基于深度学习的注塑制品微缺陷快速智能检测方法初探

孟雨涵 MENG Yu-han；沈天成 SHEN Tian-cheng；谭立 TAN Li；薄康莹 BO Kang-ying；徐小青 XU Xiao-qing

（常州机电职业技术学院，常州 213164）

0 引言

随着国家的发展，人们的审美眼光和生活水平逐步地提高，对于日常使用的一些注塑件的要求越来越高，人们不再单单注重注塑件的使用性能，对于外观，质量也提出了更高的要求。可是在注射成型过程中，存在诸多可控不可控的因素影响，可能会导致注塑件出现飞边、熔接痕、短射、气泡等缺陷，而这些微缺陷使用常规的人工方法只能模糊地检测和识别出甚至根本识别不出。因此，对注塑件的微缺陷进行精准的检测是提高注塑件质量的一个至关重要的环节。

当前，在注塑件检测之中，主要是对注塑件的表面进行检测，检查出可能存在的表面微缺陷。而传统的检测方法，主要分为人工检测和非人工检测两种方法。但是人工方法由于技术水平不够高，影响因素过多等限制，对于这些微缺陷是很难检测和识别完全，同时人工的效率低下、检测的效果并不理想、对于很多的缺陷无法准确的检出。因此，这些缺陷的检测通常就使用非人工的检测方式。非人工检测方式中，通常是利用支持向量机[1]、通过图像处理算法来提取与识别[2]BP神经网络[3]、用卷积神经网络进行检测识别[4]、使用现有的数字信号处理技术的嵌入式塑料制品表面缺陷在线检测系统[5]等。这些非人工检测方式相较于传统的检测方式，有着自动化程度更高，非接触等种种优势，却对于专业人员特征提取和分析这些结果提出了更高的要求，尤其是当图像含有噪声等诸多影响的因素时，对于特征的分析将会变得更加困难。尽管现代的检测技术对注塑件表面缺检测识别已经达到了一定的技术水准，对于先前的一些痛点和不足已经有了相对应的处理方法，但是在注塑件表面微缺陷的检测这一领域中还有许多尚未解决处理的问题，急需革新出更有效的检测方法，来尽可能的补足技术漏洞，完善这项检测技术。

1 注塑制品设计与微缺陷产生原因

1.1 注塑制品壁厚设计策略

注塑制品的壁厚对塑件质量有很大影响，当一个塑件的壁厚设计的过于小，在成型时熔融的塑料收到的流动阻力更大，塑件就更加不好充满，尤其是那些大型的，结构复杂的，往往就会出现更多的缺陷；当壁厚设计的过于大，填充的工作就会更难完成，同时，也由于过大的壁厚，材料浪费的现象也更为严重。因此设计壁厚的最大最小尺寸则应满足以下几个要求：①设计的尺寸要满足强度和刚度的需要；②塑件在受到脱模过程中的推出力时能够保持原状；③装配时，塑件要足够承受产生的紧固力。塑料制件规定有最小壁厚值，它随塑料品种和塑件大小不同而异。相同的塑料零件的壁厚尽量相同，否则塑件会因为温度降低或固化速度不同受到材料内部的应力影响，导致塑件翘曲、缩孔、裂纹甚至开裂。而在塑件尺寸设计中，如果局部的壁厚过打，塑件的表面容易产生凹痕等问题，塑件内部会有气泡生成。从图1（a）、（b）和（c）可以看出，图1（c）的壁厚设计方法最合理。

图1 塑件壁厚设计

1.2 注塑制品加强筋设计原则

加强筋的主要作用是增加塑件强度和避免塑件变形翘曲。用增加壁厚的办法来提高塑件的强度，常常是不合理的，且易产生缩孔或凹陷，此时可采用加强筋以增加塑件强度。从图2（a）和（b）可以看出，图2（b）的加强筋设计方法最合理。

图2 塑件加强筋设计

1.3 注塑制品微缺陷产生原因

在注射成型过程中，注塑件可能会出现短射、飞边、熔接痕、气泡、裂纹等表面微缺陷。例如，短射一般会出现在较深、较细、较长、较薄的部位；短射产生原因有模具结构方面、原材料方面、注塑机方面、成型操作方面等。飞边大多发生在模具的分型位置上，如：模具的分型面、滑块的滑配部位、镶件的缝隙、顶杆的孔隙等处；飞边问题非常重要，如果不及时解决，将会进一步扩大化，从而导致模具形成局部陷塌，造成模具损伤；熔接痕的原因，主要在于型腔，比如像嵌件，孔洞等不连贯的区域，有一些中断的区域会使得熔融后的塑料以多股分流再汇合的方式进行充模，这样就形成了线状的熔接痕。气泡通常是出现在熔接痕交汇处或者制品填充末端；气泡产生原因是填充的时候无法排空空气而形成的，特别于体积较大的制品会形成较大的气泡后，在制品破碎后还会有砰砰的爆炸声。

