Modułowy system wieloaspektowej optycznej kontroli jakości elementów polimerowych

pol Article in Polish DOI: 10.14313/PAR_254/97

send Paweł Rotter *, Maciej Klemiato *, Dawid Knapik *, Maciej Rosół *, Grzegorz Putynkowski ** * AGH Akademia Górniczo-Hutnicza, Katedra Automatyki i Robotyki, al. Mickiewicza 30, 30-059 Kraków ** Centrum Badań i Rozwoju Technologii dla Przemysłu S.A., ul. L. Waryńskiego 3A, 00-645 Warszawa

Download Article

Streszczenie

W artykule przedstawiono system kontroli jakości elementów polimerowych wykonywanych metodą wtrysku wysokociśnieniowego, obejmujący zarówno kontrolę wizualnych wad powierzchni, tzw. wtrąceń, jak precyzyjną kontrolę geometrii. System ma budowę modułową, co oznacza, że składa się z połączonych szeregowo stanowisk kontrolujących poszczególne aspekty wykonania wtrysku. W systemie wykorzystane są dwie kamery, umieszczone w oświetlaczach kopułowych oraz układ czterech profilometrów laserowych. System został zaprojektowany z myślą o zastosowaniach przemysłowych, gdzie dokładność i szybkość inspekcji są kluczowe. System ma parametry pozwalające na zastosowanie go w typowych małoseryjnych liniach produkcyjnych cechujących się istotną dynamiką przezbrojeń, bez potrzeby ograniczania wydajności produkcji, kontrolując detale ze znacznie większą dokładnością względem metod stosowanych przed wdrożeniem. System może skontrolować 30 wtrysków na minutę (multiplikowanych przy krotności form), wykrywając wtrącenia o średnicy 350 μm oraz różnice geometrii między wzorcem a wtryskiem wielkości 100 μm. Może on znaleźć zastosowanie we wszystkich branżach, w których plastikowe części formowane wtryskowo są powszechnie używane, takich jak np. przemysł motoryzacyjny czy elektroniczny oraz AGD. Prototyp prezentowanego systemu został nagrodzony złotym medalem na targach Automaticon w Warszawie.

Słowa kluczowe

detekcja wtrąceń, optyczna kontrola jakości, profilometr laserowy, skanowanie 3D, wtryski polimerowe

The Modular Multi-aspect Optical Inspection System for the Quality Control of Polymer Elements

Abstract

The article presents a quality control system for polymer components produced by injection molding, covering both the control of visual surface defects, known as inclusions, and precise geometry control. The system is modular, i.e., it is composed of a series of stations that control different aspects of the element. The system includes two cameras placed in dome illuminators and an array of four laser profilometers. It is designed for industrial application, where accuracy and inspection speed are critical, and its parameters allow it to be used in typical production lines without limiting production speed. The produced elements are controlled with much greater precision than before its implementation. The system can inspect 30 elements per minute, detecting inclusions of 350 μm in diameter and geometric differences between the pattern and the injection of up to 100 μm. It can be applied in all industries where injection-molded plastic parts are commonly used, such as the automotive, electronics industries, and home appliances. The prototype of the presented system was awarded a gold medal at the Automaticon fair in Warsaw.

Keywords

3D scanning, inclusion detection, injection molded parts, laser profilometer, optical quality control

