壓鑄模服役過程中的工作環(huán)境惡劣，模具零件表面不僅需要承受高速金屬液的沖刷，還要經歷合模、壓射、開模、冷卻過程中劇烈的熱交換，故壓鑄在生產過程中容易出現(xiàn)疲勞裂紋、斷裂、磨損以及沖蝕等缺陷。如果不能及時發(fā)現(xiàn)并采取應對措施，模具零件缺陷會對正常的生產活動產生影響，不僅會導致零件生產質量出現(xiàn)問題，而且會引發(fā)安全隱患，甚至造成嚴重的安全事故。所以對模具零件缺陷的實時檢測尤為重要，傳統(tǒng)的巡檢方法勞動強度大、耗費人力且檢測正確率不一定能達到要求。

近年來，隨著計算機軟硬件技術的發(fā)展，機器視覺檢測技術逐漸被廣泛應用于模具缺陷的檢測中，相較于人工檢測，機器視覺檢測具有準確性強、效率高以及能夠實現(xiàn)實時檢測的特點。

1、壓鑄模常見缺陷及表現(xiàn)形式

壓鑄成型過程中，由于壓鑄模長時間工作在高溫、高壓和高速等惡劣環(huán)境，其容易產生缺陷，常見缺陷主要包括：凹陷、型芯塑性變形、磨損、斷裂、熱疲勞裂紋、粘模和溶蝕等。

1.1凹陷缺陷

模具零件型腔表面凹陷如圖1所示，凹陷缺陷表現(xiàn)為型腔內壁上產生凹坑或剝落，這種現(xiàn)象產生的原因有2種：

①模具零件材料的疏松與氣孔；

②模具材料存在非金屬夾雜物與粗大的液析碳化物。若模具零件型腔表層存在氣孔與疏松，當受到高溫金屬液體的反復沖蝕時，孔隙逐漸擴大，最終形成較大的孔穴；當型腔表層存在夾雜物和粗大液析碳化物時，在熱循環(huán)中將產生應力，使夾雜物和粗大液析碳化物變形不協(xié)調，在界面上可能引起裂紋，導致夾雜物或粗大液析碳化物與金屬基體脫開而形成剝落凹坑，并在熔融金屬液的侵蝕作用下逐漸擴大。

1.2型芯塑性變形

型芯塑性變形是常見的壓鑄模缺陷。在壓鑄過程中，型芯的主要缺陷形式為折斷與彎曲變形。型芯的作用是使鑄件在開模方向或非開模方向形成孔或凹位，故會在工作過程中產生一定的壓縮應力。如型芯的韌性較好，則可以抵抗熔融金屬液對型芯的沖擊，但細長的型芯容易被折斷。型芯可看作一種懸臂梁，在工作過程中受到金屬液沖擊時的彎矩，可能會產生一定程度的彎曲。圖2（a）所示為折斷的型芯，圖2（b）所示為彎曲的型芯。

1.3磨損缺陷

壓鑄模的磨損缺陷是由熱、化學腐蝕及機械載荷三方面因素造成。壓鑄模長時間在高溫條件下工作，會使模具零件表面材料的強度降低，這樣更容易受到熔融金屬液的沖擊侵蝕。為保證壓鑄制件的質量，生產過程中會進行保壓，有可能會使模具零件型腔表面出現(xiàn)刮傷等情況，在新傷與侵蝕的共同作用下導致磨損更加嚴重。

1.4斷裂缺陷

斷裂缺陷分為整體脆性斷裂與熱疲勞開裂等，當出現(xiàn)機械載荷過載或熱過載時，有可能導致模具零件整體脆性斷裂。熱疲勞開裂一般是由微小疲勞裂紋導致，裂紋附近容易出現(xiàn)應力集中現(xiàn)象，如果不及時發(fā)現(xiàn)，裂紋會越來越大，直至斷裂。圖3所示為H13鋼壓鑄模開裂。

1.5熱疲勞裂紋

熱疲勞裂紋是壓鑄模最常見的缺陷形式，占缺陷類別比例較大。壓鑄過程中，壓鑄模在300-800℃的熱循環(huán)及脫模劑導致的拉應力與壓應力交變循環(huán)的環(huán)境下，反復經受急冷、急熱所造成的熱應力，導致在型腔表面或內部熱應力集中處逐漸產生微裂紋，其形貌多數(shù)呈現(xiàn)網(wǎng)狀，也有呈放射狀，稱龜裂。熱應力使熱疲勞裂紋繼續(xù)擴展成宏觀裂紋，導致壓鑄模失效。圖4（a）所示為熱疲勞龜裂，圖4（b）所示為由熱疲勞引起的整體開裂。

