工控網(wǎng)首頁
>

應(yīng)用設(shè)計

>

基于機器視覺的磁瓦表面缺陷檢測方案

基于機器視覺的磁瓦表面缺陷檢測方案

2026/6/27 17:48:17

磁瓦,就是永磁電機里產(chǎn)生恒定磁場的核心部件。你開的車的燃料泵電機、你吹的空調(diào)的壓縮機電機、你用的電動工具的動力電機,里面都有它。這東西看起來不起眼,但制造流程極為復(fù)雜,從配料、預(yù)燒、破碎、球磨到成型、燒結(jié)、磨加工,十幾道工序環(huán)環(huán)相扣。壓制成型的力度稍有偏差、燒結(jié)溫度控制不當(dāng)、磨加工時進給速度過快,都可能讓磁瓦產(chǎn)生裂紋、崩爛、欠磨、壓痕等缺陷。

 

這些缺陷一旦混進成品電機,輕則影響性能,重則引發(fā)電機故障甚至安全事故。那問題來了,怎么把這些有缺陷的磁瓦找出來?

 

目前行業(yè)質(zhì)檢方式靠目視檢查表面缺塊,敲擊聽音判斷內(nèi)部裂紋。每人每分鐘平均只能檢測30片。而且磁瓦表面顏色灰暗,用肉眼去看缺陷,對比度低得可憐,缺陷根本不容易被發(fā)現(xiàn)。加上工廠車間噪音大,工人長時間盯著看,疲勞之后漏檢錯檢率直線飆升。

 

你可能會問:那用機器看不行嗎?行,但沒那么簡單。

一、磁瓦表面缺陷檢測,到底難在哪?

磁瓦表面缺陷的檢測難度,比大多數(shù)人想象的要高得多。

 

首先是缺陷類型多、形態(tài)復(fù)雜。裂紋有深有淺,崩爛有大有小,欠磨的程度各不相同,壓痕的深淺也不一樣。每種缺陷在圖像上的表現(xiàn)都不一樣,傳統(tǒng)圖像處理算法很難用一種規(guī)則覆蓋所有情況。

 

其次是成像本身就有問題。鐵氧體磁瓦表面顏色灰暗,用普通光源打上去,得到的圖像對比度很低。缺陷和正常區(qū)域的灰度差異本來就小,再加上磁瓦表面本身就有不均勻的紋理,缺陷很容易被淹沒在背景里。

 

第三是檢測標(biāo)準(zhǔn)難以量化。人工檢測時,不同的人判斷標(biāo)準(zhǔn)不一樣,同一個人上午和下午的判斷也可能不一樣。什么叫“崩爛”、多大算“欠磨”,沒有一個統(tǒng)一的量化標(biāo)準(zhǔn),這就導(dǎo)致檢測結(jié)果不穩(wěn)定。

 

再加上磁瓦規(guī)格多、產(chǎn)量大,每條產(chǎn)線每天要檢測成千上萬片磁瓦。靠人工一片一片翻來覆去地看,不僅效率低,而且根本做不到全檢,大部分廠家只能抽檢。

二、用機器視覺檢測磁瓦要怎么做

針對這些問題,雙翌光電開發(fā)了一套基于深度學(xué)習(xí)的磁瓦表面缺陷檢測方案。

 

1.硬件層面,先把圖像“拍清楚”

 

磁瓦表面灰暗、對比度低,普通光源根本拍不出清晰的圖像。針對磁瓦的材質(zhì)特性和缺陷類型,設(shè)計了專門的照明方案。通過合理搭配光源的角度和強度,讓缺陷區(qū)域的反射光和散射光強度變化被放大。表面質(zhì)量合格的磁瓦在圖像上呈現(xiàn)相對均勻的灰度分布,而存在缺陷的區(qū)域則會出現(xiàn)灰度突變。

 

