0 引 言

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(jīng)歷合模、壓射、開模、冷卻過程中劇烈的熱交換，故壓鑄模在生產(chǎn)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(chǎn)活動產(chǎn)生影響，不僅會導致零件生產(chǎn)質(zhì)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。

對于民眾而言，更關(guān)心的可能是社保費用的提高。按照稅收征管體制改革的要求，未來將由稅務部門負責社保的征收，社保直接與收入掛鉤，費用將會大大增加，屆時拿到手中的收入，或?qū)⒋蠓鶞p少。

近年來，隨著計算機軟硬件技術(shù)的發(fā)展，機器視覺檢測技術(shù)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?qū)崿F(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(chǎn)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(nèi)壁上產(chǎn)生凹坑或剝落，這種現(xiàn)象產(chǎn)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(chǎn)生應力，使夾雜物和粗大液析碳化物變形不協(xié)調(diào)，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(chǎn)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(chǎn)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(zhì)量，生產(chǎn)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

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(jīng)受急冷、急熱所造成的熱應力，導致在型腔表面或內(nèi)部熱應力集中處逐漸產(chǎn)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。

我很小很小的時候，在澡盆里洗澡，洗完了，澡盆被端走，地上有一個圓圓的水印，我就指著水印說：“太陽！太陽！”據(jù)說我當時這樣說的時候，是十分激動的。夏天，我赤著腳在地上走，腳上有水，地上就有腳印，我又指著腳印說：“小船！小船！”看來我小時候是有些想象力的，而我現(xiàn)在想象力要比那時糟得多。

1.5 熱疲勞裂紋

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。

1.6 粘模缺陷

粘模缺陷本質(zhì)是壓鑄合金和模具零件結(jié)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(chǎn)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

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(jié)構(gòu)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(jié)果上存在大量的噪聲，影響檢測結(jié)果。由于FCN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

。

模具零件表面缺陷檢測屬于機器視覺技術(shù)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(shù)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(shù)。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(shè)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(jié)果輸出以及顯示等操作過程，具體組成結(jié)構(gòu)如圖7所示。

（2）監(jiān)測系統(tǒng)。模具在生產(chǎn)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

利用機器視覺技術(shù)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(chǎn)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(jié)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(jié)果，在矩形方框中靠近4個角的4條曲線為潛在模板特征。

多么完美無差的對話，可蒲琳心里卻像塞了棉花，那種虛脹讓她難受。張盈盈指引給她的生活標準就是只要條件允許，只要她愿意，什么都可以做。

（1）采用FCN算法對圖像的分割處理。FCN算法即全卷積神經(jīng)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(jīng)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(zhuǎn)換為卷積層

。其中，卷積層、池化層、反卷積層以及跳躍結(jié)構(gòu)為FCN核心功能模塊。全卷積神經(jīng)網(wǎng)絡架構(gòu)如圖9所示。

（3）壓鑄模缺陷檢測系統(tǒng)。為了防止在壓鑄生產(chǎn)過程中由于模具零件缺陷導致工作人員受傷及影響生產(chǎn)效率與產(chǎn)品質(zhì)量的問題，V Y BAZHIN等

提出了基于卷積神經(jīng)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(chǎn)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(chǎn)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(lǐng)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（graphics processing unit，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(lǐng)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(jīng)典的算法，如：采用全卷積網(wǎng)絡（fully convolutional networks，F(xiàn)CN）

算法對圖像的分割處理，采用 Yolo

算法實現(xiàn)目標檢測，采用卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）

算法對缺陷進行分類。

停車場還能干什么？王樹林反問一句，不是明擺的嘛，你想干嗎就干嗎唄。你說你在停車場一般都干些什么——哈哈，我討厭？不是你提問的嗎，我？我想一下，對了，等人？接人？是一回事。睡覺？就睡覺，停車場怎么不能睡覺？哦，我知道了，原來你心術(shù)不正啊，拿話逗我，約會，一定是約會！幽會更貼切。你是不是想我了，想著法子暗示我？呵呵，別難為情，直說。還不是？那你說是什么，難道停車場還能做什么更適合做的事情嗎——呸喲，搞半天你也不知道，你撩我啊，老人家經(jīng)不起折騰——

孕期UI的發(fā)生受多種因素的影響，但是如果能盡早篩查出危險因素從而加強對高危人群的管理，發(fā)展有針對性的護理計劃，把有效預防和治療建議當成臨床實踐中的常規(guī)，那么將有利于降低UI的發(fā)生率，從而提高女性的生活質(zhì)量，促進我國UI防治水平的發(fā)展。