1.6粘模缺陷

粘模缺陷本質是壓鑄合金和模具零件結合在一起，壓鑄材料粘在模具零件表面。在壓鑄模工作過程中，會受到熔融金屬液的物理化學作用，導致模具型腔表面出現(xiàn)細小的凹坑，這些凹坑會隨工作時間的延長而變大，最后導致模具零件表面氧化層被大面積破壞，從而與熔融金屬液形成合金相，最終會在表面形成一層過渡層。熔融金屬液與過渡層接觸的部分會相互產生粘附，在脫模時導致制件表面受損，壓鑄模粘膜缺陷如圖5所示。

1.7溶蝕缺陷

溶蝕缺陷一般出現(xiàn)在采用活潑合金壓鑄的模具上，如Zn、Al、Mg等。溶蝕缺陷既有化學作用，也有物理作用，介于腐蝕與沖蝕之間。溶蝕缺陷僅出現(xiàn)在受到熔融金屬液直接沖擊的部位，即模具的型芯、型腔表面或硬度偏軟處，壓鑄模溶蝕缺陷如圖6所示。

2、機器視覺在模具零件缺陷檢測中的應用

機器視覺檢測技術屬于在線無損檢測方法，在缺陷檢測中表現(xiàn)較好，如在以模具零件為對象的檢測中，多用于模具保護、模具尺寸測量與模具定位等，可對模具零件中的異物、制件缺陷、制件脫模不良以及嵌件錯位等問題進行檢測，而對于模具零件型腔表面缺陷的檢測研究較少。

模具零件表面缺陷檢測屬于機器視覺技術應用方面，利用計算機視覺模擬人類視覺功能，在每一次開模時進行圖像的采集處理、計算，最終進行實際檢測、控制和應用，可以及時發(fā)現(xiàn)模具零件的缺陷，以免造成重大損失。

以下介紹3種基于機器視覺技術的模具檢測系統(tǒng)。

（1）精密模具零件破損檢測系統(tǒng)。

傳統(tǒng)的精密模具零件檢測方式有人工檢測及高斯曲線擬合檢測等技術。人工檢測勞動強度大、成本高、檢測準確率低，有時檢測使用的工具可能損傷模具零件表面。針對這個問題，謝俐等設計了一種精密模具零件缺陷檢測系統(tǒng)，該系統(tǒng)主要包括模具零件圖像采集、模具零件圖像處理、模具零件檢測結果輸出以及顯示等操作過程，具體組成結構如圖7所示。

（2）監(jiān)測系統(tǒng)。模具在生產過程中偶爾會出現(xiàn)異物等異常情況，如果采用人工監(jiān)視，耗費人力物力，但如果不進行監(jiān)視，有可能會損壞模具，影響工程進度。彭娟等用機器視覺技術對注射模監(jiān)測系統(tǒng)進行了研究，采用幾何輪廓信息模板匹配并配以報警器，解決了模具在生產過程中出現(xiàn)異物的問題。圖8所示為采用幾何輪廓信息特征作為標準模板的結果，其中由計算機模擬的型腔邊緣輪廓（橢圓形）為標準模板的特征結果，在矩形方框中靠近4個角的4條曲線為潛在模板特征。

（3）壓鑄模缺陷檢測系統(tǒng)。為了防止在壓鑄生產過程中由于模具零件缺陷導致工作人員受傷及影響生產效率與產品質量的問題，VYBAZHIN等提出了基于卷積神經網(wǎng)絡的模具缺陷檢測系統(tǒng)。該系統(tǒng)能及時發(fā)現(xiàn)生產過程中模具零件出現(xiàn)的熱疲勞裂紋以及碎屑等缺陷，以便及時處理。該系統(tǒng)的視覺檢測正確率達到95.1%，而其4.9%的誤檢率是因為模具零件的裂紋比較小或生產環(huán)境中照明不均而導致的陰影問題，不容易被系統(tǒng)檢測。

