近年來，隨著計算機軟硬件技術的發(fā)展，機器視覺檢測技術逐漸被廣泛應用于模具缺陷的檢測中，相較于人工檢測，機器視覺檢測具有準確性強、效率高以及能夠實現(xiàn)實時檢測的特點。

1、壓鑄模常見缺陷及表現(xiàn)形式

壓鑄成型過程中，由于壓鑄模長時間工作在高溫、高壓和高速等惡劣環(huán)境，其容易產(chǎn)生缺陷，常見缺陷主要包括：凹陷、型芯塑性變形、磨損、斷裂、熱疲勞裂紋、粘模和溶蝕等。

1.1 凹陷缺陷

模具零件型腔表面凹陷如圖1所示，凹陷缺陷表現(xiàn)為型腔內(nèi)壁上產(chǎn)生凹坑或剝落，這種現(xiàn)象產(chǎn)生的原因有2種：

①模具零件材料的疏松與氣孔；②模具材料存在非金屬夾雜物與粗大的液析碳化物。若模具零件型腔表層存在氣孔與疏松，當受到高溫金屬液體的反復沖蝕時，孔隙逐漸擴大，最終形成較大的孔穴；當型腔表層存在夾雜物和粗大液析碳化物時，在熱循環(huán)中將產(chǎn)生應力，使夾雜物和粗大液析碳化物變形不協(xié)調，在界面上可能引起裂紋，導致夾雜物或粗大液析碳化物與金屬基體脫開而形成剝落凹坑，并在熔融金屬液的侵蝕作用下逐漸擴大。

1.2 型芯塑性變形

型芯塑性變形是常見的壓鑄模缺陷。在壓鑄過程中，型芯的主要缺陷形式為折斷與彎曲變形。型芯的作用是使鑄件在開模方向或非開模方向形成孔或凹位，故會在工作過程中產(chǎn)生一定的壓縮應力。如型芯的韌性較好，則可以抵抗熔融金屬液對型芯的沖擊，但細長的型芯容易被折斷。型芯可看作一種懸臂梁，在工作過程中受到金屬液沖擊時的彎矩，可能會產(chǎn)生一定程度的彎曲。圖2（a）所示為折斷的型芯，圖2（b）所示為彎曲的型芯。

1.3 磨損缺陷

壓鑄模的磨損缺陷是由熱、化學腐蝕及機械載荷三方面因素造成。壓鑄模長時間在高溫條件下工作，會使模具零件表面材料的強度降低，這樣更容易受到熔融金屬液的沖擊侵蝕。為保證壓鑄制件的質量，生產(chǎn)過程中會進行保壓，有可能會使模具零件型腔表面出現(xiàn)刮傷等情況，在新傷與侵蝕的共同作用下導致磨損更加嚴重。

1.4 斷裂缺陷

斷裂缺陷分為整體脆性斷裂與熱疲勞開裂等，當出現(xiàn)機械載荷過載或熱過載時，有可能導致模具零件整體脆性斷裂。熱疲勞開裂一般是由微小疲勞裂紋導致，裂紋附近容易出現(xiàn)應力集中現(xiàn)象，如果不及時發(fā)現(xiàn)，裂紋會越來越大，直至斷裂。圖3所示為H13鋼壓鑄模開裂。

1.5 熱疲勞裂紋

熱疲勞裂紋是壓鑄模最常見的缺陷形式，占缺陷類別比例較大 。壓鑄過程中 ，壓鑄模在300-800℃的熱循環(huán)及脫模劑導致的拉應力與壓應力交變循環(huán)的環(huán)境下，反復經(jīng)受急冷、急熱所造成的熱應力，導致在型腔表面或內(nèi)部熱應力集中處逐漸產(chǎn)生微裂紋，其形貌多數(shù)呈現(xiàn)網(wǎng)狀，也有呈放射狀，稱龜裂。熱應力使熱疲勞裂紋繼續(xù)擴展成宏觀裂紋，導致壓鑄模失效。圖4（a）所示為熱疲勞龜裂，圖4（b）所示為由熱疲勞引起的整體開裂。