2 注塑制品微缺陷检测方案

2.1 注塑制品微缺陷总体思路

针对上述问题，迫切需要先进的检测方法，所以我们给出一种将深度残差网络作为基础的注塑件表面微缺陷自动快速检测方法。该方法仅需要输入一张在检测注塑件表面之后形成的微缺陷图形，就可以自动地识别出微缺陷出现的地方和微缺陷类别，不仅能快速地识别，还有较高的检出率。具体方案如下：首先，利用注塑成型仿真软件（如Moldflow）和注塑成型工业产品，分别对注塑件表面短射、飞边、熔接痕、气泡、裂纹五种类型的微缺陷进行收集并产出图像，同时进行无缺陷仿真，收集真实图形；然后对注塑件表面微缺陷和无缺陷仿真和真实图形进行归一化、裁剪和降噪处理。

再对注塑件表面微缺陷和无缺陷进行仿真模拟、将真实图形分出出微缺陷和无缺陷两种，并统一进行分类，做上记号，进而组建出注塑件表面微缺陷混合数据集；再接下来，设计出将深度学习的深度残差网络做为基础的注塑件微缺陷识别框架；进而利用注塑件表面微缺陷混合数据集，对基于深度学习的深度残差网络微缺陷识别框架进行训练和验证，直至满足预设识别精度要求；从而获得深度残差网络注塑件微缺陷识别框架模型；最后我们将检测出的一幅微缺陷图形输入到我们得到的模型，得出结果，其流程图如图3所示。

图3 流程图

2.2 注塑制品微缺陷检测所用深度残差网络

设计出适用于基于深度学习的深度残差网络注塑件微缺陷识别框架，具体结构如下：输入图像为注塑件表面微缺陷或无缺陷图形，其大小为256×256；卷积运算1，其卷积核大小为7×7，特征数为64，步长为2，输出图形大小为128×128；最大池化运算，其卷积核大小为3×3、步长为2，输出图形大小为64×64；残差学习模块1，其由两个卷积核大小为3×3、特征数为64的卷积运算组成，输出图形大小为64×64；继续后接1个残差学习模块1；残差学习模块2，其由1个卷积核大小为3×3、特征数为128和1个卷积核大小为3×3、特征数为128、步长为2的卷积运算组成，输出图形大小为32×32；残差学习模块3，其由两个卷积核大小为3×3、特征数为128的卷积运算组成，输出图形大小为32×32；继续后接2个残差学习模块3；残差学习模块4，其由1个卷积核大小为3×3、特征数为256和1个卷积核大小为3×3、特征数为256、步长为2的卷积运算组成，输出图形大小为16×16；残差学习模块5，其由两个卷积核大小为3×3、特征数为256的卷积运算组成，输出图形大小为16×16；继续后接2个的残差学习模块5；残差学习模块6，其由两个卷积核大小为3×3、特征数为512的卷积运算组成，输出图形大小为8×8；继续后接1个残差学习模块6；全连接层输出大小为1×6，其流程图如图4所示。

图4 深度残差网络

2.3 深度学习评价函数

将基于深度学习的深度残差网络微缺陷识别框架进行训练和验证，选择交叉熵代价函数作为损失函数，其可以表示为

在式（1）中，p（X）是指注塑件表面微缺陷真实分布的概率，q（X）是指注塑件表面微缺陷预测出来的概率估计。

3 实验验证

利用注塑成型仿真软件（例如MoldFlow)和注塑成型工业产品，分别对注塑件的表面飞边、熔接痕、短射、气泡、裂纹五种类型的微缺陷进行图像的收集，再结合无缺陷仿真和注塑件的真实图形，构建出注塑制品表面微缺陷数据库，其部分图像如图5（a）和（b）所示。

图5 部分熔接痕图像

通过使用深度学习方法来训练注塑制品表面微缺陷数据集，获得一个基于深度学习的深度残差网络注塑件微缺陷识别框架模型，可表示为。将收集到的一幅注塑件表面微缺陷图形输入到模型中，可表示为，基本能够通过与数据集中相似数据，从而识别出微缺陷类别。

4 结论

针对注塑制品微缺陷，本文构建了注塑制品表面微缺陷数据集，设计了注塑制品表面微缺陷的深度卷积神经网络，利用深度学习方法训练数据集，建立卷积神经网络学习评价标准和机制，获得注塑制品表面微缺陷智能识别模型，实现了注塑制品微缺陷快速智能无损检测，方法不仅可行且具有良好的检测能力，可以随着检测数量的增加从而不断加深对注塑制品缺陷的检测能力。本文所研究的检测方法，检测速度依赖于计算机与卷积神经网络的计算能力，在不分类注塑制品缺陷的情况下，检测速度达到预期标准，发展出更高计算能力的计算机与卷积神经网络可能成为今后的研究方向。