3、基于機器視覺的缺陷檢測常用算法

在基于機器視覺的缺陷檢測領域中常采用深度學習算法，深度學習算法是機器學習的子集，近年來伴隨著圖形處理器（graphicsprocessingunit，GPU）的進步，深度學習算法融合了自動化與智能化，被較多學者用于工業(yè)缺陷檢測領域。深度學習算法對圖像分割、目標檢測及圖片的分類能力頗受學者的青睞。以下介紹這3種圖像處理中較為經典的算法，如：采用全卷積網(wǎng)絡（fullyconvolutionalnetworks，F(xiàn)CN）算法對圖像的分割處理，采用Yo?lo算法實現(xiàn)目標檢測，采用卷積神經網(wǎng)絡（convolu?tionalneuralnetwork，CNN）算法對缺陷進行分類。

（1）采用FCN算法對圖像的分割處理。FCN算法即全卷積神經網(wǎng)絡算法，是一種具有像素級別分類能力的網(wǎng)絡，常用語義分割。該網(wǎng)絡與卷積神經網(wǎng)絡的最大區(qū)別是不具備全連接層，而是將CNN中的全連接層都轉換為卷積層。其中，卷積層、池化層、反卷積層以及跳躍結構為FCN核心功能模塊。

全卷積神經網(wǎng)絡架構如圖9所示。在圖9中，1號圖例代表卷積層，2號圖例代表池化層，3號圖例代表反卷積層；FCN中的跳躍結構表示為帶箭頭的線段所引出的過程；4號圖例代表剪裁層，用途是統(tǒng)一尺寸；5號圖例代表逐元素相加，目的是融合結果。

FCN更加高效，避免了使用元素塊所帶來的存儲與重復計算問題，可節(jié)約系統(tǒng)資源。同時，F(xiàn)CN在接受輸入圖片的尺寸上更加靈活，但FCN對于分割的結構還不夠精細，忽略了空間規(guī)整步驟，缺乏空間一致性。在工件的缺陷檢測中，由于工件表面的缺陷特征與其背景難以分割，分割后有可能在分割結果上存在大量的噪聲，影響檢測結果。由于CN的像素級分類特性，采用FCN可以解決該問題，工件表面缺陷檢測是FCN較為普遍的應用場景之一。

（2）采用Yolo算法實現(xiàn)目標檢測。Yolo算法是基于回歸的單階段目標檢測算法，屬于卷積神經網(wǎng)絡，最初版本的Yolo算法由24層卷積層、2層全連接層以及4層最大池化層組成，Yolo架構如圖10所示。

Yolo算法能在應用過程中，可以不通過生成候選區(qū)域的方式對物體的類別概率及位置坐標等信息進行預測，因為這個特點相較于兩階段檢測算法，Yolo算法檢測速度快，但其位置檢測精度低于兩階段檢測算法，如Faster-RCNN等，Yolo算法還能較好地識別物體的背景。由于Yolo算法具有以上這些特點，比較適合用于工業(yè)檢測。

（3）采用CNN算法對缺陷進行分類。卷積神經網(wǎng)絡是以人類神經元工作模式為理念所設計的一種網(wǎng)絡結構，該網(wǎng)絡共有5層，按順序排列為輸入層、卷積層、池化層、全連接層和輸出層。其中，輸入輸出層用來接收與輸出數(shù)據(jù)；卷積層、池化層以及全連接層為主要的工作層，對數(shù)據(jù)進行處理而獲得想要的結果。卷積神經網(wǎng)絡的架構如圖11所示。

CNN具有卷積核參數(shù)共享的特點，可以對高維據(jù)進行處理，同時也能夠自動提取特征，分類效果優(yōu)秀。但是CNN網(wǎng)絡在處理數(shù)據(jù)時采用像素塊，盡管能夠很好地提取局部信息，但容易忽略整體與局部信息的聯(lián)系；另外由于CNN采用了反向傳播算法，當網(wǎng)絡到達一定深度時，修改參數(shù)會使靠近輸入層的參數(shù)更迭變慢。

4、結束語

壓鑄模在生產過程中容易出現(xiàn)各種缺陷，如熱疲勞龜裂、腐蝕以及斷裂等缺陷，對壓鑄模的常見缺陷進行了總結，介紹了機器視覺技術在模具行業(yè)應用的常用場景，并簡要介紹了缺陷檢測中的常用算法。

壓鑄模的生命周期比其他模具短，故對于壓鑄模的缺陷檢測較為頻繁。目前，機器視覺技術在壓鑄模缺陷檢測方面的應用較少，對其應用在壓鑄模的缺陷檢測展開研究，較好地契合了智能制造的趨勢，具有一定的創(chuàng)新意義。