Технічна діагностика та неруйнівний контроль, 2024, №01



2024 №01 (04)

DOI of Article 10.37434/tdnk2024.01.05

2024 №01 (06)

---

Технічна діагностика і неруйнівний контроль, 2024, №1, стор. 32-40

Автоматизовані системи візуального контролю поверхневих дефектів тонколистових матеріалів (Огляд)

А.С. Новодранов, Є.В. Шаповалов

ІЕЗ ім. Є.О. Патона НАН України. 03150, м. Київ, вул. Казимира Малевича, 11. E-mail: office@paton.kiev.ua

Зважаючи на швидкість розвитку виробництв тонколистових матеріалів застосування автоматизованих систем виявлення поверхневих дефектів у таких виробах стає все більш актуальним. Обумовлено це тим, що завчасно виявлений дефект зменшує кількість відходів та підвищує продуктивність виробництва шляхом зменшення часу простою обладнання. Метою статі є огляд сучасних автоматизованих систем візуального контролю поверхневих дефектів на тонколистових матеріалах для оцінки їх ефективності, переваг та обмежень. У статті розглянуто та проаналізовано автоматизовані системи пошуку поверхневих дефектів на різних виробництвах – металевому, паперовому та ткацькому прокатах. Показано, що системи такого класу найчастіше виконуються у стаціонарній конфігурації безпосередньо на верстатах або прокатних машинах, але є системи, які крім стаціонарної реалізаціє мають портативну версію, яка монтується на діагностичному візку. Розглянуто складові частини апаратної підсистеми, а саме визначено переваги застосування інтелектуальних камер у порівнянні з камерами лінійного сканування. Визначено переваги застосування стробоскопічного освітлення у порівнянні зі звичайними LED прожекторами. Розглянуто програмну підсистему, а також визначено, що застосування методів штучного інтелекту, а саме нейронних мереж із машинним навчанням, є перспективним вектором розвитку таких систем. Бібліогр. 36, табл. 1, рис. 10.
Ключові слова: автоматизований візуальний контроль, дефекти тонколистових матеріалів, металеві тонколистові матеріали, автоматизовані системи контролю

Надійшла до редакції 05.02.2024,
Отримано у переглянутому вигляді 13.02.2024
Прийнято 21.03.2024

