Wizyjny system do wykrywania wtrąceń w elementach z tworzywa sztucznego wykorzystujący modele 3D

pol Artykuł w języku polskim DOI: 10.14313/PAR_257/93

wyślij Paweł Rotter *, Maciej Klemiato *, Dawid Knapik *, Maciej Rosół *, Grzegorz Putynkowski ** * AGH Akademia Górniczo-Hutnicza, Katedra Automatyki i Robotyki, al. Mickiewicza 30, 30-059 Kraków ** Centrum Badań i Rozwoju Technologii dla Przemysłu S.A., ul. L. Waryńskiego 3A, 00-645 Warszawa

Pobierz Artykuł

Streszczenie

W artykule przedstawiono koncepcję systemu do wykrywania wtrąceń, czyli wad występujących w postaci lokalnych przebarwień na powierzchniach elementów z tworzywa sztucznego produkowanych metodą wtrysku wysokociśnieniowego. System ten stanowi jeden z elementów większego systemu optycznej kontroli jakości elementów polimerowych, obejmującego także kontrolę geometrii. Wtrącenia mogą być skutecznie wykrywane jako obszary o niejednorodnej jasności, jednakże z badanego obrazu należy wcześniej wykluczyć krawędzie obiektu. Obraz krawędzi wyznaczany jest na podstawie modeli CAD produkowanych elementów, a zaproponowana metoda pary referencyjnej zapewnia precyzyjne nałożenie maski krawędzi na obraz badanego produktu. Algorytm został zaimplementowany w prototypie modułowego systemu kontroli jakości. Po odpowiednim dostrojeniu parametrów wykryte zostały wszystkie wtrącenia na zbiorze testowym, przy poziomie fałszywych alarmów akceptowalnym w zastosowaniach przemysłowych.

Słowa kluczowe

detekcja wtrąceń, modele CAD, optyczna kontrola jakości, skanowanie 3D, wtryski polimerowe

Computer Vision System for the Detection of Inclusions in Plastic Components with the Use of 3D Models

Abstract

The article presents the concept of a system for the detection of inclusions, which are defects appearing as local discolorations on the surface of plastic components manufactured using high-pressure injection molding. This system is a part of a broader optical quality control system for polymer components, which also includes geometric inspection. Inclusions can be effectively detected as areas of non-uniform brightness. However, as the first step the object edges must be excluded from the analyzed image. The edge image is determined based on CAD models of the manufactured components, and the proposed reference pair method ensures precise alignment of the edge mask with the image of the inspected product. The algorithm was implemented in the prototype of a modular quality control system. After appropriate parameter tuning, all inclusions in the test dataset were successfully detected, with the false alarm rate maintained at a level acceptable for industrial applications.

Keywords

3D scanning, inclusion detection, injection molded parts, laser profilometer, optical quality control

Bibliografia

  1. Bay H., Ess A., Tuytelaars T., Van Gool L., Speeded-Up Robust Features (SURF), “Computer Vision and Image Understanding”, Vol. 110, No. 3, 2008, 346–359, DOI: 10.1016/j.cviu.2007.09.014.
  2. Canny J., A Computational Approach To Edge Detection, “IEEE Transactions on Pattern Analysis and Machine Intelligence”, Vol. PAMI-8, No. 6, 1986, 679–698, DOI: 10.1109/TPAMI.1986.4767851.
  3. Chen Y., Ding Y., Zhao F., Zhang E., Wu Z., Shao L., Surface defect detection methods for industrial products: A review, “Applied Sciences”, Vol. 11, No. 16, 2021, DOI: 10.3390/app11167657.
  4. Iandola F.N., Moskewicz M.W., Ashraf K., Han S., Dally W.J., Keutzer K., SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <1MB model size, ICLR, (2017).
  5. Li B., Wang J., Gao Z., Gao N., Light Source Layout Optimization Strategy Based on Improved Artificial Bee Colony Algorithm, “Mathematical Problems in Engineering”, 2021, DOI: 10.1155/2021/8099757.
  6. Liu L., Wang H., Yu B., Xu Y., Shen J., Improved algorithm of light scattering by a coated sphere, “China Particuology”, Vol. 5, No. 3, 2007, 230–236, DOI: 10.1016/j.cpart.2007.03.003.
  7. Lowe D.G., Object recognition from local scale-invariant features, International Conference on Computer Vision, Kerkyra, Corfu, 1999, DOI: 10.1109/ICCV.1999.790410.
  8. Luo Q., Fang X., Su J., Zhou J., Zhou B., Yang C., Liu L., Gui W., Tian L., Automated Visual Defect Classification for Flat Steel Surface: A Survey, “IEEE Transactions on Instrumentation and Measurement”, Vol. 69, No. 12, 2020, 9329–9349, DOI: 10.1109/TIM.2020.3030167.
  9. Ren Z., Fang F., Yan N., Wu Y., State of the Art in Defect Detection Based on Machine Vision, “International Journal of Precision Engineering and Manufacturing-Green Technology”, Vol. 9, 2021, 661–691, DOI: 10.1007/s40684-021-00343-6.
  10. Rotter P., Klemiato M., Knapik D., Rosół M., Putynkowski G., Modułowy system wieloaspektowej optycznej kontroli jakości elementów polimerowych, „Pomiary Automatyka Robotyka”, Nr 4, 2024, 97–102, DOI: 10.14313/PAR_254/97.