کنترل کیفیت سطح ورق فولادی یکی از مراحل مهم در خطوط نورد و فرآوری است. سرعت بالای حرکت ورق، طول زیاد نوار فولادی و تنوع عیوب باعث میشود بازرسی دستی بهتنهایی برای بررسی تمام سطح محصول کافی نباشد.
در خطوط مدرن فولاد، سیستمهای بینایی ماشین با استفاده از دوربین و الگوریتمهای پردازش تصویر، سطح ورق را بهصورت پیوسته بررسی میکنند و میتوانند اطلاعاتی مانند نوع، محل، اندازه و شدت عیب را ثبت کنند. سیستمهای صنعتی بازرسی سطح نیز برای خطوط نورد گرم و سرد، اسیدشویی، آنیل، گالوانیزه و سایر خطوط فرآوری استفاده میشوند.
بینایی ماشین چیست؟
بینایی ماشین یا Machine Vision به مجموعه فناوریهایی گفته میشود که به یک سیستم صنعتی اجازه میدهد اطلاعات تصویری را دریافت و تحلیل کند.
در بازرسی ورق فولادی، این سیستم معمولاً از چند بخش تشکیل میشود:
- دوربین صنعتی با وضوح بالا
- لنز و تجهیزات اپتیکی
- سیستم نورپردازی
- رایانه یا واحد پردازش
- نرمافزار پردازش تصویر
- الگوریتمهای یادگیری ماشین یا هوش مصنوعی
- سیستم ثبت و ذخیره اطلاعات
- رابط کاربری برای نمایش نتایج به اپراتور
هدف این سیستم فقط گرفتن عکس نیست؛ بلکه باید از تصویر به دست آمده، اطلاعات قابل استفاده برای کنترل کیفیت استخراج کند.
چرا تشخیص عیوب سطح ورق دشوار است؟
سطح ورق فولادی همیشه یک تصویر کاملاً یکنواخت ایجاد نمیکند. بافت سطح، انعکاس نور، تغییر سرعت حرکت ورق و تفاوت شرایط تولید میتوانند تشخیص عیب را دشوار کنند.
از طرف دیگر، عیوب سطحی بسیار متنوع هستند و بعضی از آنها ممکن است بسیار ظریف باشند. در سیستمهای بازرسی صنعتی، مواردی مانند ناخالصیها، آسیبهای مکانیکی، پوسته، آثار غلتک، فرورفتگی و عیوب پوشش از جمله عیوب قابل شناسایی هستند.
به همین دلیل، طراحی صحیح نورپردازی و انتخاب دوربین مناسب به اندازه الگوریتم نرمافزاری اهمیت دارد.
مرحله اول؛ تصویربرداری از سطح ورق
اولین مرحله، دریافت تصویر از سطح ورق است.
دوربینها معمولاً در نقطهای از خط تولید نصب میشوند که امکان مشاهده مداوم سطح ورق وجود داشته باشد. سیستم باید بتواند با وجود سرعت بالای حرکت نوار فولادی، تصاویر واضح و پیوستهای ثبت کند.
در سامانههای صنعتی بازرسی سطح، از دوربینهای با وضوح بالا، تجهیزات اپتیکی و نورپردازی کنترلشده برای ایجاد تصاویر مناسب استفاده میشود. برخی سامانههای جدید نیز از روشهای تصویربرداری پیشرفتهتر مانند بینایی نزدیک به مادون قرمز استفاده میکنند.
نورپردازی چه نقشی در تشخیص عیب دارد؟
یک عیب ممکن است در نور معمولی بهسختی دیده شود، اما با تغییر زاویه یا نوع نور، تفاوت آن با سطح سالم بیشتر شود.
برای مثال، خراش، فرورفتگی یا برآمدگی میتواند با ایجاد تغییر در نحوه بازتاب نور مشخص شود.
به همین دلیل، سیستمهای بینایی ماشین از نورپردازی مهندسیشده استفاده میکنند تا ویژگیهای سطح بهتر دیده شوند.
