全球再生塑料资讯站再生塑料 · 循环经济← 全部资讯

企业动态

【德国】注塑成型:利用相机和AI识别缺陷

责任编辑:Julian He2 分钟阅读
注塑成型:利用相机和AI识别缺陷

要点

  • 科隆应用技术大学联合SHS Plus、Sentin开发Quku-ML项目,用于汽车注塑件质量控制。
  • 项目使用机器人获取16个视角图像,训练数据集包含约1600张图像。
  • AI模型实现91%的缺陷检出准确率,可识别划痕、裂纹、结构缺失或变形。
  • 异常检测算法通过热力图可视化缺陷区域,当异常值超阈值时触发部件剔除。
  • 当前阈值法存在误判风险,如将无实质风险的污点颗粒误判为异常,需进一步细化检测方法。

为提升注塑成型的质量控制水平,科隆应用技术大学(TH Köln)联合合作伙伴开发了一套基于人工智能的视觉解决方案,用于实现缺陷的自动识别。

科隆应用技术大学科隆协作机器人实验室(Cologne Cobots Lab, CCL)的Anja Richert教授指出,在注塑领域部署人工智能应用是一项极具挑战性的任务,其复杂性主要源于生产环境的动态特性。特别是在质量控制环节,在持续生产过程中收集并验证所需的训练数据成本高昂且耗时。然而,引入人工智能仍具有显著价值,因为传统的人工质检不仅耗时较长,而且容易出错。

机器人辅助注塑质量控制

“Quku-ML”项目(全称:基于机器视觉策略的塑料注塑质量评估)旨在通过算法简化面向汽车行业的注塑件质量控制流程。科隆应用技术大学团队为此编程控制了一台机器人,该机器人将待检部件在相机前以多种姿态进行定位,从而获取了16个不同视角的图像。最终,团队利用包含约1600张图像的完整数据集训练人工智能模型,使其能够快速识别注塑件相对于无缺陷标准件的各类偏差,包括划痕、裂纹、结构缺失或变形等。该项目的工业合作伙伴包括专注于塑料加工的工程公司SHS Plus,以及专注于无损检测人工智能解决方案的波鸿初创软件公司Sentin。

人工智能识别异常

CCL科研助理Nicolas Kaulen解释道,在工业场景中,异常检测相较于传统缺陷识别具有多项优势。传统方法需要大量能够清晰呈现特定缺陷类型的图像,且这些缺陷必须经过人工标记和标注。通常情况下,完美无缺的部件在数量上远多于存在缺陷的部件。因此,可以训练人工智能模型识别“完美状态”,并快速检测出任何偏离该理想状态的情况。其输出结果是一张异常热力图,其中存在缺陷的图像区域会显示较高的异常值,并可通过颜色进行可视化呈现。

人工智能达到91%的识别准确率

为尽可能高效地识别异常,研究人员分析了1600张热图的数据分布。Kaulen表示:“当图像中异常值超过或低于设定阈值时,人工智能系统即判定存在偏差,并触发指令将相应部件剔除。采用该方法,我们实现了91%的检出准确率。”

然而,对于工业注塑生产而言,这一准确率仍显不足。Richert指出:“阈值法的主要弊端在于,质量控制过程中会产生额外的生产废品。例如,算法会将多数情况下对技术流程无实质风险的污点颗粒误判为异常。这凸显了进一步细化检测方法的迫切研究需求。”后续项目将深化相关研究成果,并将其拓展至更多工业应用场景。

编辑观点

该方案验证了AI视觉在注塑质检中的可行性,但91%的准确率尚难直接满足工业量产要求,误判导致的废品率是主要瓶颈。再生塑料行业应关注异常检测算法的优化进展,探索其在再生料分选、外观质检中的应用,以提升rPET、rPP等再生制品的分级精度,减少高值再生料因外观瑕疵被降级的损失。

常见问题

Quku-ML项目怎么识别注塑件缺陷?

通过机器人控制部件在相机前多姿态定位,获取16个视角图像,利用AI模型识别划痕、裂纹等偏差。依据是科隆应用技术大学团队编程控制机器人,使用约1600张图像训练模型,输出异常热力图以定位缺陷区域。

AI检测注塑缺陷的准确率是多少?

实现了91%的检出准确率。依据是研究人员分析1600张热图数据分布,当异常值超过阈值时触发剔除指令,该准确率在工业注塑生产中仍显不足,存在误判风险。

AI质检相比人工质检有什么优势?

AI质检能自动识别异常,避免人工质检耗时且易出错的问题。依据是传统方法需大量标记缺陷图像,而AI通过识别“完美状态”快速检测偏离,虽有误判但效率更高,适合持续生产环境。