摘 要
鑄造原砂的粒形和粒度分布是原砂生產(chǎn)和使用過程中的重要衡量指標(biāo)。針對(duì)篩分法存在的測(cè)量效率和測(cè)量誤差問題，本文提出一種基于人工智能（Artificial Intelligence: AI）圖像分析的鑄造原砂粒度粒形測(cè)試方法，即采用工業(yè)相機(jī)采集原砂圖像，通過AI圖像處理技術(shù)對(duì)圖像進(jìn)行實(shí)例分割，然后對(duì)圖像進(jìn)行特征提取，統(tǒng)計(jì)出原砂的粒度分布和粒形分布。研究結(jié)果表明：基于AI技術(shù)的BlendMask實(shí)例分割模型能有效地分離粘連砂粒；采用圓形度、形狀因子和方形度三個(gè)特征參數(shù)對(duì)原砂粒形進(jìn)行K-means聚類，能夠準(zhǔn)確分析砂粒的粒形特征；采用等效橢圓法、面積占比等效質(zhì)量占比法，可準(zhǔn)確測(cè)得烘焙砂、烘干砂和寶珠砂三種鑄造原砂的粒度分布，滿足行業(yè)精度要求。
鑄造原砂是鑄造生產(chǎn)中造型、制芯的骨干材料，在生產(chǎn)及使用的過程中，需要對(duì)原砂的粒形及粒度分布進(jìn)行檢驗(yàn)?，F(xiàn)有的原砂粒度測(cè)量方法主要是篩分法，該方法是一項(xiàng)非常耗時(shí)耗力的工作，并且受篩網(wǎng)質(zhì)量和人工操作的影響會(huì)產(chǎn)生較大的測(cè)試誤差，其誤差主要來源于篩孔的堵塞和篩網(wǎng)的老舊變形：篩網(wǎng)屬于易損耗品，隨著測(cè)量次數(shù)的增加，部分篩孔被原砂顆粒堵住，導(dǎo)致測(cè)量結(jié)果偏大；篩網(wǎng)的老舊變形也會(huì)使測(cè)量結(jié)果出現(xiàn)偏差。
隨著計(jì)算機(jī)數(shù)字圖像處理技術(shù)和機(jī)器學(xué)習(xí)的迅速發(fā)展，利用圖像法測(cè)量原砂的粒度逐漸成為一種新興的粒度檢測(cè)技術(shù)。黃曉宇提出了一種動(dòng)態(tài)圖像測(cè)量方法，通過對(duì)下落過程中的機(jī)制砂顆粒圖像進(jìn)行灰度化、濾波、二值化等預(yù)處理，提取出機(jī)制砂的粒度、粒形參數(shù)。Chen等人針對(duì)球形二氧化硅顆粒設(shè)計(jì)了一種在線機(jī)器視覺的檢測(cè)方法，能夠?qū)︻w粒的粒度和圓度進(jìn)行測(cè)量，并且重復(fù)精度能達(dá)到±1%左右；Yang等人針對(duì)下落過程中的骨料顆粒提出了一種基于數(shù)字圖像處理的在線檢測(cè)系統(tǒng)，實(shí)現(xiàn)了生產(chǎn)環(huán)境中骨料顆粒和形狀的實(shí)時(shí)檢測(cè)，屬于一種動(dòng)態(tài)圖像測(cè)量法。蔡園園等人設(shè)計(jì)了一種機(jī)制砂級(jí)配檢測(cè)系統(tǒng)，不僅能夠測(cè)量機(jī)制砂的粒度，還能夠?qū)C(jī)制砂的含水量和含粉量進(jìn)行檢測(cè)。然而上述方法都屬于常規(guī)的數(shù)字圖像處理算法，在復(fù)雜的場(chǎng)景中表現(xiàn)欠佳，且對(duì)環(huán)境變化的適應(yīng)性不足。