高分辨率工業(yè)相機負(fù)責(zé)捕捉這些細(xì)節(jié)。一張清晰的原始圖像,后續(xù)的處理就簡單得多。硬件系統(tǒng)設(shè)計的好壞,直接決定了最終檢測結(jié)果的精度。

 

2.算法層面,讓機器學(xué)習(xí)識別缺陷

 

傳統(tǒng)機器視覺算法依賴人工設(shè)定的規(guī)則和閾值,亮度多少算合格、邊緣多銳算正常。這種方法對缺陷模式固定的場景有效,但面對磁瓦表面復(fù)雜多樣的缺陷形態(tài),傳統(tǒng)算法往往會漏掉那些不規(guī)則的缺陷。

 

雙翌光電的方案采用深度學(xué)習(xí)算法進行多類別磁瓦表面缺陷識別。系統(tǒng)通過大量標(biāo)注了缺陷類型的磁瓦圖像進行訓(xùn)練,讓模型自動學(xué)習(xí)裂紋、崩爛、欠磨、壓痕等不同缺陷的特征。

 

訓(xùn)練完成之后,系統(tǒng)部署到產(chǎn)線上。當(dāng)一片磁瓦經(jīng)過檢測工位時,相機拍下圖像,算法在幾十毫秒內(nèi)完成判斷,這片磁瓦有沒有缺陷、有的話屬于哪種類型、位置在哪里。檢測結(jié)果實時輸出,配合自動剔除裝置,不合格品直接被分離出來。

三、效率與精度的雙重提升

這套方案解決了幾個核心問題。

 

效率大幅提升:人工檢測每人每分鐘30片,機器視覺檢測的速度可以做到人工的幾倍甚至十幾倍,而且可以24小時不間斷運行。

 

精度穩(wěn)定可靠:深度學(xué)習(xí)模型不會疲勞、不會走神。只要成像質(zhì)量穩(wěn)定,檢測標(biāo)準(zhǔn)就是一致的。上午檢的和下午檢的、今天檢的和明天檢的,判斷標(biāo)準(zhǔn)完全一樣。

 

缺陷類型覆蓋更全:傳統(tǒng)算法只能檢測預(yù)設(shè)好的幾種缺陷模式,深度學(xué)習(xí)模型通過大量樣本訓(xùn)練,能夠覆蓋裂紋、崩爛、欠磨、壓痕等多種缺陷類型,而且隨著數(shù)據(jù)的積累,模型的識別能力還可以持續(xù)優(yōu)化。

 

數(shù)據(jù)可追溯:系統(tǒng)會自動記錄每一片磁瓦的檢測結(jié)果、缺陷類型、缺陷位置等信息。這些數(shù)據(jù)可以用于后續(xù)的統(tǒng)計分析,哪類缺陷最多、哪個工序最容易出問題、哪個批次的原材料質(zhì)量波動最大。有了這些數(shù)據(jù),工藝改進就有了依據(jù)。

四、結(jié)語

磁瓦雖然只是一片小小的瓦狀磁鐵,但它的質(zhì)量直接關(guān)系到電機系統(tǒng)的穩(wěn)定性、安全性和可靠性。用機器視覺替代人工目檢,把檢測從抽檢變成全檢,這既是技術(shù)升級,也是質(zhì)量管控方式的轉(zhuǎn)變。

 

雙翌光電的這套磁瓦表面缺陷檢測方案,已經(jīng)在實際產(chǎn)線中得到了驗證。用機器視覺去解決那些“人看不準(zhǔn)、看不快、看不全”的問題,這正是機器視覺技術(shù)在工業(yè)制造中最樸素也最扎實的價值所在。

審核編輯(
王靜
)
投訴建議

提交

查看更多評論
其他資訊

查看更多

圖像傳感器的噪聲與信噪比

機器視覺中的光機電軟件協(xié)同

機器視覺系統(tǒng)為何離不開光學(xué)濾光片?

五金件缺陷檢測:從人工目檢到機器視覺

工業(yè)AI視覺檢測中的“小樣本困境”