全球再生塑料资讯站再生塑料 · 循环经济← 全部资讯

回收技术

【德国】科隆应用技术大学利用人工智能优化注塑成型质量控制

责任编辑:Irene Shen2 分钟阅读
科隆应用技术大学利用人工智能优化注塑成型质量控制

要点

  • 科隆应用技术大学与两家工业合作伙伴共同开发基于摄像头的自动化AI注塑质检方案。
  • 项目利用约1600张图像组成的数据集训练人工智能系统,识别划痕、裂纹等缺陷。
  • AI系统通过机器人控制部件在摄像头前呈现16个不同视角,实现多方位数据采集。
  • 当前方案检测精度为91%,因误判微小颗粒产生额外损耗,尚需优化以适配批量生产。

注塑工艺可制造出表面视觉精细的塑料制品,其中汽车产业是重要应用领域之一。图像分析技术可用于检测缺陷部件,但过去由于故障模式高度多样化,模型训练过程耗时且成本高昂。为提升并加速质量控制,科隆应用技术大学(TH Köln)与两家工业合作伙伴共同开发并测试了一套基于摄像头的自动化人工智能解决方案。

科隆应用技术大学研发的这套基于摄像头的自动化AI方案旨在优化注塑过程中的质量控制。配图仅为示意,展示的是荷兰希塔德(Sittard)企业Kupron的注塑生产场景。(图片:Kupron)

“QuKu-ML”项目(Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien)的目标是利用算法简化面向汽车产业的注塑件质量控制。为实现流程自动化,科隆应用技术大学团队编程控制一台机器人,将部件在摄像头前置于不同位置,从而获取来自16个不同视角的图像。最终,团队利用约1600张图像组成的数据集训练人工智能系统,使其能够快速识别与无缺陷部件的偏差,例如划痕、裂纹、结构缺失或变形。

科隆应用技术大学科隆协作机器人实验室(Cobots Lab, CCL)的Anja Richert教授(prof. dr. Anja Richert)表示:“在塑料加工领域,快速检测废品至关重要,尤其是针对大批量生产的部件。然而,由于工艺复杂性,在此领域部署AI应用面临巨大挑战。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训练数据极为耗时。尽管如此,引入人工智能仍具价值,因为人工质检不仅耗时,且易出错。”

使用完美部件训练AI

在工业应用中,异常检测相较于传统故障检测具有显著优势。传统方法要求提供足够数量的图像,以便清晰识别各类故障,且缺陷需人工标记和标注。相比之下,完美部件通常比缺陷部件更容易大量获取,这为训练人工智能提供了更优条件——该系统可识别完美状态,并快速检测偏离该目标状态的偏差。最终生成异常热图,其中存在缺陷的图像区域呈现高异常值,并以颜色直观显示。CCL(科隆机器人实验室)研究员尼古拉斯·考伦(Nicolas Kaulen)解释道。

完全自主的注塑加工质量控制(图:科隆机器人实验室/科隆应用技术大学)

像素级分析提升检测精度

为更有效地捕捉偏差,研究人员分析了1600张热图的数值分布。考伦说明:“当像素中偏离阈值(高于或低于)的数量达到一定水平时,AI即判定存在异常,并触发指令将相应部件剔除。通过该流程,我们实现了91%的命中精度。”

然而,这一数值仍不足以支撑工业批量生产。里希特(Richert)指出:“阈值法的主要弊端在于质量控制环节会产生额外生产损耗。例如,算法仍将多数情况下对工艺无实质影响的微小颗粒误判为异常。因此,需进一步研究以优化检测机制。”后续项目将深化相关成果,并将其拓展至其他工业应用场景。

编辑观点

AI视觉质检在注塑环节的应用为再生塑料制品的质量管控提供了新路径,但91%的精度距离工业级要求仍有差距。从业者应关注后续项目对检测机制的优化进展,特别是如何降低误判率,以便将该技术引入rPET、rPP等再生料制品的自动化分选与质检流程。

常见问题

科隆大学AI注塑质检方案检测精度是多少?

该方案实现了91%的命中精度。依据是研究人员分析了1600张热图的数值分布,当像素偏离阈值数量达到一定水平时触发剔除指令,但此数值尚不足以直接支撑工业批量生产。

AI系统如何获取注塑件的多视角图像数据?

团队编程控制机器人将部件在摄像头前置于不同位置,从而获取来自16个不同视角的图像。最终利用约1600张图像组成的数据集训练人工智能系统,使其能快速识别与无缺陷部件的偏差。

异常检测相比传统故障检测有何优势?

异常检测无需大量缺陷图像进行人工标记,只需利用易获取的完美部件训练系统识别目标状态。该系统可快速检测偏离完美状态的偏差,并生成异常热图直观显示缺陷区域,降低了数据准备成本。