圖像法的檢測(cè)難點(diǎn)在于對(duì)圖像中粘連砂粒不能做到有效地分割，因此造成較大的測(cè)量誤差。近些年來，由于深度學(xué)習(xí)技術(shù)的發(fā)展，實(shí)例分割技術(shù)備受關(guān)注。Hu等人提出了一種深度學(xué)習(xí)算法來分割堆疊的粗集料圖像，驗(yàn)證了MaskR-CNN實(shí)例分割模型可以有效避免過分割和欠分割現(xiàn)象，對(duì)不同粒徑的集料具有普遍適用性。黃培智等人基于機(jī)制砂的級(jí)配問題提出了一種基于深度學(xué)習(xí)的機(jī)制砂級(jí)配在線檢測(cè)系統(tǒng)，通過MaskR-CNN的實(shí)例分割模型對(duì)堆疊場(chǎng)景下的機(jī)制砂進(jìn)行有效分割，滿足了制砂過程中的在線檢測(cè)。Qiao等人設(shè)計(jì)了一種新的實(shí)例分割深度CNN模型，該模型包括對(duì)象檢測(cè)子網(wǎng)絡(luò)和語(yǔ)義分割子網(wǎng)絡(luò)，對(duì)相互遮擋且具有黑暗背景下的巖石碎片進(jìn)行識(shí)別和分割，能夠識(shí)別復(fù)雜的巖石碎片。相比于常規(guī)的數(shù)字圖像處理算法，基于深度學(xué)習(xí)的實(shí)例分割算法更適用于復(fù)雜場(chǎng)景下的分割問題。然而上述方法大多基于MaskR-CNN實(shí)例分割模型，該模型能夠有效分離粘連砂粒，但是該模型相對(duì)復(fù)雜，在訓(xùn)練和推理時(shí)需要消耗大量的計(jì)算資源，很難部署在資源有限的嵌入式設(shè)備上。另外，對(duì)于較小的原砂顆粒，該模型的分割效果較差，當(dāng)一張圖像中砂粒的數(shù)量越多，該模型的推理時(shí)間越長(zhǎng)。
針對(duì)以上問題，本文提出一種基于AI深度學(xué)習(xí)的圖像檢測(cè)法，對(duì)鑄造原砂的粒度和粒形進(jìn)行檢測(cè)。該方法以BlendMask實(shí)例分割模型為基礎(chǔ)，通過對(duì)原砂顆粒圖像進(jìn)行實(shí)例分割和特征提取，統(tǒng)計(jì)出原砂顆粒的粒形分布和粒度分布。統(tǒng)計(jì)粒形分布時(shí)，使用圓形度、形狀因子和方形度三個(gè)特征參數(shù)對(duì)粒形進(jìn)行K-means聚類；統(tǒng)計(jì)粒度分布時(shí)，使用等效橢圓Feret短徑作為原砂顆粒的等效粒徑，統(tǒng)計(jì)各個(gè)粒度區(qū)間的面積占比來等效質(zhì)量占比。通過對(duì)比試驗(yàn)證明，該方法較傳統(tǒng)的篩分法檢測(cè)效率更高，誤差較小，具備高的準(zhǔn)確性和可行性。
1 試驗(yàn)方案及材料
1.1 檢測(cè)方案和儀器
測(cè)試儀器為自主研制的測(cè)試裝置，主要包括數(shù)據(jù)計(jì)算和顯示模塊、照相檢測(cè)模塊、原砂回收模塊。檢測(cè)模塊包括工業(yè)相機(jī)、鏡頭、背光玻璃板和背光光源，示意圖如圖1a所示?；厥漳K包含一個(gè)滑動(dòng)推塊。落料筒經(jīng)過振動(dòng)之后將待檢測(cè)的原砂顆粒均勻分布在玻璃背光板上，避免多層砂粒堆積，然后由工業(yè)相機(jī)拍攝得到原砂顆粒圖像。拍攝完成之后，滑動(dòng)推塊將砂粒推到舊砂回收區(qū)域。檢測(cè)系統(tǒng)的整體結(jié)構(gòu)如圖1b所示。
（a）圖像法方案的設(shè)計(jì)（b）自制的檢測(cè)儀器
圖1 圖像法檢測(cè)儀器
1.2 技術(shù)路線
