Zautomatyzowana kontrola jakości wkładów ceramicznych za pomocą systemów wizyjnych i głębokich sieci neuronowych

pol Artykuł w języku polskim DOI: 10.14313/PAR_259/127

wyślij Rafał Dębniak , Wiktor Łęczek , Jakub Wójcik MV CENTER Systemy Wizyjne Sp. z o.o., Krakowska 50 Str., 32-083 Balice

Pobierz Artykuł

Streszczenie

W artykule zaprezentowano modułowy, zautomatyzowany system inspekcji wkładów ceramicznych stosowanych w procesie filtracji spalin DPF i GPF. System integruje skanowanie 3D oparte na świetle strukturalnym oraz obrazowanie 2D z wykorzystaniem optyki telecentrycznej. Zastosowane hybrydowe algorytmy detekcji, łączące głębokie sieci neuronowe z klasycznymi metodami przetwarzania obrazu, umożliwiają identyfikację zamknięcia komórek wkładu ceramicznego oraz wad powierzchni. Przekształcenie chmur punktów do reprezentacji 2D pozwala na efektywne wykorzystanie konwolucyjnych sieci neuronowych, upraszcza proces oznaczania wad na obrazach oraz redukuje wymagania obliczeniowe. Przeprowadzone testy potwierdziły skuteczność detekcji przy zachowaniu krótkich czasów inspekcji, zgodnych z wymaganiami środowiska przemysłowego. Modułowa architektura oraz pełna automatyzacja procesu inspekcyjnego umożliwiają elastyczną adaptację systemu do zróżnicowanych linii produkcyjnych.

Słowa kluczowe

DPF, emisja spalin, filtracja spalin, GPF, optyczna kontrola jakości, skanowanie 3D

Automated Quality Control of Ceramic Inserts Using Vision Systems and Deep Neural Networks

Abstract

The article presents a modular, automated inspection system for ceramic inserts used in DPF and GPF filters. The system integrates 3D scanning based on structured light with 2D imaging using telecentric optics. The applied hybrid detection algorithms, combining deep neural networks with classical image processing methods, enable the identification of cell blockage within the ceramic insert as well as defects on its external surface. Converting point clouds into 2D representations allows for the effective use of convolutional neural networks, simplifies the defect labeling process on images, and reduces computational requirements. The conducted tests confirmed high detection accuracy while maintaining short inspection times consistent with industrial constraints. The modular architecture and full automation of the inspection process enable flexible adaptation of the system to diverse production lines.

Keywords

3D scanning, DPF, exhaust emission, exhaust gas filtration, GPF, optical quality control

Bibliografia

  1. Kraszewski T., Piwowar A., Frączek R., Świszcz P., Bis Ł., Visual defect detection methods overview, “Przegląd Elektrotechniczny”, T. 98, Nr 11, 2022, 269–272, DOI: 10.15199/48.2022.11.55.
  2. Sioma A., Kowal J., Karwat B., Methods of 3D imaging used in quality inspection systems in manufacturing, “Journal of Machine Construction and Maintenance | Problemy Eksploatacji”, 2017, No. 1(104), 2017, 9–17.
  3. Kowalik P., Pelowski M., Lipowiecki P., Test and comparison of different digitalization techniques for objects with surfaces difficult to scan, “Advances in Science and Technology Research Journal”, Vol. 19, No. 2, 2025, DOI: 10.12913/22998624/194997.
  4. Watanabe M., Nayar S.K., Telecentric optics for constant-magnification imaging, Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1996.
  5. Cao Y., Yao Y., Lu L., Design of a double-telecentric machine vision lens with continuously adjustable magnification, “Applied Optics”, Vol. 64, No. 13, 2025, 3456–3464, DOI: 10.1364/AO.557850.
  6. Geng J., Structured-light 3D surface imaging: A tutorial, “Advances in Optics and Photonics”, Vol. 3, No. 2, 2011, 128–160, DOI: 10.1364/AOP.3.000128.
  7. Salvi J., Fernandez S., Pribanic T., Llado X., A state of the art in structured light patterns for surface profilometry, “Pattern Recognition”, Vol. 43, No. 8, 2010, 2666–2680, DOI: 10.1016/j.patcog.2010.03.004.
  8. Huber P.J., Ronchetti E.M., Robust Statistics, 2nd ed. Hoboken, NJ, USA: Wiley, 2009.
  9. Pauly M., Gross M., Kobbelt L.P., Efficient simplification of point-sampled surfaces, Proceedings of IEEE Visualization 2002, 163–170, DOI: 10.1109/VISUAL.2002.1183771.
  10. Rusu R.B., Cousins S., 3D is here: Point Cloud Library (PCL), Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Shanghai, China, 2011, DOI: 10.1109/ICRA.2011.5980567.
  11. Levin D., Mesh-independent surface interpolation, [In:] Geometric Modeling for Scientific Visualization, Brunnett G., Hamann B., Müller H., Linsen L. (Eds.) Berlin, Germany: Springer, 2004, 37–49, DOI: 10.1007/978-3-662-07443-5_3.