基于深度學習的注塑制品微缺陷快速智能檢測方法初探

孟雨涵 MENG Yu-han；沈天成 SHEN Tian-cheng；譚立 TAN Li；薄康瑩 BO Kang-ying；徐小青 XU Xiao-qing

（常州機電職業技術學院，常州 213164）

0 引言

隨著國家的發展，人們的審美眼光和生活水平逐步地提高，對于日常使用的一些注塑件的要求越來越高，人們不再單單注重注塑件的使用性能，對于外觀，質量也提出了更高的要求?？墒窃谧⑸涑尚瓦^程中，存在諸多可控不可控的因素影響，可能會導致注塑件出現飛邊、熔接痕、短射、氣泡等缺陷，而這些微缺陷使用常規的人工方法只能模糊地檢測和識別出甚至根本識別不出。因此，對注塑件的微缺陷進行精準的檢測是提高注塑件質量的一個至關重要的環節。

當前，在注塑件檢測之中，主要是對注塑件的表面進行檢測，檢查出可能存在的表面微缺陷。而傳統的檢測方法，主要分為人工檢測和非人工檢測兩種方法。但是人工方法由于技術水平不夠高，影響因素過多等限制，對于這些微缺陷是很難檢測和識別完全，同時人工的效率低下、檢測的效果并不理想、對于很多的缺陷無法準確的檢出。因此，這些缺陷的檢測通常就使用非人工的檢測方式。非人工檢測方式中，通常是利用支持向量機[1]、通過圖像處理算法來提取與識別[2]BP神經網絡[3]、用卷積神經網絡進行檢測識別[4]、使用現有的數字信號處理技術的嵌入式塑料制品表面缺陷在線檢測系統[5]等。這些非人工檢測方式相較于傳統的檢測方式，有著自動化程度更高，非接觸等種種優勢，卻對于專業人員特征提取和分析這些結果提出了更高的要求，尤其是當圖像含有噪聲等諸多影響的因素時，對于特征的分析將會變得更加困難。盡管現代的檢測技術對注塑件表面缺檢測識別已經達到了一定的技術水準，對于先前的一些痛點和不足已經有了相對應的處理方法，但是在注塑件表面微缺陷的檢測這一領域中還有許多尚未解決處理的問題，急需革新出更有效的檢測方法，來盡可能的補足技術漏洞，完善這項檢測技術。

1 注塑制品設計與微缺陷產生原因

1.1 注塑制品壁厚設計策略

注塑制品的壁厚對塑件質量有很大影響，當一個塑件的壁厚設計的過于小，在成型時熔融的塑料收到的流動阻力更大，塑件就更加不好充滿，尤其是那些大型的，結構復雜的，往往就會出現更多的缺陷；當壁厚設計的過于大，填充的工作就會更難完成，同時，也由于過大的壁厚，材料浪費的現象也更為嚴重。因此設計壁厚的最大最小尺寸則應滿足以下幾個要求：①設計的尺寸要滿足強度和剛度的需要；②塑件在受到脫模過程中的推出力時能夠保持原狀；③裝配時，塑件要足夠承受產生的緊固力。塑料制件規定有最小壁厚值，它隨塑料品種和塑件大小不同而異。相同的塑料零件的壁厚盡量相同，否則塑件會因為溫度降低或固化速度不同受到材料內部的應力影響，導致塑件翹曲、縮孔、裂紋甚至開裂。而在塑件尺寸設計中，如果局部的壁厚過打，塑件的表面容易產生凹痕等問題，塑件內部會有氣泡生成。從圖1（a）、（b）和（c）可以看出，圖1（c）的壁厚設計方法最合理。

圖1 塑件壁厚設計

1.2 注塑制品加強筋設計原則

加強筋的主要作用是增加塑件強度和避免塑件變形翹曲。用增加壁厚的辦法來提高塑件的強度，常常是不合理的，且易產生縮孔或凹陷，此時可采用加強筋以增加塑件強度。從圖2（a）和（b）可以看出，圖2（b）的加強筋設計方法最合理。

圖2 塑件加強筋設計

1.3 注塑制品微缺陷產生原因

在注射成型過程中，注塑件可能會出現短射、飛邊、熔接痕、氣泡、裂紋等表面微缺陷。例如，短射一般會出現在較深、較細、較長、較薄的部位；短射產生原因有模具結構方面、原材料方面、注塑機方面、成型操作方面等。飛邊大多發生在模具的分型位置上，如：模具的分型面、滑塊的滑配部位、鑲件的縫隙、頂桿的孔隙等處；飛邊問題非常重要，如果不及時解決，將會進一步擴大化，從而導致模具形成局部陷塌，造成模具損傷；熔接痕的原因，主要在于型腔，比如像嵌件，孔洞等不連貫的區域，有一些中斷的區域會使得熔融后的塑料以多股分流再匯合的方式進行充模，這樣就形成了線狀的熔接痕。氣泡通常是出現在熔接痕交匯處或者制品填充末端；氣泡產生原因是填充的時候無法排空空氣而形成的，特別于體積較大的制品會形成較大的氣泡后，在制品破碎后還會有砰砰的爆炸聲。