Список літератури

1. Goebbels, K., Ferrano, G. (1988) Automation of surface defect detection and evaluation. Proc. SPIE 0849, Automated Inspection and High-Speed Vision Architectures, 22 March 1988. DOI: https://doi.org/10.1117/12.942832
2. Malamas, E.N., Petrakis, E.G.M., Zervakis, M. et al. (2003) A survey on industrial vision systems, applications and tools. Image Vis. Comput., 21(2), 171–188. DOI: https://doi.org/10.1016/S0262-8856(02)00152-X
3. Norton-Wayne, L., Bradshaw, M., Jewell, A.J. (1992) Machine vision inspection of web textile fabric. BMVC, 1, 217–226. DOI: https://doi.org/10.5244/C.6.23
4. Kumar, A. (2008) Computer-vision-based fabric defect detection: A survey. IEEE Trans. Ind. Electron., 55(1), 348–363. DOI: https://doi.org/10.1109/TIE.1930.896476
5. Shao, X., Xia, X., Song, J. (2022) Design and research of metal surface defect detection based on machine vision. 11th International Conference of Information and Communication Technology, 406–410. DOI Bookmark: https://doi.org/10.1109/ICTech55460.2022.00087
6. Huotilainen, T., Laster, M., Riikonen, S. (2019) Real-time paper and paperboard quality analysis and classification based on paper formation or surface appearance in web inspection system. Conference PaperCon, May2019, Indianapolis, USA.
7. Bissessur, Y., Martin, E., Morris, A. (1999) Monitoring the performance of the paper making process. Control Eng. Pr., 7(11), 1357–1368. DOI: https://doi.org/10.1016/S0967-0661(99)00105-7
8. Xiaoxin Fang, Qiwu Luo, Bingxing Zhou, Congcong Liand, Lu Tian (2020) Research progress of automated visual surface defect detection for industrial metal planar materials. Sensors, 20(8), 5136. DOI: https://doi.org/https://doi.org/10.1016/S0967-0661(99)00105-710.3390/s20185136
9. Luo, Q., He, Y. (2016) A cost-effective and automatic surface defect inspection system for hot-rolled flat steel. Robot Comput. Integr. Manuf., 38(C), 16–30. DOI: https://doi.org/10.1016/S0967-0661(99)00105-710.1016/j.rcim.2015.09.008
10. Singh, Swarit & Desai, Kaushal (2022) Automated surface defect detection framework using machine vision and convolutional neural networks. J. of Intelligent Manufacturing, 34(4), 1995–2011. DOI: https://doi.org/10.1007/s10845-021-01878-w
11. Francisco G. Bulnes, Ruben Usamentiaga, Daniel F. Garcia, Julio Molleda (2012) Vision-based sensor for early detection of periodical defects in web materials. Sensors, 12(8), 10788–10809. DOI: https://doi.org/https://doi.org/10.1016/S0967-0661(99)00105-710.3390/s120810788
12. Telljohann, A. (2007) Chapter 2. Introduction to building a machine vision inspection. In: Handbook of Machine Vision; Wiley-VCH Verlag GmbH & Co. KGaA, Weinheim, Germany, 35–71.
13. Basler, AG [Електронний ресурс]. Basler ace acA1920-48gm. https://www.baslerweb.com/en/shop/aca1920-48gm/
14. Chang, C.A., Su, C.T. (1995) A comparison of statistical regression and neural network methods in modeling measurement errors for computer vision inspection systems. Comput. Ind. Eng., 28(3), 593–603. DOI: https://doi.org/10.1016/0360-8352(94)00211-5
15. Brzakovic, D., Vujovic, N. (1996) Designing a defect classification system: A case study. Pattern Recog., 29(8), 1401–1419. DOI: https://doi.org/10.1016/0031-3203(95)00166-2
16. Duan, X., Duan, F., Han, F. (2011) Study on surface defect vision detection system for steel plate based on virtual instrument technology. In Proceedings of the 2011 International Conference on Control, Automation and Systems Engineering, Singapore. DOI: https://doi.org/10.1109/ICCASE. 2011.5997625
17. (2014) Wintriss Engineering [Електронний ресурс]. OPSIS Smart Vision. https://datasheet.datasheetarchive.com/originals/crawler/weco.com/682af94e91931264471d0a90eb777fbd.pdf
18. Wintriss Engineering [Електронний ресурс]. Metals Solution. https://www.weco.com/metals
19. (2020) IMS Messsysteme GmbH [Електронний ресурс]. Optical measuring systems surcon 2D surface inspection for Cold Rolling Mills & Processing Lines. https://www.ims-experts.com/wp-content/uploads/2020/12/TIN-2D-Surface-Inspection-Systems-for-Cold-Rolling-Mills-and-Processing-Lines.pdf
20. IMS Messsysteme GmbH [Електронний ресурс]. Surcon 2D surface inspection system. https://www.ims-experts.com/en/measuring-system/surface-inspection-system-surcon-2d-metal-service-centres/
21. (2019) AMETEK Surface Vision [Електронний ресурс]. Metals surface inspection. https://www.ameteksurfacevision.com/-/media/ameteksurfacevisionv2/documentation/industry-brochures/metals/ametek_surface_vision_metals_ brochure_rev3_en.pdf 22. AMETEK Surface Vision [Електронний ресурс]. Surface Vision. https://www.ameteksurfacevision.com/-/media/AmetekSurfaceVisionV2/Documentation/CaseStudies/AMETEK_Surface_Vision_Arania_Case_Study_Rev2_KO.pdf
23. Strokina, N., Eerola, T., Lensu, L., Kälviäinen, H. (2011) Adaptive classification of dirt particles in papermaking process. Image Analysis – 17th Scandinavian Conference, SCIA 2011, Ystad, Sweden. DOI: https://doi.org/10.1007/978-3-642-21227-7_68
24. IBS Austria GmbH [Електронний ресурс]. Camera based trouble shooting. https://www.ibs-ppg.com/en/products/detail/camera-based-trouble-shooting.
25. Papertech [Електронний ресурс]. Web inspection. https://www.papertech.ca/web-inspection/
26. Valmet Corporation [Електронний ресурс]. Valmet IQ Web inspection system. https://valmet.my.salesforce-sites.com/solutionfinderweb/sfc/servlet.shepherd/version/download/068580000026M9GAAU
27. Dr. Schenk GmbH [Електронний ресурс]. MIDA – Superior defect detection and classification. https://www. drschenk.com/news/news-article/mida-superior-defect-detection-and-classification-15/
28. Dr. Schenk GmbH [Електронний ресурс]. Paper inspection. https://www.drschenk.com/products/paper-inspection.html
29. Procemex [Електронний ресурс]. Measurement geometries. https://www.procemex.com/web-inspection/measurement-geometries/#low-angle-web-inspection
30. Procemex [Електронний ресурс]. Web inspection system. https://www.procemex.com/web-inspection/
31. Dr. Schenk GmbH [Електронний ресурс]. Textile inspection. https://www.drschenk.com/products/structured-surfaces/textile-inspection.html
32. COMVIS – Company in vision [Електронний ресурс]. Profiler ™ for Looms. https://comvis.com/inspection-systems/profiler-for-looms/
33. COMVIS – Company in vision [Електронний ресурс]. Profiler™ Fabric Inspection. https://comvis.com/inspection-systems/profiler-automatic-fabric-inspection/
34. Shelton Machines Ltd [Електронний ресурс]. Machine vision solutions. https://www.sheltonvision.co.uk/visual-inspection-systems/machine-vision-solutions/
35. Indian Textile Journal [Електронний ресурс]. Shelton vision: Beyond big data and tailored for textiles. https://indiantextilejournal. com/shelton-vision-beyond-big-data-and-tailored-for-textiles/
36. IndiaMART [Електронний ресурс]. Fully automatic camera based inspection machine, for fabric checking. https://www.indiamart.com/proddetail/fully-automatic-camera-based-inspection-machine-23747914755.html

---

Реклама в цьому номері:

---