BlendMask是一種創(chuàng)新性的一階段的實(shí)例分割方法，在對(duì)砂粒進(jìn)行識(shí)別的同時(shí)進(jìn)行分割，相較于先識(shí)別再分割的兩階段模型，該模型的識(shí)別速度更快。BlendMask有效地結(jié)合了從整體到局部（Top-down）和從局部到整體（Bottom-up）的思路，首先在anchor-free檢測(cè)模型FCOS的基礎(chǔ)上，BlendMask引入了底部模塊（Bottom-Module），用于提取低層次的細(xì)節(jié)特征，并在實(shí)例級(jí)別上預(yù)測(cè)了一個(gè)注意力圖（Attentionmap）。同時(shí)，借鑒FCIS和YOLACT的融合方法，該模型提出了Blender模塊以更好地融合高層實(shí)例信息和低層語(yǔ)義信息，實(shí)現(xiàn)高精度的實(shí)例分割。
基于深度學(xué)習(xí)的圖像法檢測(cè)原砂粒度分布的整體框架如圖2所示。為了確保模型在各種情況下都能準(zhǔn)確識(shí)別，利用圖像采集系統(tǒng)對(duì)不同光照條件和不同形狀的粘連砂粒進(jìn)行圖像采集，并將采集到的原砂顆粒圖像制成訓(xùn)練樣本，然后通過BlendMask分割模型訓(xùn)練之后得到權(quán)重文件；為了增強(qiáng)模型在復(fù)雜背景下的分割能力，模型訓(xùn)練時(shí)使用隨機(jī)裁剪的數(shù)據(jù)增強(qiáng)技術(shù)；統(tǒng)計(jì)原砂的粒度分布和粒形分布時(shí)，首先利用權(quán)重文件對(duì)顆粒圖像進(jìn)行圖像分割，然后利用圖像處理技術(shù)對(duì)顆粒投影輪廓進(jìn)行特征提取和連通域分析，通過相機(jī)標(biāo)定將像素尺寸轉(zhuǎn)成實(shí)際物理尺寸，得到每個(gè)砂粒的粒度粒形參數(shù)。
圖2 檢測(cè)系統(tǒng)整體流程圖
為了驗(yàn)證BlendMask實(shí)例分割模型對(duì)于鑄造原砂顆粒的分割效果，將實(shí)例分割模型的分割結(jié)果與U-Net語(yǔ)義分割模型的分割效果進(jìn)行對(duì)比，兩種模型使用同樣的數(shù)據(jù)集進(jìn)行訓(xùn)練，并對(duì)同一張圖像進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖3所示。
（a）原圖 （b）U-Net分割 （c）BlendMask分割
圖3 兩種模型的分割效果圖
通過觀察兩種模型的分割效果圖可以看出，U-Net網(wǎng)絡(luò)只能做到語(yǔ)義級(jí)別的分割，對(duì)于圖中的粘連砂粒存在欠分割的現(xiàn)象，兩個(gè)以上的相連砂粒會(huì)被定義成單個(gè)砂粒，對(duì)結(jié)果影響較大。與之相比，BlendMask模型能夠有效對(duì)粘連砂粒做到單個(gè)砂粒的分割，提高了砂粒分割的精度。值得一提的是，在拍攝原砂顆粒圖像時(shí)，由于落料筒的振動(dòng)，原砂顆粒均勻地分布在背光板上，避免了多層砂粒的堆積。
1.3 試驗(yàn)材料
表1 試驗(yàn)所用原料
2 圖像法原砂參數(shù)表征
基于原砂圖像的測(cè)量方法無法直接獲取原砂顆粒的質(zhì)量、比表面積等信息，因此需要用等效的方法來對(duì)原砂顆粒的粒徑和粒形進(jìn)行表征。
2.1 原砂粒形表征
鑄造用硅砂的顆粒形狀根據(jù)角形系數(shù)[2]可以分為圓形（○）、橢圓形（○-□）、鈍角形（□）、方角形（□-△）和尖角形（△）。本文使用圓形度、形狀因子和方形度三個(gè)參數(shù)對(duì)原砂顆粒的粒形進(jìn)行表征，圓形度、形狀因子和方形度的計(jì)算公式如式（1）所示。
式中：ei表示原砂顆粒的圓形度；φi表示原砂顆粒的形狀因子；υi表示原砂顆粒的方形度;si表示投影輪廓的面積；li表示投影輪廓的周長(zhǎng)；XFeretmin,i表示投影輪廓的最短Feret直徑；XFeretmax,i表示投影輪廓的最長(zhǎng)Feret直徑；ssrect,i表示投影輪廓的最小外接矩形面積。
