基于集成计算机视觉方法的压铸质量控制增强研究

《Engineering Applications of Artificial Intelligence》:Enhancing quality control in die-casting with ensemble-based computer vision methods

【字体: 大 中 小 】 时间:2026年04月21日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  在工业4.0推动智能制造发展的背景下,质量控制面临内部不可见缺陷检测的挑战。研究人员提出了一种基于热成像图像分析的压铸发动机缸体质量保障方法,旨在替代昂贵且耗时的泄漏测试。该方法采用堆叠集成(Stacking Ensemble)架构,融合卷积神经网络(Conv

  
在工业4.0推动智能制造发展的背景下,质量控制面临内部不可见缺陷检测的挑战。研究人员提出了一种基于热成像图像分析的压铸发动机缸体质量保障方法,旨在替代昂贵且耗时的泄漏测试。该方法采用堆叠集成(Stacking Ensemble)架构,融合卷积神经网络(Convolutional Neural Network, CNN)与视觉Transformer(Vision Transformer, ViT)的优势,通过集成模型与阈值选择优化缺陷件与合格件的分类性能。实验基于四缸发动机缸体模具的热成像数据集,结果表明该框架能够以高置信度确保最高63.3%部件的内部质量,显著减少泄漏测试依赖,实现实时、低成本的质量决策,缓解生产瓶颈并提升制造效率。
研究背景方面,工业4.0推动制造业数字化,智能工厂依托信息物理系统(Cyber-Physical Systems, CPS)实现生产优化。压铸发动机缸体生产中,现有质量控制流程包括机器自检与可见缺陷人工检查,但仍存在无法检测的内部缺陷(如孔隙),导致所有部件均需进行泄漏测试,造成成本增加与生产瓶颈。热成像技术因非接触、实时性高且维护成本低,成为潜在解决方案,但模具热模式与内部质量的关系尚未被充分挖掘。
研究人员针对四缸发动机缸体压铸过程,采集模具两侧的热成像图像(每部件两幅,分别由Camera A与Camera B拍摄),构建包含2536幅原始图像的工业数据集,并通过清洗与分层划分形成训练集、验证集与测试集。技术方法上,首先采用多种图像预处理技术(包括颜色通道分解、灰度变换、伽马校正、局部二值模式(Local Binary Pattern, LBP)、RGB-HOG变换)增强特征表达;其次微调预训练的CNN(如ResNet-50、EfficientNet、ConvNeXt系列)与ViT(如ViT、EVA-02、EfficientViT)模型;随后构建堆叠集成架构,结合元学习器(Meta-learner)融合多模型置信度分数;最后通过向量搜索算法选择最优合格件(OK)与缺陷件(NK)集成模型及对应阈值,实现高置信度部分分类。
研究结果部分,个体模型实验中,单相机图像的最佳F2分数为0.661(ConvNeXt-S结合品红通道),但假阴性率仍不足以满足工业需求。集成学习阶段,加权平均投票(Weighted Average Voting, WAV)与平均投票(Average Voting, AV)结合置信度输入表现最优,最佳F2分数提升至0.708(K=15)。在集成与阈值选择后,最优架构(A3)以59%的标注率实现F2分数0.938,且未出现假阳性,较前期工作标注率提升三倍。对比实验表明,提升(Boosting)集成、对比学习(Contrastive Learning)与自编码器(Autoencoder)方法均未达到堆叠集成的性能。计算效率评估显示,单幅图像推理时间低于0.360秒,满足产线节拍需求。局限性分析指出,当前数据集来自单一模具与机器,图像采集受机器人干扰需手动过滤,且尚未实现全闭环实时控制。
讨论与结论部分,研究人员证实基于热成像的堆叠集成方法可有效识别压铸件内部缺陷,减少泄漏测试量达三分之二,显著提升生产效率。该架构具备跨场景适应性,可扩展至其他二元图像质量检测任务。未来工作将引入YOLO模型自动提取模具区域以替代人工清洗,并拓展至多模具、多机型及变速箱等部件的验证。此项研究发表于《Engineering Applications of Artificial Intelligence》,为智能制造质量控制提供了可部署的高效解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号