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。針對篩分法存在的測量效率和測量誤差問題，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試方法，即采用工業(yè)相機采集原砂圖像，通過AI圖像處理技術對圖像進行實例分割，然后對圖像進行特征提取，統(tǒng)計出原砂的粒度分布和粒形分布。研究結(jié)果表明：基于AI技術的BlendMask實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特征參數(shù)對原砂粒形進行K-means聚類，能夠準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，可準確測得烘焙砂、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，需要對原砂的粒形及粒度分布進行檢驗。現(xiàn)有的原砂粒度測量方法主要是篩分法，該方法是一項非常耗時耗力的工作，并且受篩網(wǎng)質(zhì)量和人工操作的影響會產(chǎn)生較大的測試誤差，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，隨著測量次數(shù)的增加，部分篩孔被原砂顆粒堵住，導致測量結(jié)果偏大；篩網(wǎng)的老舊變形也會使測量結(jié)果出現(xiàn)偏差。
隨著計算機數(shù)字圖像處理技術和機器學習的迅速發(fā)展，利用圖像法測量原砂的粒度逐漸成為一種新興的粒度檢測技術。黃曉宇提出了一種動態(tài)圖像測量方法，通過對下落過程中的機制砂顆粒圖像進行灰度化、濾波、二值化等預處理，提取出機制砂的粒度、粒形參數(shù)。Chen等人針對球形二氧化硅顆粒設計了一種在線機器視覺的檢測方法，能夠?qū)︻w粒的粒度和圓度進行測量，并且重復精度能達到±1%左右；Yang等人針對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系統(tǒng)，實現(xiàn)了生產(chǎn)環(huán)境中骨料顆粒和形狀的實時檢測，屬于一種動態(tài)圖像測量法。蔡園園等人設計了一種機制砂級配檢測系統(tǒng)，不僅能夠測量機制砂的粒度，還能夠?qū)C制砂的含水量和含粉量進行檢測。然而上述方法都屬于常規(guī)的數(shù)字圖像處理算法，在復雜的場景中表現(xiàn)欠佳，且對環(huán)境變化的適應性不足。
圖像法的檢測難點在于對圖像中粘連砂粒不能做到有效地分割，因此造成較大的測量誤差。近些年來，由于深度學習技術的發(fā)展，實例分割技術備受關注。Hu等人提出了一種深度學習算法來分割堆疊的粗集料圖像，驗證了MaskR-CNN實例分割模型可以有效避免過分割和欠分割現(xiàn)象，對不同粒徑的集料具有普遍適用性。黃培智等人基于機制砂的級配問題提出了一種基于深度學習的機制砂級配在線檢測系統(tǒng)，通過MaskR-CNN的實例分割模型對堆疊場景下的機制砂進行有效分割，滿足了制砂過程中的在線檢測。Qiao等人設計了一種新的實例分割深度CNN模型，該模型包括對象檢測子網(wǎng)絡和語義分割子網(wǎng)絡，對相互遮擋且具有黑暗背景下的巖石碎片進行識別和分割，能夠識別復雜的巖石碎片。相比于常規(guī)的數(shù)字圖像處理算法，基于深度學習的實例分割算法更適用于復雜場景下的分割問題。然而上述方法大多基于MaskR-CNN實例分割模型，該模型能夠有效分離粘連砂粒，但是該模型相對復雜，在訓練和推理時需要消耗大量的計算資源，很難部署在資源有限的嵌入式設備上。另外，對于較小的原砂顆粒，該模型的分割效果較差，當一張圖像中砂粒的數(shù)量越多，該模型的推理時間越長。
針對以上問題，本文提出一種基于AI深度學習的圖像檢測法，對鑄造原砂的粒度和粒形進行檢測。該方法以BlendMask實例分割模型為基礎，通過對原砂顆粒圖像進行實例分割和特征提取，統(tǒng)計出原砂顆粒的粒形分布和粒度分布。統(tǒng)計粒形分布時，使用圓形度、形狀因子和方形度三個特征參數(shù)對粒形進行K-means聚類；統(tǒng)計粒度分布時，使用等效橢圓Feret短徑作為原砂顆粒的等效粒徑，統(tǒng)計各個粒度區(qū)間的面積占比來等效質(zhì)量占比。通過對比試驗證明，該方法較傳統(tǒng)的篩分法檢測效率更高，誤差較小，具備高的準確性和可行性。
1 試驗方案及材料
1.1 檢測方案和儀器
測試儀器為自主研制的測試裝置，主要包括數(shù)據(jù)計算和顯示模塊、照相檢測模塊、原砂回收模塊。檢測模塊包括工業(yè)相機、鏡頭、背光玻璃板和背光光源，示意圖如圖1a所示?；厥漳K包含一個滑動推塊。落料筒經(jīng)過振動之后將待檢測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)相機拍攝得到原砂顆粒圖像。拍攝完成之后，滑動推塊將砂粒推到舊砂回收區(qū)域。檢測系統(tǒng)的整體結(jié)構(gòu)如圖1b所示。
（a）圖像法方案的設計（b）自制的檢測儀器
圖1 圖像法檢測儀器
1.2 技術路線
BlendMask是一種創(chuàng)新性的一階段的實例分割方法，在對砂粒進行識別的同時進行分割，相較于先識別再分割的兩階段模型，該模型的識別速度更快。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檢測模型FCOS的基礎上，BlendMask引入了底部模塊（Bottom-Module），用于提取低層次的細節(jié)特征，并在實例級別上預測了一個注意力圖（Attentionmap）。同時，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例信息和低層語義信息，實現(xiàn)高精度的實例分割。