2.2 原砂粒徑表征
在評(píng)價(jià)一個(gè)形狀標(biāo)準(zhǔn)的物體大小時(shí)，可以使用單一的參數(shù)表示，比如標(biāo)準(zhǔn)圓和標(biāo)準(zhǔn)球，可以使用半徑這一特征參數(shù)表示其大小。對(duì)于鑄造原砂這種形狀不規(guī)則的顆粒，沒有統(tǒng)一規(guī)定的標(biāo)準(zhǔn)參數(shù)表示其大小。根據(jù)周建華等人的研究，對(duì)于形狀不規(guī)則的顆粒，使用等效橢圓Feret短徑作為等效粒徑最符合篩分法的粒徑測(cè)量結(jié)果。本文同樣采用等效橢圓Feret短徑作為原砂顆粒的等效粒徑，如圖4所示，橢圓的面積和顆粒的投影面積相等。
圖4 等效橢圓Feret短徑
2.3 原砂粒度分布表征
篩分法是根據(jù)各個(gè)粒度區(qū)間的質(zhì)量占比計(jì)算粒度分布，本文采用各粒度區(qū)間的面積占比來等效質(zhì)量占比計(jì)算出原砂的粒度分布，計(jì)算公式如式（2）所示。
式中：Psi表示各個(gè)粒度區(qū)間的面積百分比；Ssi表示各個(gè)粒度區(qū)間的投影面積和。
3 試驗(yàn)結(jié)果和分析
綜合考慮單次試驗(yàn)的測(cè)量效率和測(cè)量精度，本文使用AI圖像法測(cè)量的粒度分布數(shù)據(jù)均是拍攝了50張?jiān)邦w粒圖像（約3g鑄造原砂）的統(tǒng)計(jì)結(jié)果，一次完整試驗(yàn)大約用時(shí)6min，與50g原砂的篩分結(jié)果相比，最大單篩誤差和AFS細(xì)度誤差均不超過3%。
3.1 圖像法測(cè)量原砂粒形
3.1.1 K-means聚類算法的可行性分析
K-means聚類是一種對(duì)樣本進(jìn)行分類的無監(jiān)督學(xué)習(xí)算法。本文根據(jù)圓形度、形狀因子和方形度三個(gè)特征參數(shù)對(duì)原砂顆粒的粒形進(jìn)行聚類，聚類效果如圖5所示，其中，K表示類別數(shù)，比如，K=3表示根據(jù)特征參數(shù)將原砂的粒形分為圓形、多角形和尖角形三類，K=5表示根據(jù)特征參數(shù)將原砂的粒形分為圓形、橢圓形、鈍角形、方角形和尖角形五類；“×”表示每個(gè)類別的中心。
（a）K=3時(shí)的聚類效果（b）K=5時(shí)的聚類效果
圖5 K-means聚類效果圖
分別觀察圖5a和圖5b可知，圓形砂粒的形狀因子和圓形度非常接近于1，而方形度最高的砂粒出現(xiàn)在多角形或者方角形中。通過對(duì)比兩幅圖發(fā)現(xiàn)，使用K-means聚類的方法將原砂粒形分為三類時(shí)，尖角形砂粒中包含橢圓形砂粒，多角形砂粒中包含鈍角形砂粒和方角形砂粒。相同粒形的砂粒有明顯的聚類現(xiàn)象，不同粒形的砂粒之間有明顯的分界現(xiàn)象，說明使用圓形度、形狀因子、方形度三個(gè)特征參數(shù)對(duì)原砂的粒形進(jìn)行分類時(shí)，可以準(zhǔn)確的將原砂的粒形分為3類或者5類。
3.1.2 原砂粒形分布的統(tǒng)計(jì)
為了驗(yàn)證K-means聚類算法對(duì)原砂粒形分類的準(zhǔn)確性，根據(jù)前文計(jì)算得到的每個(gè)聚類中心的坐標(biāo)，分別對(duì)表1所列3種鑄造原砂進(jìn)行粒形分布的統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如圖6所示。
