本發(fā)明涉及缺陷檢測，尤其涉及基于數(shù)據(jù)分析的鑄件缺陷檢測系統(tǒng)。

背景技術(shù)：

1、缺陷檢測技術(shù)領(lǐng)域涉及使用各種自動化和半自動化方法來識別和分類制造產(chǎn)品中的缺陷。缺陷檢測技術(shù)廣泛應(yīng)用于質(zhì)量控制過程，以確保產(chǎn)品符合設(shè)計規(guī)格和性能標準。主要技術(shù)包括圖像處理、機器學習、模式識別和信號處理技術(shù)。缺陷檢測系統(tǒng)能夠在各種材料和組件上，如金屬、塑料、紡織品和半導(dǎo)體等，有效地發(fā)現(xiàn)如裂紋、孔洞、變形和異物嵌入等缺陷。缺陷檢測技術(shù)能夠顯著提高檢測的速度和精度，減少人工檢查的需求，從而降低生產(chǎn)成本并提高產(chǎn)品質(zhì)量。

2、其中，鑄件缺陷檢測系統(tǒng)是一種專門設(shè)計用于檢測鑄造過程中產(chǎn)生的鑄件中的缺陷的系統(tǒng)。鑄件缺陷包括氣孔、夾渣、冷隔和裂紋等。系統(tǒng)通常利用高分辨率的攝像頭和圖像分析軟件來檢測和分類缺陷。通過自動化檢測，系統(tǒng)能夠快速識別出鑄件的質(zhì)量問題，從而允許制造商在進一步加工前及時進行修復(fù)或剔除不合格的鑄件。這種技術(shù)的應(yīng)用不僅提高了生產(chǎn)效率，而且有助于確保最終產(chǎn)品的結(jié)構(gòu)完整性和性能。

3、傳統(tǒng)缺陷檢測系統(tǒng)主要依賴于圖像處理和信號處理，在處理復(fù)雜或微小缺陷時的準確性和效率仍有限。這些技術(shù)通常無法有效評估缺陷的具體影響，如缺陷大小和深度對鑄件性能的具體影響。這種技術(shù)局限性在實際生產(chǎn)中，會導(dǎo)致生產(chǎn)效率降低，因缺陷判定不準確而產(chǎn)生較高的廢品率或返修率，從而增加生產(chǎn)成本并影響產(chǎn)品的整體質(zhì)量和市場競爭力。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點，而提出的基于數(shù)據(jù)分析的鑄件缺陷檢測系統(tǒng)。

2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：基于數(shù)據(jù)分析的鑄件缺陷檢測系統(tǒng)，所述系統(tǒng)包括：

3、表面缺陷分析模塊基于鑄件表面圖像，通過圖像分析，識別零件的表面缺陷，根據(jù)零件的表面缺陷特征，評估缺陷特征與預(yù)設(shè)缺陷庫中缺陷的匹配度，識別表面缺陷類別，得到表面缺陷類別信息；

4、缺陷大小評估模塊基于所述表面缺陷類別信息，識別表面缺陷的邊緣輪廓，計算每種表面缺陷的面積，結(jié)合表面缺陷的形狀，評估表面缺陷大小，得到表面缺陷大小信息；

5、內(nèi)部缺陷分析模塊基于鑄件的超聲波探傷數(shù)據(jù)，識別鑄件的內(nèi)部缺陷，根據(jù)內(nèi)部缺陷的深度與鑄件的厚度數(shù)據(jù)，評估內(nèi)部缺陷深度指數(shù)，結(jié)合內(nèi)部缺陷在鑄件上所處位置，評估內(nèi)部缺陷的嚴重程度，得到內(nèi)部缺陷嚴重程度信息；

6、缺陷影響評估模塊基于所述表面缺陷類別信息、表面缺陷大小信息和內(nèi)部缺陷嚴重程度信息，評估缺陷對鑄件的整體影響程度，對鑄件進行質(zhì)量劃分，得到鑄件缺陷檢測結(jié)果。

7、本發(fā)明改進有，所述識別零件的表面缺陷的方法為：

8、基于鑄件表面圖像，提取像素級特征，包括灰度值、邊緣強度和紋理方向性，得到像素級特征信息；

9、基于所述像素級特征信息，通過公式：

10、，

11、計算像素與周圍像素的特征差異度，其中，是歸一化因子，是第維特征的權(quán)重，是指數(shù)系數(shù)，表示第個像素點的特征差異度，是第個像素點的第維特征值，是第個像素的第維特征的范圍平均值；

12、基于所述特征差異度，與預(yù)設(shè)的特征差異閾值進行對比，將超過預(yù)設(shè)的特征差異閾值的像素點標記為缺陷點，得到缺陷標記信息。

13、本發(fā)明改進有，所述表面缺陷類別信息的獲取步驟為：

14、基于所述缺陷標記信息，將缺陷區(qū)域與預(yù)設(shè)的缺陷庫進行對比，通過公式：

15、，

16、計算缺陷區(qū)域的特征與缺陷庫中特征的相似度，得到相似度得分，其中，為相似度得分，為第個特征的權(quán)重，為缺陷區(qū)域的第個特征值，為缺陷庫中的第個特征值，是敏感度系數(shù)，為特征總數(shù)，為自然對數(shù)的底數(shù)；

