Resumen

En el proceso de laminación de la chapa de aleación de magnesio, debido a unos parámetros de control inadecuados o a un equipo de producción impreciso, entre otras razones, la superficie de la chapa de aleación de magnesio es propensa a la aparición de grietas en los bordes, pliegues, inclusiones, ondulaciones, arañazos y otros defectos. Con el fin de mejorar la calidad de la superficie de la chapa de aleación de magnesio, en este artículo se propone un método de detección de defectos superficiales basado en una red neuronal convolucional deformable, que presenta una mayor precisión de detección que los métodos tradicionales de red neuronal convolucional (CNN), máquina de vectores de soporte (SVM) y Bayes. El resultado del experimento muestra que la precisión de detección final es superior al 95 %.

INTRODUCCIÓN

En el proceso de laminación de la chapa de aleación de magnesio, es fácil que aparezcan algunos defectos en la superficie de la chapa. Si los defectos no se detectan a tiempo, la calidad de la chapa se verá seriamente afectada. Por lo tanto, la detección de los defectos superficiales de la chapa de aleación de magnesio es clave en el proceso de producción de la chapa de aleación de magnesio. En la fase inicial de la detección de defectos superficiales, los métodos de detección manual se utilizan ampliamente en las empresas [1]. Con el aumento de la velocidad de producción y el endurecimiento de las normas de detección, las desventajas de la detección manual han ido apareciendo gradualmente, los ojos no pueden adaptarse a la velocidad de producción y es difícil distinguir los pequeños defectos después de mucho tiempo de trabajo. Con el desarrollo de la tecnología informática, han aparecido algunos métodos de detección de defectos basados en la visión artificial. En [2] se utiliza la tecnología de visión artificial para detectar los defectos superficiales del ferrocarril. De acuerdo con las características de la superficie del ferrocarril, se propone un nuevo algoritmo basado en la técnica de localización de defectos. La precisión final de la detección alcanza el 93 %. En [3] se propone un método de detección de defectos metálicos basado en el pulso de corrientes inducidas. En [4] se presenta un sistema inteligente de visión artificial basado en máquinas de vectores soporte para la detección de defectos superficiales en cajas de embalaje. La tasa de detección efectiva de los resultados experimentales es del 98,12 %. Los métodos basados en la visión artificial tienen una velocidad de detección más rápida y un mejor rendimiento en la precisión de la detección que los métodos de detección manual.  Sin embargo, esos métodos de detección de visión artificial se basan en la extracción artificial de características, es muy difícil aprender la representación abstracta, lo que conduce a un resultado de detección pobre. 

• Materias:Magnesio Detección de defectos Aleaciones Red neuronal
• Subjects:Magnesium Defect detection Alloys Neural network
• Palabras claves:Aleación de magnesio; Hoja; Calidad de superficie; Defectos; Red Neuronal Convolucional Deformable
• Keywords:Magnesium alloy; Sheet; Surface quality; Defects; Deformable Convolution Neural Network