1.6 粘模缺陷

粘模缺陷本質是壓鑄合金和模具零件結合在一起，壓鑄材料粘在模具零件表面。在壓鑄模工作過程中，會受到熔融金屬液的物理化學作用，導致模具型腔表面出現(xiàn)細小的凹坑，這些凹坑會隨工作時間的延長而變大，最后導致模具零件表面氧化層被大面積破壞，從而與熔融金屬液形成合金相，最終會在表面形成一層過渡層。熔融金屬液與過渡層接觸的部分會相互產(chǎn)生粘附，在脫模時導致制件表面受損，壓鑄模粘膜缺陷如圖5所示。

1.7 溶蝕缺陷

溶蝕缺陷一般出現(xiàn)在采用活潑合金壓鑄的模具上，如Zn、Al、Mg等。溶蝕缺陷既有化學作用，也有物理作用，介于腐蝕與沖蝕之間。溶蝕缺陷僅出現(xiàn)在受到熔融金屬液直接沖擊的部位，即模具的型芯、型腔表面或硬度偏軟處，壓鑄模溶蝕缺陷如圖6所示。

2、機器視覺在模具零件缺陷檢測中的應用

機器視覺檢測技術屬于在線無損檢測方法，在缺陷檢測中表現(xiàn)較好，如在以模具零件為對象的檢測中，多用于模具保護、模具尺寸測量與模具定位等，可對模具零件中的異物、制件缺陷、制件脫模不良以及嵌件錯位等問題進行檢測，而對于模具零件型腔表面缺陷的檢測研究較少。

模具零件表面缺陷檢測屬于機器視覺技術應用方面，利用計算機視覺模擬人類視覺功能，在每一次開模時進行圖像的采集處理、計算，最終進行實際檢測、控制和應用，可以及時發(fā)現(xiàn)模具零件的缺陷，以免造成重大損失。

以下介紹3種基于機器視覺技術的模具檢測系統(tǒng)。（1）精密模具零件破損檢測系統(tǒng)。傳統(tǒng)的精密模具零件檢測方式有人工檢測及高斯曲線擬合檢測等技術。人工檢測勞動強度大、成本高、檢測準確率低，有時檢測使用的工具可能損傷模具零件表面。針對這個問題，謝俐等設計了一種精密模具零件缺陷檢測系統(tǒng)，該系統(tǒng)主要包括模具零件圖像采集、模具零件圖像處理、模具零件檢測結果輸出以及顯示等操作過程，具體組成結構如圖7所示。

（2）監(jiān)測系統(tǒng)。模具在生產(chǎn)過程中偶爾會出現(xiàn)異物等異常情況，如果采用人工監(jiān)視，耗費人力物力，但如果不進行監(jiān)視，有可能會損壞模具，影響工程進度。彭娟等用機器視覺技術對注射模監(jiān)測系統(tǒng)進行了研究，采用幾何輪廓信息模板匹配并配以報警器，解決了模具在生產(chǎn)過程中出現(xiàn)異物的問題。圖8所示為采用幾何輪廓信息特征作為標準模板的結果，其中由計算機模擬的型腔邊緣輪廓（橢圓形）為標準模板的特征結果，在矩形方框中靠近4個角的4條曲線為潛在模板特征。

（3）壓鑄模缺陷檢測系統(tǒng)。為了防止在壓鑄生產(chǎn)過程中由于模具零件缺陷導致工作人員受傷及影響生產(chǎn)效率與產(chǎn)品質量的問題，V Y BAZHIN等提出了基于卷積神經(jīng)網(wǎng)絡的模具缺陷檢測系統(tǒng)。該系統(tǒng)能及時發(fā)現(xiàn)生產(chǎn)過程中模具零件出現(xiàn)的熱疲勞裂紋以及碎屑等缺陷，以便及時處理。該系統(tǒng)的視覺檢測正確率達到95.1%，而其4.9%的誤檢率是因為模具零件的裂紋比較小或生產(chǎn)環(huán)境中照明不均而導致的陰影問題，不容易被系統(tǒng)檢測。

3、基于機器視覺的缺陷檢測常用算法

在基于機器視覺的缺陷檢測領域中常采用深度學習算法，深度學習算法是機器學習的子集，近年來伴隨著圖形處理器（graphics processing unit，GPU）的進步，深度學習算法融合了自動化與智能化，被較多學者用于工業(yè)缺陷檢測領域。深度學習算法對圖像分割、目標檢測及圖片的分類能力頗受學者的青睞。以下介紹這3種圖像處理中較為經(jīng)典的算法 ，如：采用全卷積網(wǎng)絡（fully convolutionalnetworks，F(xiàn)CN）算法對圖像的分割處理，采用 Yo?lo算法實現(xiàn)目標檢測，采用卷積神經(jīng)網(wǎng)絡（convolu?tional neural network，CNN）算法對缺陷進行分類。