（a）K = 3時(shí)的粒形分布 （b）K = 5時(shí)的粒形分布
圖6 不同K值的原砂粒形統(tǒng)計(jì)
通過觀察圖6a發(fā)現(xiàn)，將原砂粒形分為三類時(shí)，烘焙砂和烘干砂中多角形砂粒占大多數(shù)，寶珠砂中圓形砂粒占大多數(shù)，占比達(dá)到84.8%；通過對(duì)比圖6a和圖6b發(fā)現(xiàn)，將原砂粒形分為五類時(shí)，多角形砂粒約等于鈍角形砂粒與方角形砂粒之和，而尖角形砂粒中又分出了部分的橢圓形砂粒。將圖6中的結(jié)果與表1中的數(shù)據(jù)對(duì)比發(fā)現(xiàn)圖像法測(cè)得的原砂粒形分布與國(guó)標(biāo)結(jié)果一致。
3.2 篩分法測(cè)量原砂粒度分布的穩(wěn)定性分析
在驗(yàn)證圖像法測(cè)量原砂粒度分布的可行性和準(zhǔn)確性之前，確保篩分法測(cè)量結(jié)果的準(zhǔn)確性至關(guān)重要。本文通過設(shè)計(jì)相關(guān)對(duì)比試驗(yàn)，驗(yàn)證不同的試驗(yàn)篩和不同的篩分時(shí)間對(duì)原砂粒度分布測(cè)量結(jié)果的影響。
3.2.1 國(guó)產(chǎn)標(biāo)準(zhǔn)試驗(yàn)篩和美國(guó)標(biāo)準(zhǔn)試驗(yàn)篩的對(duì)比
依據(jù)《鑄造用砂及混合料試驗(yàn)方法》的國(guó)家標(biāo)準(zhǔn)，稱取(50±0.01)g鑄造原砂試樣，篩分時(shí)間設(shè)為15min，使用兩種不同標(biāo)準(zhǔn)的鑄造用試驗(yàn)篩分別對(duì)烘干砂和寶珠砂進(jìn)行篩分實(shí)驗(yàn)測(cè)量原砂的粒度分布，測(cè)量結(jié)果如圖7所示。結(jié)果顯示，對(duì)于兩種不同的鑄造原砂，美國(guó)標(biāo)準(zhǔn)試驗(yàn)篩的粒度分布測(cè)量結(jié)果更接近標(biāo)準(zhǔn)結(jié)果，兩者之間的誤差更小。測(cè)量140目寶珠砂的粒度分布時(shí)，國(guó)產(chǎn)標(biāo)準(zhǔn)篩和美國(guó)標(biāo)準(zhǔn)篩的測(cè)量結(jié)果較為接近，但是在測(cè)量烘干砂的粒度分布時(shí)，國(guó)產(chǎn)篩的誤差遠(yuǎn)大于美國(guó)篩的誤差。在后續(xù)驗(yàn)證不同篩分時(shí)間對(duì)粒度分布的影響時(shí)所使用的試驗(yàn)篩均為美國(guó)標(biāo)準(zhǔn)試驗(yàn)篩。
（a）70/140目烘干砂不同試驗(yàn)篩的粒度分布
（b）140目寶珠砂不同試驗(yàn)篩的粒度分布
圖7 烘干砂和寶珠砂不同試驗(yàn)篩的粒度分布
3.2.2 美國(guó)標(biāo)準(zhǔn)試驗(yàn)篩不同篩分時(shí)間的對(duì)比
考慮到篩分法在振動(dòng)篩分的過程中存在篩分不徹底導(dǎo)致部分原砂顆粒未能通過篩孔，從而導(dǎo)致篩分結(jié)果出現(xiàn)偏差的情況，本文使用美國(guó)標(biāo)準(zhǔn)試驗(yàn)篩，分別測(cè)量烘干砂和寶珠砂在篩分時(shí)間為15min、30min、45min時(shí)的粒度分布，測(cè)量結(jié)果如圖8所示。
（a）70/140目烘干砂不同篩分時(shí)間的粒度分布
（b）140目寶珠砂不同篩分時(shí)間的粒度分布
圖8 烘干砂和寶珠砂不同篩分時(shí)間的粒度分布