17、基于所述相似度得分，與預(yù)設(shè)相似度閾值進行對比，將超過預(yù)設(shè)相似度閾值的缺陷類型標記為對應(yīng)類別，得到表面缺陷類別信息。

18、本發(fā)明改進有，所述計算每種表面缺陷的面積的方法為：

19、基于所述表面缺陷類別信息，通過公式：

20、，

21、計算缺陷的邊緣強度響應(yīng)，將邊緣強度響應(yīng)與預(yù)設(shè)的邊緣閾值進行對比，將超過預(yù)設(shè)邊緣閾值的像素點標記為缺陷邊緣，得到缺陷邊緣信息，其中，是在坐標處的邊緣強度響應(yīng)，和分別是圖像在和方向上的強度梯度；

22、基于所述缺陷邊緣信息，通過公式：

23、，

24、計算缺陷面積，得到缺陷面積信息，其中，表示缺陷面積，為第個缺陷區(qū)域內(nèi)的像素點數(shù)，為同類缺陷區(qū)域總數(shù)，為圖像縮放系數(shù)，是第個缺陷區(qū)域的形狀復(fù)雜度參數(shù)。

25、本發(fā)明改進有，所述表面缺陷大小信息的獲取步驟為：

26、基于所述缺陷面積，結(jié)合表面缺陷的形狀復(fù)雜度，通過公式：

27、，

28、計算表面缺陷大小的評級，其中，是缺陷面積，是表面缺陷的平均形狀復(fù)雜度參數(shù)，和是調(diào)整參數(shù)，是表面缺陷大小的評級；

29、基于所述表面缺陷大小的評級，根據(jù)值的大小，評估表面缺陷大小，得到表面缺陷大小信息。

30、本發(fā)明改進有，所述評估內(nèi)部缺陷深度指數(shù)的方法為：

31、基于鑄件的超聲波探傷數(shù)據(jù)，提取鑄件內(nèi)部缺陷的深度數(shù)據(jù)，并獲取鑄件的厚度數(shù)據(jù)，得到深度關(guān)聯(lián)數(shù)據(jù)；

32、基于所述深度關(guān)聯(lián)數(shù)據(jù)，通過公式：

33、，

34、計算內(nèi)部缺陷的深度指數(shù)，其中，是內(nèi)部缺陷的深度，是鑄件的厚度，是衰減系數(shù)，是調(diào)整參數(shù)，是內(nèi)部缺陷深度指數(shù)。

35、本發(fā)明改進有，所述評估內(nèi)部缺陷的嚴重程度的方法為：

36、基于鑄件的超聲波探傷數(shù)據(jù)，分析內(nèi)部缺陷與鑄件關(guān)鍵位置之間的距離，得到內(nèi)部缺陷位置信息；

37、基于所述內(nèi)部缺陷的深度指數(shù)和內(nèi)部缺陷位置信息，通過公式：

38、，

39、計算內(nèi)部缺陷的嚴重程度指數(shù)，其中，是位置敏感性調(diào)節(jié)因子，是關(guān)鍵位置閾值，是內(nèi)部缺陷深度指數(shù)，是缺陷在鑄件中的位置，是位置影響系數(shù)，是內(nèi)部缺陷的嚴重程度指數(shù)，是自然對數(shù)的底數(shù)；

40、基于所述內(nèi)部缺陷的嚴重程度指數(shù)，根據(jù)值的大小，評估內(nèi)部缺陷的嚴重程度，得到內(nèi)部缺陷嚴重程度信息。

41、本發(fā)明改進有，所述鑄件缺陷檢測結(jié)果的獲取步驟為：

42、基于所述表面缺陷類別信息、表面缺陷大小信息和內(nèi)部缺陷嚴重程度信息，通過公式：

43、，

44、計算缺陷影響程度，其中，是缺陷類型影響因子，是表面缺陷大小評級，是內(nèi)部缺陷的嚴重程度指數(shù)，和是調(diào)節(jié)參數(shù)，是缺陷影響程度，是自然對數(shù)的底數(shù)；

45、基于所述缺陷影響程度，根據(jù)缺陷影響程度值的大小，對鑄件進行質(zhì)量劃分，得到鑄件缺陷檢測結(jié)果。

46、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果在于：

47、本發(fā)明中，通過整合圖像識別與超聲波探傷數(shù)據(jù)的處理，提高了鑄件缺陷識別的準確性和效率，通過分析鑄件表面圖像，將缺陷特征與預(yù)設(shè)缺陷庫的匹配，準確分類缺陷類別，并通過分析缺陷的邊緣輪廓和計算缺陷面積，評估缺陷的大小，使缺陷檢測更加細致和全面，利用超聲波探傷數(shù)據(jù)，分析鑄件內(nèi)部結(jié)構(gòu)，能夠?qū)?nèi)部缺陷的位置和嚴重程度進行準確的評估，通過全方位評估鑄件的質(zhì)量，允許制造商在生產(chǎn)過程中及時做出修復(fù)或剔除決策，提升了生產(chǎn)流程的效率和鑄件產(chǎn)品的最終質(zhì)量。