一种基于PCA和CNN的高温锻件表面缺陷在位检测方法技术
An in-situ detection method for surface defects of high temperature forgings based on PCA and CNN
The invention discloses a detection method in high temperature forging surface defects based on CNN and PCA include: using 3D laser scanner according to set rules in order to obtain data set of 3D point cloud detecting finished forgings and calculate the curvature data set to obtain the product of five point cloud forging the finished forging; five dimensional point cloud data set dimensionality reduction using principal component analysis to two-dimensional PCA method, and the input has successfully trained the CNN forging surface defect detector, the CNN forging surface defect detector output judgment result. Through the training of CNN forging surface defect detector using the standard for point cloud data, and then use CNN forging surface defect detector of the successfully trained in detection at 1000 DEG C high temperature forging surface defects, such as lack of angle, protrusions or depressions of structure defects, to achieve rapid and accurate detection in high temperature forging, forging guarantee production quality.
【技术实现步骤摘要】
一种基于PCA和CNN的高温锻件表面缺陷在位检测方法
本专利技术涉及高温锻件检测领域，尤其涉及一种基于PCA和CNN的高温锻件表面缺陷在位检测方法。
技术介绍
在工业生产中，自由锻造工艺是较为普遍的生产方式，锻件的生产也是处于非常重要的位置。自由锻造的制造过程是在强震、高温、高压等极端条件下实施的，锻件在生产前需要投入大量的人力、物力，且制造工艺过程连续复杂，用材和能源消耗巨大，造价昂贵。在锻造过程中，大锻件的尺寸是锻件生产中必须及时检测的一项重要指标。目前，通过人工目测高温锻件有无缺陷，检测准确度低，造成锻件尺寸一般都比规定值多出较大的余量，平均损耗量多达15％；未能及时将锻件关键部位的特征尺寸信息反馈给上位机系统，导致未能及时改善锻件的内部质量、提高加工精度，生产效率下降。而且，自由锻造过程中模具由于在高温高压下多次地挤压从而较易受损，使用受损的模具进行自由锻造所得到的锻件将是报废件。
技术实现思路
本专利技术的目的在于提出一种基于PCA和CNN的高温锻件表面缺陷在位检测方法，利用CNN卷积神经网络实现高温锻件的在位快速智能检测，及时发现缺陷以及时改善锻件的内部质...
【技术保护点】
一种基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，包括：CNN锻件表面缺陷检测器训练过程：步骤A，距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取标准锻件三维点云数据组；步骤B，提取步骤A的所述标准锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述标准锻件三维点云数据组中每个标准锻件点云对应的两个主曲率，然后选取每个标准锻件点云的三维坐标值及其两个主曲率作为代表该标准锻件点云的五个特征，从而获得所述标准锻件的标准锻件五维点云数据组；步骤C，利用主元分析PCA方法将所述标准锻件五维点云数据组降维至二维，从而获得标准锻件二维点云数据组，...
【技术特征摘要】
1.一种基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，包括：CNN锻件表面缺陷检测器训练过程：步骤A，距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取标准锻件三维点云数据组；步骤B，提取步骤A的所述标准锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述标准锻件三维点云数据组中每个标准锻件点云对应的两个主曲率，然后选取每个标准锻件点云的三维坐标值及其两个主曲率作为代表该标准锻件点云的五个特征，从而获得所述标准锻件的标准锻件五维点云数据组；步骤C，利用主元分析PCA方法将所述标准锻件五维点云数据组降维至二维，从而获得标准锻件二维点云数据组，通过该标准锻件二维点云数据组来代表对应的所述标准锻件，并将该标准锻件二维点云数据组构成一组训练数据并标注为0；步骤D，不断循环重复步骤A至步骤C以获取多组所述训练数据，直至获取达到目标组数的训练数据为止；然后将达到目标组数的多组训练数据构成训练集P和测试集S，通过所述训练集P和测试集S对CNN锻件表面缺陷检测器进行训练，直至所述CNN锻件表面缺陷检测器训练成功为止；待检测成品锻件的检测过程：步骤E，距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取成品锻件三维点云数据组；步骤F，提取步骤E的所述成品锻件三维点云数据组，并根据椭球曲面的拟合方法计算所述成品锻件三维点云数据组中每个成品锻件点云对应的两个主曲率，然后选取每个成品锻件点云的三维坐标值及其两个主曲率作为代表该成品锻件点云的五个特征，从而获得成品锻件五维点云数据组；步骤G，利用主元分析PCA方法将所述成品锻件五维点云数据组降维至二维，从而获得成品锻件二维点云数据组，通过该成品锻件二维点云数据组来代表对应的所述待检测成品锻件，并将该成品锻件二维点云数据组构成一组实际检测数据；步骤H，将步骤G获得的所述实际检测数据输入已训练成功的所述CNN锻件表面缺陷检测器中，所述CNN锻件表面缺陷检测器根据所述实际检测数据判断所述待检测成品锻件是否存在表面缺陷并将判断结果输出。2.根据权利要求1所述的基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，还包括监控报警过程：步骤I，对流水线上的每个待检测成品锻件进行所述待检测成品锻件的检测过程，并且当所述CNN锻件表面缺陷检测器判断出连续三个待检测成品锻件存在表面缺陷时，所述CNN锻件表面缺陷检测器发出警报和提示流水线上的锻压模具发生损坏。3.根据权利要求1所述的基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，所述步骤A的标准锻件三维点云数据组获取方法包括：距离无表面缺陷的标准锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述无表面缺陷的标准锻的大量标准锻件三维点云，并从大量标准锻件三维点云中均匀采集设定要求数量的标准锻件三维点云，构成所述标准锻件三维点云数据组。4.根据权利要求1所述的基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，所述步骤E的成品锻件三维点云数据组获取方法包括：距离待检测成品锻件12米处通过蓝光三维激光扫描仪按设定顺序规则获取所述待检测成品锻件的大量成品锻件三维点云，并从大量成品锻件三维点云中均匀采集设定要求数量的多个成品锻件三维点云，构成所述成品锻件三维点云数据组。5.根据权利要求1所述的基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，标准锻件五维点云数据的定义包括：定义每个标准锻件点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，和第五特征为两个主曲率中的最小曲率r2。6.根据权利要求5所述的基于PCA和CNN的高温锻件表面缺陷在位检测方法，其特征在于，所述步骤C中利用主元分析PCA方法将所述标准锻件五维点云数据组降维至二维包括：首先，分别对所述标准锻件五维点云数据组求解每一维上的均值和方差，并对所述标准锻件五维点云数据组中每个标准锻件点云分别减去对应维数上的均值，组成行数等于标准锻件五维点云数据组中点云数量、列数等于维数的标准锻件样本矩阵Q；接着，求解所述标准锻件五维点云数据组中的标准锻件五维协方差矩阵K，即：求解所述标准锻件五维协方差矩阵K的5个特征值γ1、γ2、γ3、γ4、γ5，并由大到小排序获得其中最大值特征值δ1和次大特...
【专利技术属性】
技术研发人员：陈达权，黄运保，李海艳，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。