную эффективность в сложных сценариях, где одновременно присутствуют несколько дефектов.

2.3 Методы глубокого обучения

Технология глубокого обучения демонстрирует исключительные результаты в обнаружении дефектов, автоматически изучая сложные особенности изображений и значительно повышая точность обнаружения и адаптивность. К основным алгоритмам глубокого обучения относятся:

• Алгоритмы классификации изображений: Непосредственная классификация всего изображения для определения категории дефекта. Обычно используемые сети включают ResNet и MobileNet, но точность классификации снижается, если изображение содержит большое количество нерелевантного фона.

• Алгоритмы обнаружения объектов: находят дефекты на изображении и определяют их категорию. Алгоритмы серии YOLO, благодаря высокой точности и быстрому построению логических выводов, являются предпочтительным выбором в отрасли, особенно подходящим для инспекций в реальном времени.

• Алгоритмы сегментации экземпляров: обеспечивают более точную локализацию на уровне пикселей на основе обнаружения объектов, эффективно обрабатывая сложные ситуации, в которых дефекты пересекаются или содержатся друг в друге.

Для решения проблемы дефицита образцов дефектов в промышленных условиях эффективными решениями являются полуконтролируемое и самоконтролируемое обучение. Благодаря сетевой структуре «учитель-ученик» и стратегии обратной дистилляции можно добиться высокопроизводительного обнаружения дефектов с использованием небольшого объёма размеченных данных.

3. Практики и проблемы промышленного применения

3.1 Типичные сценарии применения

Технология визуального обнаружения дефектов широко применяется во многих отраслях промышленности:

При инспекции электронных изделий система может выявлять остатки припоя и дефекты окисления выводов размером до 0,1 мм², используя библиотеку OpenCV для обработки изображений в реальном времени. При инспекции ЖК-дисплеев используются дифференциальное глубокое обучение и обучение моделей для обнаружения посторонних предметов и дефектов Mura с точностью более 99%.

В автомобильной промышленности системы машинного зрения используются для контроля качества поверхности различных компонентов. Например, для контроля ступицы автомобильного колеса, используя её многокривизну и высокую отражательную способность, применяется многопозиционная совместная инспекция. Точки контроля устанавливаются спереди, сзади и на ободе, а роботизированный манипулятор контролирует их положение для всенаправленного обнаружения дефектов.

При проверке аккумулятора система может комплексно осмотреть все его поверхности, выявляя такие дефекты, как налёт слизи, вмятины, повреждения, деформацию, грязь и царапины. Система также проверяет внешний вид этикеток, качество сварки и кодировки.

3.2 Практические проблемы и решения

Обнаружение промышленных дефектов сталкивается с многочисленными проблемами, требующими целенаправленных решений:

Недостаток выборок данных — распространённая проблема в промышленных условиях. Из-за строгого контроля производственного процесса количество образцов дефектов ограничено, а затраты на маркировку высоки. Решения включают использование методов дополнения данных для создания синтетических изображений дефектов и тонкую настройку предварительно обученных моделей с помощью трансферного обучения.

Сложный фон и мельчайшие дефекты также создают трудности для контроля. Дефекты часто представляют собой лишь небольшую область на изображении с высоким разрешением и имеют слабый контраст с фоном. Для решения этой проблемы доказали свою эффективность механизмы слияния многомасштабных признаков и внимания, позволяя модели фокусироваться на ключевых областях.

Стоимость развертывания модели является ключевым фактором при индустриализации. Методы упрощенного моделирования (такие как обрезка и квантизация) и архитектуры периферийных вычислений могут значительно снизить потребление ресурсов, обеспечивая эффективное развертывание на встраиваемых устройствах.

4. Тенденции и перспективы развития технологий

Благодаря постоянному развитию технологий искусственного интеллекта, визуальное обнаружение промышленных дефектов развивается в сторону большей интеллектуальной сложности и эффективности:

4.1 Углубление технологической интеграции

Совместный анализ мультимодальных данных станет тенденцией, преодолевая ограничения, связанные с отдельными визуальными данными. Объединяя информацию из нескольких источников, таких как инфракрасное и рентгеновское излучение, можно преодолеть проблемы ошибок обнаружения особых объектов, таких как материалы с высокой отражающей способностью и прозрачные материалы. Одновременно с этим гибридные модели, сочетающие традиционную обработку изображений и глубокое обучение, продолжат развиваться, используя их преимущества для создания более мощных возможностей обнаружения.

Технология генеративного ИИ придаст новый импульс обнаружению дефектов. Генерация синтетических образцов дефектов позволит решить проблему обучения на малых выборках, повысив обобщающую способность модели. Более того, широкое применение новых архитектур, таких как Transformer, в задачах машинного зрения будет способствовать дальнейшему повышению точности обнаружения.

4.2 Системная интеграция и интеллект

В будущих системах обнаружения дефектов всё больше внимания будет уделяться совместной разработке аппаратного и программного обеспечения, что позволит сформировать комплексные решения. Оптическое оборудование контроля качества на базе искусственного интеллекта будет глубоко интегрировано в интеллектуальные производственные линии, эффективно взаимодействуя с промышленными роботами, автоматическими транспортными средствами (AGV) и другими системами, формируя замкнутую систему «обнаружение-оценка-сортировка».

Функция обнаружения дефектов также расширится от «пост-идентификации» до «пред-прогнозирования». Благодаря взаимодействию с производственными системами, такими как MES, ИИ сможет анализировать корреляцию между производственными параметрами и дефектами, обеспечивая раннее предупреждение о проблемах с качеством и оптимизацию процессов.

4.3 Улучшенная автоматизация и удобство использования

Снижение технических барьеров для использования — ключ к широкому распространению. В будущих системах обнаружения дефектов основное внимание будет уделяться совершенствованию инструментальной цепочки, что позволит обычным инженерам обучать и внедрять модели, не требуя глубоких знаний в области искусственного интеллекта. Автоматизированная настройка параметров и возможности адаптивного обучения будут дополнительно улучшены, что позволит системе быстро адаптироваться к новым продуктам и сценариям.

Благодаря технологическому прогрессу визуальное обнаружение промышленных дефектов переходит от традиционных подходов, основанных на правилах, к подходам, основанным на данных, и от «вспомогательного инструмента» к «ядру принятия решений». Будущие системы обнаружения дефектов будут более интеллектуальными, адаптивными и интегрированными, обеспечивая надежную гарантию высокого качества и устойчивого развития обрабатывающей промышленности.

Эта трансформация не только улучшит контроль качества продукции, но и переопределит производственные процессы и стандарты эффективности, заложив прочную основу для эпохи интеллектуального производства.