در واقع، دوربین و نورپردازی باید بهصورت یک مجموعه طراحی شوند؛ دوربین باکیفیت بدون نور مناسب لزوماً نتیجه مطلوبی ایجاد نمیکند.
مرحله دوم؛ پردازش تصویر
پس از ثبت تصویر، نرمافزار داده تصویری را پردازش میکند.
در این مرحله ممکن است اقداماتی مانند:
- حذف نویز
- اصلاح روشنایی
- افزایش کنتراست
- اصلاح اعوجاج تصویر
- جداسازی سطح ورق از پسزمینه
- شناسایی نقاط غیرعادی
- استخراج ویژگیهای تصویری
انجام شود.
هدف این است که سیستم بتواند تفاوت میان بافت طبیعی سطح ورق و یک ناحیه غیرعادی را بهتر تشخیص دهد.
مرحله سوم؛ تشخیص عیب با هوش مصنوعی
در سیستمهای پیشرفتهتر، از یادگیری ماشین و شبکههای عصبی برای شناسایی عیوب استفاده میشود.
برای آموزش مدل، تصاویر ورقهای سالم و معیوب به سیستم داده میشوند. تصاویر معیوب نیز میتوانند بر اساس نوع عیب برچسبگذاری شوند.
مدل با بررسی نمونههای مختلف یاد میگیرد که الگوهای مربوط به عیوب را از ویژگیهای طبیعی سطح تشخیص دهد.
برای نمونه، سیستم میتواند آموزش ببیند که الگوهای خاصی با:
- ترک
- خراش
- پوسته
- لکه
- فرورفتگی
- آثار غلتک
- عیوب پوشش
ارتباط دارند.
در یک نمونه صنعتی مربوط به تشخیص ترک عرضی نوار، مدل یادگیری ماشین با استفاده از ویدئوهای تاریخی ورقهای دارای ترک و بدون ترک آموزش داده شده و سپس تصاویر ورق در زمان تولید بهصورت لحظهای تحلیل میشوند.
سیستم چگونه عیب را از سطح سالم تشخیص میدهد؟
الگوریتم به دنبال الگوهای غیرعادی در تصویر میگردد.
فرض کنید سطح یک ورق سالم دارای بافتی نسبتاً یکنواخت باشد. اگر در یک قسمت، یک خط، لکه، تغییر رنگ، فرورفتگی یا الگوی غیرمعمول ایجاد شود، سیستم میتواند آن ناحیه را بهعنوان یک مورد مشکوک علامتگذاری کند.
در سیستمهای مبتنی بر یادگیری ماشین، مدل علاوه بر شکل ظاهری میتواند ویژگیهای مختلف تصویر را بررسی کند و احتمال تعلق یک ناحیه به هر نوع عیب را محاسبه کند.
به همین دلیل، خروجی سیستم ممکن است همراه با سطح اطمینان تشخیص ارائه شود. در برخی سامانههای صنعتی تشخیص ترک، این مقدار همراه با تصویر علامتگذاریشده در اختیار اپراتور قرار میگیرد.
مرحله چهارم؛ طبقهبندی عیوب
بعد از تشخیص یک ناحیه غیرعادی، سیستم میتواند آن را طبقهبندی کند.
برای مثال، یک تصویر ممکن است به شکل زیر دستهبندی شود:
سطح سالم → خراش → ترک → پوسته → فرورفتگی → عیب پوشش
طبقهبندی اهمیت زیادی دارد؛ زیرا همه عیوب تأثیر یکسانی بر قابلیت استفاده از ورق ندارند.
یک خراش سطحی ممکن است نیاز به اقدام متفاوتی نسبت به یک ترک جدی داشته باشد.
سیستمهای بازرسی سطح صنعتی میتوانند علاوه بر نوع عیب، اندازه، موقعیت و شدت آن را نیز ثبت کنند.
مرحله پنجم؛ مشخص کردن محل عیب روی ورق
یکی از مزایای مهم بینایی ماشین، فقط تشخیص عیب نیست؛ بلکه ثبت محل دقیق آن است.