2 注塑制品微缺陷檢測方案

2.1 注塑制品微缺陷總體思路

針對上述問題，迫切需要先進的檢測方法，所以我們給出一種將深度殘差網絡作為基礎的注塑件表面微缺陷自動快速檢測方法。該方法僅需要輸入一張在檢測注塑件表面之后形成的微缺陷圖形，就可以自動地識別出微缺陷出現的地方和微缺陷類別，不僅能快速地識別，還有較高的檢出率。具體方案如下：首先，利用注塑成型仿真軟件（如Moldflow）和注塑成型工業產品，分別對注塑件表面短射、飛邊、熔接痕、氣泡、裂紋五種類型的微缺陷進行收集并產出圖像，同時進行無缺陷仿真，收集真實圖形；然后對注塑件表面微缺陷和無缺陷仿真和真實圖形進行歸一化、裁剪和降噪處理。

再對注塑件表面微缺陷和無缺陷進行仿真模擬、將真實圖形分出出微缺陷和無缺陷兩種，并統一進行分類，做上記號，進而組建出注塑件表面微缺陷混合數據集；再接下來，設計出將深度學習的深度殘差網絡做為基礎的注塑件微缺陷識別框架；進而利用注塑件表面微缺陷混合數據集，對基于深度學習的深度殘差網絡微缺陷識別框架進行訓練和驗證，直至滿足預設識別精度要求；從而獲得深度殘差網絡注塑件微缺陷識別框架模型；最后我們將檢測出的一幅微缺陷圖形輸入到我們得到的模型，得出結果，其流程圖如圖3所示。

圖3 流程圖

2.2 注塑制品微缺陷檢測所用深度殘差網絡

設計出適用于基于深度學習的深度殘差網絡注塑件微缺陷識別框架，具體結構如下：輸入圖像為注塑件表面微缺陷或無缺陷圖形，其大小為256×256；卷積運算1，其卷積核大小為7×7，特征數為64，步長為2，輸出圖形大小為128×128；最大池化運算，其卷積核大小為3×3、步長為2，輸出圖形大小為64×64；殘差學習模塊1，其由兩個卷積核大小為3×3、特征數為64的卷積運算組成，輸出圖形大小為64×64；繼續后接1個殘差學習模塊1；殘差學習模塊2，其由1個卷積核大小為3×3、特征數為128和1個卷積核大小為3×3、特征數為128、步長為2的卷積運算組成，輸出圖形大小為32×32；殘差學習模塊3，其由兩個卷積核大小為3×3、特征數為128的卷積運算組成，輸出圖形大小為32×32；繼續后接2個殘差學習模塊3；殘差學習模塊4，其由1個卷積核大小為3×3、特征數為256和1個卷積核大小為3×3、特征數為256、步長為2的卷積運算組成，輸出圖形大小為16×16；殘差學習模塊5，其由兩個卷積核大小為3×3、特征數為256的卷積運算組成，輸出圖形大小為16×16；繼續后接2個的殘差學習模塊5；殘差學習模塊6，其由兩個卷積核大小為3×3、特征數為512的卷積運算組成，輸出圖形大小為8×8；繼續后接1個殘差學習模塊6；全連接層輸出大小為1×6，其流程圖如圖4所示。

圖4 深度殘差網絡

2.3 深度學習評價函數

將基于深度學習的深度殘差網絡微缺陷識別框架進行訓練和驗證，選擇交叉熵代價函數作為損失函數，其可以表示為

在式（1）中，p（X）是指注塑件表面微缺陷真實分布的概率，q（X）是指注塑件表面微缺陷預測出來的概率估計。

3 實驗驗證

利用注塑成型仿真軟件（例如MoldFlow)和注塑成型工業產品，分別對注塑件的表面飛邊、熔接痕、短射、氣泡、裂紋五種類型的微缺陷進行圖像的收集，再結合無缺陷仿真和注塑件的真實圖形，構建出注塑制品表面微缺陷數據庫，其部分圖像如圖5（a）和（b）所示。

圖5 部分熔接痕圖像

通過使用深度學習方法來訓練注塑制品表面微缺陷數據集，獲得一個基于深度學習的深度殘差網絡注塑件微缺陷識別框架模型，可表示為。將收集到的一幅注塑件表面微缺陷圖形輸入到模型中，可表示為，基本能夠通過與數據集中相似數據，從而識別出微缺陷類別。

4 結論

針對注塑制品微缺陷，本文構建了注塑制品表面微缺陷數據集，設計了注塑制品表面微缺陷的深度卷積神經網絡，利用深度學習方法訓練數據集，建立卷積神經網絡學習評價標準和機制，獲得注塑制品表面微缺陷智能識別模型，實現了注塑制品微缺陷快速智能無損檢測，方法不僅可行且具有良好的檢測能力，可以隨著檢測數量的增加從而不斷加深對注塑制品缺陷的檢測能力。本文所研究的檢測方法，檢測速度依賴于計算機與卷積神經網絡的計算能力，在不分類注塑制品缺陷的情況下，檢測速度達到預期標準，發展出更高計算能力的計算機與卷積神經網絡可能成為今后的研究方向。