觀察圖8可知，隨著篩分時(shí)間的增加，低目數(shù)的砂粒數(shù)量逐漸減少，高目數(shù)的砂粒數(shù)量逐漸增加，對(duì)于形狀不規(guī)則的烘干砂這種現(xiàn)象尤為明顯，其中單篩的最大方差達(dá)到1.29。
試驗(yàn)表明，不同的試驗(yàn)篩和不同的篩分時(shí)間對(duì)篩分的測(cè)量結(jié)果均有影響，尤其是形狀不規(guī)則的硅砂這種影響更大。
3.3 圖像法測(cè)量原砂粒度分布的穩(wěn)定性分析
為了驗(yàn)證圖像法測(cè)量原砂粒度分布的準(zhǔn)確性，對(duì)上述提到的三種鑄造原砂分別設(shè)置了3組重復(fù)性試驗(yàn)，分別組1、組2、組3表示，重復(fù)性誤差使用方差來表示。3組重復(fù)性試驗(yàn)的結(jié)果如圖9所示。
（a）烘焙砂的三組重復(fù)性試驗(yàn)（b）140目寶珠砂的三組重復(fù)性試驗(yàn)
（c）烘干砂的三組重復(fù)性試驗(yàn)
圖9 AI圖像法對(duì)三種不同鑄造原砂的重復(fù)性試驗(yàn)
由圖中數(shù)據(jù)可知，AI圖像法的3次重復(fù)性試驗(yàn)的誤差都很小，對(duì)三種不同的鑄造原砂，單個(gè)粒度區(qū)間的方差均能控制在0.4以內(nèi)，實(shí)際誤差小于1%。
3.4 圖像法與篩分法的對(duì)比試驗(yàn)
為了驗(yàn)證圖像法測(cè)量原砂粒度分布的可靠性，將圖像法的測(cè)量結(jié)果和篩分法的測(cè)量結(jié)果進(jìn)行對(duì)比，對(duì)比結(jié)果如圖10所示。其中，為了更加直觀的體現(xiàn)測(cè)量誤差，圖中的誤差均是絕對(duì)值誤差。
（a）烘焙砂測(cè)量結(jié)果（b）140目寶珠砂測(cè)量結(jié)果（c）烘干砂測(cè)量結(jié)果
圖10 篩分法與AI圖像法的測(cè)量結(jié)果對(duì)比
分析圖11可知，對(duì)于3種不同的鑄造原砂顆粒，圖像法的測(cè)量結(jié)果和篩分法的測(cè)量結(jié)果均比較接近，單個(gè)粒度區(qū)間的測(cè)量誤差都在3%以內(nèi)，其中最大測(cè)量誤差出現(xiàn)在寶珠砂140目，達(dá)到2.26%。由圖11b可知，對(duì)于寶珠砂，圖像法的測(cè)量結(jié)果在140目時(shí)低于篩分法，在200目時(shí)高于篩分法，這是因?yàn)楹Y分時(shí)單篩中的砂粒數(shù)量過多，篩分出現(xiàn)不徹底的情況，140目的篩網(wǎng)中部分砂粒沒有通過篩孔，導(dǎo)致出現(xiàn)較大偏差。因此可以明確，誤差并非圖像法產(chǎn)生的，而是實(shí)際篩分時(shí)產(chǎn)生的誤差。
4 結(jié)論
（1）使用K-Means聚類的方法能夠?qū)υ邦w粒的粒形進(jìn)行分類，分類結(jié)果與國(guó)標(biāo)相比完全一致；
（2）使用BlendMask實(shí)例分割模型能夠有效的對(duì)粘連砂粒進(jìn)行分割，可以實(shí)現(xiàn)所有粒形的砂粒分割成準(zhǔn)確面積的單一砂粒，確保測(cè)試準(zhǔn)確性；
（3）使用AI圖像法對(duì)烘焙砂、寶珠砂和烘干砂三種不同的鑄造原砂測(cè)量其粒度分布，與國(guó)標(biāo)篩分法進(jìn)行對(duì)比，最大單篩誤差不超過3%，AFS細(xì)度誤差不超過3%。
（4）篩分法由于篩網(wǎng)質(zhì)量和人工操作會(huì)帶來測(cè)量誤差，而圖像法不受這些因素影響，結(jié)果穩(wěn)定可靠，本文提出的基于AI圖像分析測(cè)量原砂粒形和粒度分布的檢測(cè)方法具有高的準(zhǔn)確性和可行性。
