[发明专利]一种冷镦底座表面细微缺陷的检测方法

说明书

一种冷镦底座表面细微缺陷的检测方法，采用工业摄像机、上位机、图片储存模块、标记模块、数据比对模块、提示模块作为检测的工具；摄像机安装在冷镦座的上端，摄像机和上位机经数据线连接，图片储存模块、标记模块、数据比对模块、提示模块是安装在上位机内的应用软件。本发明能涵盖冷镦座塌陷、倾斜、高低不平、表面凹点、表面凸点、表面异物附着、开裂等主要质量检测项目。本发明能在冷镦座出现质量问题时，第一时间提示技术人员，这样，技术人员能在冷镦座出现质量问题时，第一时间进行维护或更换。本发明检测速度快、检测精度高、节省了人工、保证了检测质量，提高了生产方经济效益。基于上述，本发明具有好的应用前景。

技术领域

本发明涉及检测技术领域，特别是一种冷镦底座表面细微缺陷的检测方法。

背景技术

冷镦是利用模具在常温下对金属棒料镦粗(常为局部镦粗)成形的锻造方法，通常用来制造螺钉、螺栓、铆钉等的头部。可以减少或代替切削加工。实际加工中，锻坯材料可以是铜﹑铝﹑碳钢﹑合金钢﹑不锈钢和钛合金等﹐材料利用率可达80～90％。冷镦生产多在专用的冷镦机上进行﹐便于实现连续﹑多工位﹑自动化生产。在冷镦机上能顺序完成切料﹑镦头﹑聚积﹑成形﹑倒角﹑搓丝﹑缩径和切边等工序，生产效率高﹐可达300件/分以上﹐最大冷镦工件的直径为48毫米。

冷镦座在生产中对金属棒料起着支撑及模具作用，并要承受锻压设备的重压，因此其直接关系着加工后产品的质量。实际情况下，冷镦座因各种原因或者质量不佳会产生包括倾斜变形，凹陷等质量问题，这样会对加工后产品质量带来极大影响。现有技术中，对于冷镦座的质量一般是人为目视检测，人为检测受到检测人员的经验限制，不能有效保证检测效果，特别是冷镦座表面没有出现很明显的质量问题时，更不能保证检测效果，因此人为检测存在很大的局限性。基于上述，提供一种能实现智能化冷镦座检测的方法显得尤为必要。

发明内容

为了克服现有技术中，人为目视检测冷镦座的质量，因受到检测人员的经验限制，不能有效保证检测效果，特别是冷镦座表面没有出现很明显的质量问题时，更不能保证检测效果会对基于冷镦座加工的产品质量带来影响的弊端，本发明提供了利用图像系统获取产品图片的基础上，用大量冷镦座图片作为图片数据库，引入人工智能的深度学习方法，采用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧能精确找到冷镦座各种质量问题，能涵盖冷镦座塌陷、倾斜、高低不平、表面凹点、表面凸点、表面异物附着、开裂等主要质量检测项目，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力，由此达到检测速度快、检测精度高、节省了人工、保证了检测质量，提高了生产方经济效益的一种冷镦底座表面细微缺陷的检测方法。

本发明解决其技术问题所采用的技术方案是：

一种冷镦底座表面细微缺陷的检测方法，其特征在于采用工业摄像机、上位机、图片储存模块、标记模块、数据比对模块、提示模块作为检测的工具；所述摄像机安装在冷镦座的上端，摄像机和上位机经数据线连接，图片储存模块、标记模块、数据比对模块、提示模块是安装在上位机内的应用软件；所述图片储存模块内存有冷镦座包括塌陷、倾斜、高低不平、表面凹点、表面凸点、表面异物附着、开裂故障图片；检测方法包括如下步骤，第一步：先将冷镦机已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对冷镦机故障图片特征设计出适合的人工智能深度学习类型；第三步：用标注过的图片数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上、生成的实证模型进行测试其是否正确，测试集生成的数据存入数据比对模块作为比对数据；第五步：检测中，摄像机实时对冷镦座进行摄像并将图片数据输入到数据比对模块，数据比对模块自动调阅比对数据和图片数据作比对，得出冷镦座质量是否合格数据，数据不合格时经提示模块发出提示信息，技术人员根据故障数据类型对冷镦座进行更换或维。

进一步地，所述图片储存模块内储存有大量冷镦座已知故障的图片特征数据，以及和故障一比一对应合格冷镦座产品的图片特征数据。