فرض کنید یک کویل فولادی چند هزار متر طول داشته باشد و چندین عیب در نقاط مختلف آن ایجاد شده باشد. سیستم میتواند موقعیت هر عیب را نسبت به طول یا عرض نوار ثبت کند.
در نتیجه، یک گزارش دیجیتال از وضعیت کویل ایجاد میشود که میتواند شامل:
- نوع عیب
- موقعیت عیب
- اندازه عیب
- شدت عیب
- تصویر عیب
- زمان شناسایی
باشد.
در سیستمهای بازرسی سطح صنعتی، دادههای عیوب میتوانند در قالب گزارش کویل ذخیره شوند و برای بررسی کیفیت و بهبود فرآیند مورد استفاده قرار گیرند.
واکنش خط تولید به عیب چگونه انجام میشود؟
یکی از مهمترین مزایای تشخیص لحظهای این است که اطلاعات میتواند همان زمان تولید در اختیار اپراتور قرار گیرد.
اگر یک عیب مهم شناسایی شود، سیستم میتواند:
- هشدار تصویری ایجاد کند.
- هشدار صوتی ارسال کند.
- موقعیت عیب را ثبت کند.
- محصول را برای بررسی بیشتر علامتگذاری کند.
- اطلاعات را به سیستم مدیریت کیفیت ارسال کند.
- در برخی خطوط، فرآیند را برای جلوگیری از ادامه تولید محصول معیوب تحت تأثیر قرار دهد.
برای نمونه، سامانه تشخیص ترک عرضی Primetals میتواند ترکهای شناساییشده را با علامتگذاری تصویری و سطح اطمینان نمایش دهد و اطلاعات تشخیص را به پایگاه داده یا سیستمهای مدیریت کیفیت منتقل کند.
بینایی ماشین چه عیوبی را در ورق شناسایی میکند؟
نوع عیوب قابل تشخیص به تجهیزات، خط تولید و مدل هوش مصنوعی بستگی دارد، اما برخی نمونههای رایج عبارتاند از:
- ترکهای سطحی
- خراش
- فرورفتگی
- آثار غلتک
- پوستههای سطحی
- لکهها
- ناخالصیها
- عیوب لبه
- عیوب پوشش
- آثار ناشی از فرآیند اسیدشویی
برای مثال، یک سامانه صنعتی تشخیص عیوب اسیدشویی میتواند با استفاده از مدلهای یادگیری ماشین، عیوب ناشی از بیشازحد اسیدشویی شدن سطح نوار فولادی را بهصورت لحظهای شناسایی و شدت آن را نیز ارزیابی کند.
آیا بینایی ماشین جایگزین بازرسی انسانی میشود؟
در بسیاری از خطوط تولید، هدف اصلی کاهش وابستگی به بازرسی دستی و افزایش توانایی اپراتور است، نه اینکه انسان کاملاً از فرآیند حذف شود.
بازرسی انسانی ممکن است تحت تأثیر خستگی، شرایط محیطی و تفاوت قضاوت افراد قرار گیرد. در مقابل، سیستم خودکار میتواند سطح ورق را بهصورت پیوسته و با یک روش ثابت بررسی کند.
از طرف دیگر، مدل هوش مصنوعی نیز ممکن است با شرایطی مواجه شود که در دادههای آموزشی آن وجود نداشته است. بنابراین نظارت اپراتور و کنترل کیفیت نهایی همچنان اهمیت دارد.
آیا بینایی ماشین میتواند عیوب داخلی ورق را تشخیص دهد؟
نکته مهم این است که بینایی ماشین معمولی عمدتاً برای عیوب قابل مشاهده روی سطح مناسب است.
اگر یک عیب کاملاً در داخل ورق قرار داشته باشد و هیچ نشانه قابل مشاهدهای روی سطح ایجاد نکند، دوربین معمولی نمیتواند آن را مستقیماً مشاهده کند.
برای بررسی عیوب داخلی یا زیرسطحی، بسته به نوع محصول و استاندارد، ممکن است از روشهای دیگری مانند:
- آزمون اولتراسونیک
- رادیوگرافی
- آزمونهای الکترومغناطیسی
- سایر روشهای آزمون غیرمخرب
استفاده شود.