機器視覺檢測技術(shù)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。

其次，結(jié)合社會需求和專業(yè)發(fā)展趨勢對人才培養(yǎng)方案進行不斷調(diào)整和改進。隨著時代的不斷發(fā)展，建筑工程管理行業(yè)對人才的需求必然會不斷發(fā)生改變，再這樣的情況下，各高校必須對自身的人才培養(yǎng)方案進行持續(xù)改進，才能更好的是一個社會發(fā)展。具體實施中，要將專業(yè)教育和建筑行業(yè)資格認證掛鉤，同時引入教育部門和專業(yè)協(xié)會雙重認證機制，促進建筑工程管理專業(yè)的改革創(chuàng)新。

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(jié)構(gòu)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(jié)果。

（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(jīng)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(gòu)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(jīng)網(wǎng)絡是以人類神經(jīng)元工作模式為理念所設(shè)計的一種網(wǎng)絡結(jié)構(gòu)，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(jié)果

。卷積神經(jīng)網(wǎng)絡的架構(gòu)如圖11所示。

CNN具有卷積核參數(shù)共享的特點，可以對高維數(shù)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。

陸機此役之敗，戰(zhàn)場何處，諸家史籍頗有記載。親兄參與戰(zhàn)事、幾乎直擊現(xiàn)場[注] 參見《晉書》卷八十二《王隱傳附兄王瑚傳》，第2143頁。的同時代人王隱，在其《晉書》中即作如下書寫：

4 結(jié)束語

壓鑄模在生產(chǎn)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(jié)，介紹了機器視覺技術(shù)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(shù)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。

[1]毛杰杰.基于CAE分析的壓鑄模具表面激光強化技術(shù)研究[D].杭州:浙江大學,2019:4-5.

[2]樊愛民,黃國欽.鋁合金壓鑄模失效分析[J].機械工程材料,1993,17(5):54-56.

[3]王卓明.壓鑄模具型芯失效研究[J].鑄造技術(shù),2019,40(6):593-596.

[4]游志濤.壓鑄模具GH2135堆焊覆層的制備及其高溫性能研究[D].武漢:武漢理工大學,2018:3-4.

[5]田光輝.影響壓鑄模使用壽命的因素分析[J].模具工業(yè),2015,41(5):54-58.

[6]陸佳暉,閔永安,岳加佳,等.大型鋁合金壓鑄模的性能均勻性與開裂機理[J].材料熱處理學報,2019,40(3):62-69.

[7]林 旺.淺談鋁合金壓鑄粘模問題分析及處理方法[C].2019重慶市鑄造年會,2019:367-369.

[8]原 彬,李寶健,吳偉杰.淺談壓鑄模具中的幾種失效模式及成因[J].河北農(nóng)機,2013,20(3):53-54.

[9]李鋒輝,杜開輝,郭俊鑫,等.H13壓鑄模早期開裂失效分析[J].模具工業(yè),2019,45(7):63-66,73.

[10]劉志文,魏鶴琳,陸晨風,等.機器視覺技術(shù)在注塑成型加工中的研究進展[J].塑料工業(yè),2021,49(10):5-8,71.

[11]阮春燕,毛國紅.計算機視覺在精密模具破損檢測系統(tǒng)的應用[J].計算機仿真,2013,30(8):237-240.

[12]謝 俐,楊 樂,何 勇.機器視覺在精密模具破損檢測系統(tǒng)中的應用[J].制造業(yè)自動化,2013,35(11):70-72,76.

[13]彭 娟.基于機器視覺的模具檢測系統(tǒng)技術(shù)研究[D].鎮(zhèn)江:江蘇科技大學,2013:40-45.

[14]BAZHIN V Y,DANILOV I V,PETROV P A,et al.Development of automated system based on neural network algorithm for detecting defects on molds installed on casting machines[C].InternationalConference on Information Technologies in Business and Industry,2018:1-4.

[15]楊傳禮,張修慶.基于機器視覺和深度學習的材料缺陷檢測應用綜述[J].材料導報,2022,36(16):1-19.

[16]SHELHAMER E,LONG J,DARRELL T.Fully convolutional networks for semantic segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(4):640-651.

[17]REDMON J,DIVVALA S,GIRSHICK R,et al.You only look once:unified,real-time object detection[C].2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2016:779-788.

[18]LECUN Y,BOSER B,DENKER J S,et al.Backpropagation applied to handwritten zip code recognition[J].Neural Computation,1989,1(4):541-551.

[19]韓 慧.基于深度學習的工業(yè)缺陷檢測方法研究[D].重慶:重慶郵電大學,2019:19-22.

[20]劉雨軒.基于深度學習的工件表面缺陷檢測方法研究[D].天津:天津工業(yè)大學,2020:9-11.

[21]陳沛豪,韓宇光,鐘皓俊,等.基于YOLOV3模型的物體識別系統(tǒng)研究[J].電子測試,2021,28(21):66-67.

[22]滕博文.基于深度學習的衛(wèi)浴陶瓷缺陷檢測[D].北京:機械科學研究總院,2021:7-11.