Bibliography

  1. Li B., Wang J., Gao Z., Gao N., Light Source Layout Optimization Strategy Based on Improved Artificial Bee Colony Algorithm, “Mathematical Problems in Engineering”, 2021, DOI: 10.1155/2021/8099757.
  2. Liu L., Wang H., Yu B., Xu Y., Shen J., Improved algorithm of light scattering by a coated sphere, “China Particuology”, Vol. 5, No. 3, 2007, 230–236, DOI: 10.1016/j.cpart.2007.03.003.
  3. Kokka A., Pulli T., Ferrero A., Dekker P., Thorseth A., Kliment P., Klej A., Gerloff T., Ludwig K., Poikonen T., Validation of the fisheye camera method for spatial non-uniformity corrections in luminous flux measurements with integrating spheres, “Metrologia”, Vol. 56, No. 4, 2019, DOI: 10.1088/1681-7575/ab17fe.
  4. Kokka A., Pulli T., Poikonen T., Askola J., Ikonen E., Fisheye camera method for spatial non-uniformity corrections in luminous flux measurements with integrating spheres, “Metrologia”, Vol. 54, No. 4, 2017, 577–583, DOI: 10.1088/1681-7575/aa7cb7.
  5. Iandola F.N., Moskewicz M.W., Ashraf K., Han S., Dally W.J., Keutzer K., SqueezeNet: AlexNet-level accuracy with 50× fewer parameters and < 1MB model size, presented at the ICLR, 2017.
  6. Krizhevsky A., Sutskever I., Hinton G.E., ImageNet classification with deep convolutional neural networks, presented at the 25th International Conference on Neural Information Processing Systems, 2012.
  7. Luo Q., Fang X., Su J., Zhou J., Zhou B., et al., Automated Visual Defect Classification for Flat Steel Surface: A Survey, “IEEE Transactions on Instrumentation and Measurement”, Vol. 69, No. 12, 2020, 9329–9349, DOI: 10.1109/TIM.2020.3030167.
  8. Xie X., A Review of Recent Advances in Surface Defect Detection using Texture analysis Techniques, “ELCVIA Electronic Letters on Computer Vision and Image Analysis”, Vol. 7, No. 3, 2008, DOI: 10.5565/rev/elcvia.268.
  9. 9a Y., Li Q., Zhou Y., He F., Xi S., A surface defects inspection method based on multidirectional gray-level fluctuation, “International Journal of Advanced Robotic Systems”, Vol. 14, No. 3, 2017, DOI: 10.1177/1729881417703114.
  10. Weyrich M., Wang Y., A Real-time and Vision-based Methodology for Processing 3D Objects on a Conveyor Belt Model Driven Development of Service Oriented Plant Controls View project Autonomous Systems View project, “International Journal of Systems Applications, Engineering & Development”, Vol. 5, No. 4, 2011, 561–569.
  11. Zhiznyakov A.L., Privezentsev D.G., Zakharov A.A., Using fractal features of digital images for the detection of surface defects, “Pattern Recognition and Image Analysis”, Vol. 25, 2015, 122–131, DOI: 10.1134/S105466181501023X.
  12. Ren Z., Fang F., Yan N., Wu Y., State of the Art in Defect Detection Based on Machine Vision, “International Journal of Precision Engineering and Manufacturing-Green Technology”, Vol. 9, 2021, 661–691, DOI: 10.1007/s40684-021-00343-6.
  13. Bhatt P.M., Malhan R.K., Rajendran P., Shah B.C., Thakar S., Yoon Y.J., Gupta S.K., Image-Based Surface Defect Detection Using Deep Learning: A Review, “Journal of Computing and Information Science in Engineering”, Vol. 21, No. 4, 2021, DOI: 10.1115/1.4049535.
  14. Ke K.-C. Huang M.-S., Quality prediction for injection molding by using a multilayer perceptron neural network, “Polymers”, Vol. 12, No. 8, 2020, DOI: 10.3390/polym12081812.
  15. Cha Y.-J., Choi W., Suh G., Mahmoudkhani S., Büyüköztürk O., Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types, “Computer-Aided Civil and Infrastructure Engineering”, Vol. 33, No. 9, 2018, 731–747, DOI: 10.1111/mice.12334.
  16. Chen Y., Ding Y., Zhao F., Zhang E., Wu Z., Shao L., Surface defect detection methods for industrial products: A review, “Applied Sciences”, Vol. 11, No. 16, 2021, DOI: 10.3390/app11167657.
  17. Rotter P., Klemiato M., Rosół M., Knapik D., Putynkowski G., et al., Sposób kalibracji zestawu profilometrów laserowych, Zgłoszenie patentowe P.443116, 2023.
  18. Chen Y., Object modelling by registration of multiple range images, [In:] IEEE International Conference on Robotics and Automation, 1991, 2724–2729, DOI: 10.1109/ROBOT.1991.132043.