（1）采用FCN算法對圖像的分割處理。FCN算法即全卷積神經(jīng)網(wǎng)絡算法，是一種具有像素級別分類能力的網(wǎng)絡，常用語義分割。該網(wǎng)絡與卷積神經(jīng)網(wǎng)絡的最大區(qū)別是不具備全連接層，而是將CNN中的全連接層都轉換為卷積層。其中，卷積層、池化層、反卷積層以及跳躍結構為FCN核心功能模塊。

全卷積神經(jīng)網(wǎng)絡架構如圖9所示。在圖9中，1號圖例代表卷積層，2號圖例代表池化層，3號圖例代表反卷積層；FCN中的跳躍結構表示為帶箭頭的線段所引出的過程；4號圖例代表剪裁層，用途是統(tǒng)一尺寸；5號圖例代表逐元素相加，目的是融合結果。

FCN更加高效，避免了使用元素塊所帶來的存儲與重復計算問題，可節(jié)約系統(tǒng)資源。同時，F(xiàn)CN在接受輸入圖片的尺寸上更加靈活，但FCN對于分割的結構還不夠精細，忽略了空間規(guī)整步驟，缺乏空間一致性。在工件的缺陷檢測中，由于工件表面的缺陷特征與其背景難以分割，分割后有可能在分割結果上存在大量的噪聲，影響檢測結果。由于CN的像素級分類特性 ，采用FCN可以解決該問題，工件表面缺陷檢測是FCN較為普遍的應用場景之一。

（2）采用Yolo算法實現(xiàn)目標檢測。Yolo算法是基于回歸的單階段目標檢測算法，屬于卷積神經(jīng)網(wǎng)絡，最初版本的Yolo算法由24層卷積層、2層全連接層以及4層最大池化層組成 ，Yolo架構如圖10所示。

Yolo算法能在應用過程中，可以不通過生成候選區(qū)域的方式對物體的類別概率及位置坐標等信息進行預測，因為這個特點相較于兩階段檢測算法，Yolo算法檢測速度快，但其位置檢測精度低于兩階段檢測算法，如Faster-RCNN等，Yolo算法還能較好地識別物體的背景。由于Yolo算法具有以上這些特點，比較適合用于工業(yè)檢測。

（3）采用CNN算法對缺陷進行分類。卷積神經(jīng)網(wǎng)絡是以人類神經(jīng)元工作模式為理念所設計的一種網(wǎng)絡結構，該網(wǎng)絡共有5層，按順序排列為輸入層、卷積層、池化層、全連接層和輸出層。其中，輸入輸出層用來接收與輸出數(shù)據(jù)；卷積層、池化層以及全連接層為主要的工作層，對數(shù)據(jù)進行處理而獲得想要的結果。卷積神經(jīng)網(wǎng)絡的架構如圖11所示。

CNN具有卷積核參數(shù)共享的特點，可以對高維據(jù)進行處理，同時也能夠自動提取特征，分類效果優(yōu)秀。但是CNN網(wǎng)絡在處理數(shù)據(jù)時采用像素塊，盡管能夠很好地提取局部信息，但容易忽略整體與局部信息的聯(lián)系；另外由于CNN采用了反向傳播算法，當網(wǎng)絡到達一定深度時，修改參數(shù)會使靠近輸入層的參數(shù)更迭變慢。

4、結束語

壓鑄模在生產(chǎn)過程中容易出現(xiàn)各種缺陷，如熱疲勞龜裂、腐蝕以及斷裂等缺陷，對壓鑄模的常見缺陷進行了總結，介紹了機器視覺技術在模具行業(yè)應用的常用場景，并簡要介紹了缺陷檢測中的常用算法。

壓鑄模的生命周期比其他模具短，故對于壓鑄模的缺陷檢測較為頻繁。目前，機器視覺技術在壓鑄模缺陷檢測方面的應用較少，對其應用在壓鑄模的缺陷檢測展開研究，較好地契合了智能制造的趨勢，具有一定的創(chuàng)新意義。

作者：華南理工大學 聚合物成型加工工程教育部重點實驗室，聚合物新型成型裝備國家工程研究中心 劉斌、蔡振林、葉紅葉、文勁松

編輯：黃飛