بنابراین بینایی ماشین را بهتر است یکی از ابزارهای کنترل کیفیت دانست، نه جایگزین تمام روشهای بازرسی.
مزایای استفاده از بینایی ماشین در تولید ورق
استفاده از سیستمهای خودکار تشخیص عیب میتواند مزایای مختلفی داشته باشد:
- تشخیص سریع عیوب
- بررسی پیوسته سطح ورق
- کاهش خطای انسانی
- ثبت تصویر و سابقه عیب
- کاهش ضایعات
- کاهش دوبارهکاری
- افزایش سرعت کنترل کیفیت
- شناسایی زودهنگام مشکلات فرآیند
- ایجاد اطلاعات قابل استفاده برای تحلیل تولید
سیستمهای صنعتی بازرسی سطح میتوانند با تشخیص زودهنگام عیب، به کاهش ضایعات و دوبارهکاری کمک کنند و اطلاعات ثبتشده را برای بهبود فرآیندهای بعدی مورد استفاده قرار دهند.
محدودیتهای بینایی ماشین چیست؟
با وجود مزایای زیاد، این فناوری محدودیتهایی نیز دارد.
کیفیت تصویر: اگر دوربین یا نورپردازی مناسب نباشد، تشخیص عیب دشوار میشود.
تنوع عیوب: یک مدل ممکن است برای شناسایی عیوب خاص آموزش دیده باشد و در برابر عیوب جدید عملکرد ضعیفتری داشته باشد.
سرعت خط: سیستم باید بتواند تصاویر را با سرعت حرکت واقعی ورق پردازش کند.
شرایط محیطی: گرما، گردوغبار، لرزش و انعکاس شدید سطح میتوانند روی تصویربرداری تأثیر بگذارند.
داده آموزشی: هرچه دادههای آموزشی متنوعتر و باکیفیتتر باشند، امکان عملکرد بهتر مدل افزایش مییابد.
به همین دلیل، طراحی چنین سیستمی فقط به خرید دوربین و نصب یک نرمافزار هوش مصنوعی محدود نمیشود.
آینده تشخیص عیوب ورق با هوش مصنوعی
روند توسعه این فناوری به سمت بازرسی کاملاً آنلاین، تحلیل لحظهای و اتصال سیستم بینایی ماشین به سایر سامانههای کارخانه حرکت میکند.
در نمونههای جدید، اطلاعات تشخیص عیب میتواند به سیستمهای مدیریت تولید و کیفیت منتقل شود و در کنار اطلاعات مربوط به کویل، فرآیند تولید و برنامه خط قرار گیرد. برای مثال، راهکارهای جدید Primetals برای شناسایی کویل و پایش عیوب اسیدشویی از دوربین و هوش مصنوعی استفاده کرده و نتایج را با سیستمهای مدیریت کارخانه مرتبط میکنند.
در نتیجه، در آینده سیستم فقط نخواهد گفت «این قسمت معیوب است»؛ بلکه میتواند به تحلیل این موضوع کمک کند که عیب کجا، چه زمانی و احتمالاً در کدام مرحله از فرآیند تولید ایجاد شده است.
در مجموع، بینایی ماشین با ترکیب دوربینهای صنعتی، نورپردازی، پردازش تصویر و هوش مصنوعی، امکان بررسی سریع و پیوسته سطح ورق فولادی را فراهم میکند. این فناوری میتواند عیوبی مانند ترک، خراش، پوسته، فرورفتگی، آثار غلتک و عیوب پوشش را شناسایی، طبقهبندی و ثبت کند و اطلاعات آن را در اختیار سیستم کنترل کیفیت قرار دهد. با این حال، برای ارزیابی کامل کیفیت ورق، بینایی ماشین باید در کنار سایر روشهای کنترل و آزمونهای غیرمخرب استفاده شود؛ زیرا همه عیوب فولاد از روی سطح قابل مشاهده نیستند.
برای مشاهده جدیدترین اخبار و مقالات بازار ورق سیاه، به وبسایت رسمی آهن برکت سر بزنید.