基于深度學習的圖像法檢測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確識別，利用圖像采集系統(tǒng)對不同光照條件和不同形狀的粘連砂粒進行圖像采集，并將采集到的原砂顆粒圖像制成訓練樣本，然后通過BlendMask分割模型訓練之后得到權(quán)重文件；為了增強模型在復雜背景下的分割能力，模型訓練時使用隨機裁剪的數(shù)據(jù)增強技術；統(tǒng)計原砂的粒度分布和粒形分布時，首先利用權(quán)重文件對顆粒圖像進行圖像分割，然后利用圖像處理技術對顆粒投影輪廓進行特征提取和連通域分析，通過相機標定將像素尺寸轉(zhuǎn)成實際物理尺寸，得到每個砂粒的粒度粒形參數(shù)。
圖2 檢測系統(tǒng)整體流程圖
為了驗證BlendMask實例分割模型對于鑄造原砂顆粒的分割效果，將實例分割模型的分割結(jié)果與U-Net語義分割模型的分割效果進行對比，兩種模型使用同樣的數(shù)據(jù)集進行訓練，并對同一張圖像進行預測，預測結(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)絡只能做到語義級別的分割，對于圖中的粘連砂粒存在欠分割的現(xiàn)象，兩個以上的相連砂粒會被定義成單個砂粒，對結(jié)果影響較大。與之相比，BlendMask模型能夠有效對粘連砂粒做到單個砂粒的分割，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，由于落料筒的振動，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 試驗材料
表1 試驗所用原料
2 圖像法原砂參數(shù)表征
基于原砂圖像的測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原砂顆粒的粒徑和粒形進行表征。
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參數(shù)對原砂顆粒的粒形進行表征，圓形度、形狀因子和方形度的計算公式如式（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；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
在評價一個形狀標準的物體大小時，可以使用單一的參數(shù)表示，比如標準圓和標準球，可以使用半徑這一特征參數(shù)表示其大小。對于鑄造原砂這種形狀不規(guī)則的顆粒，沒有統(tǒng)一規(guī)定的標準參數(shù)表示其大小。根據(jù)周建華等人的研究，對于形狀不規(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)各個粒度區(qū)間的質(zhì)量占比計算粒度分布，本文采用各粒度區(qū)間的面積占比來等效質(zhì)量占比計算出原砂的粒度分布，計算公式如式（2）所示。
式中：Psi表示各個粒度區(qū)間的面積百分比；Ssi表示各個粒度區(qū)間的投影面積和。
3 試驗結(jié)果和分析
綜合考慮單次試驗的測量效率和測量精度，本文使用AI圖像法測量的粒度分布數(shù)據(jù)均是拍攝了50張原砂顆粒圖像（約3g鑄造原砂）的統(tǒng)計結(jié)果，一次完整試驗大約用時6min，與50g原砂的篩分結(jié)果相比，最大單篩誤差和AFS細度誤差均不超過3%。
3.1 圖像法測量原砂粒形
3.1.1 K-means聚類算法的可行性分析
K-means聚類是一種對樣本進行分類的無監(jiān)督學習算法。本文根據(jù)圓形度、形狀因子和方形度三個特征參數(shù)對原砂顆粒的粒形進行聚類，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；“×”表示每個類別的中心。
（a）K=3時的聚類效果（b）K=5時的聚類效果
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，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、方形度三個特征參數(shù)對原砂的粒形進行分類時，可以準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
為了驗證K-means聚類算法對原砂粒形分類的準確性，根據(jù)前文計算得到的每個聚類中心的坐標，分別對表1所列3種鑄造原砂進行粒形分布的統(tǒng)計，統(tǒng)計結(jié)果如圖6所示。
（a）K = 3時的粒形分布 （b）K = 5時的粒形分布
圖6 不同K值的原砂粒形統(tǒng)計
通過觀察圖6a發(fā)現(xiàn)，將原砂粒形分為三類時，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)，占比達到84.8%；通過對比圖6a和圖6b發(fā)現(xiàn)，將原砂粒形分為五類時，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)對比發(fā)現(xiàn)圖像法測得的原砂粒形分布與國標結(jié)果一致。
3.2 篩分法測量原砂粒度分布的穩(wěn)定性分析
在驗證圖像法測量原砂粒度分布的可行性和準確性之前，確保篩分法測量結(jié)果的準確性至關重要。本文通過設計相關對比試驗，驗證不同的試驗篩和不同的篩分時間對原砂粒度分布測量結(jié)果的影響。
3.2.1 國產(chǎn)標準試驗篩和美國標準試驗篩的對比
依據(jù)《鑄造用砂及混合料試驗方法》的國家標準，稱取(50±0.01)g鑄造原砂試樣，篩分時間設為15min，使用兩種不同標準的鑄造用試驗篩分別對烘干砂和寶珠砂進行篩分實驗測量原砂的粒度分布，測量結(jié)果如圖7所示。結(jié)果顯示，對于兩種不同的鑄造原砂，美國標準試驗篩的粒度分布測量結(jié)果更接近標準結(jié)果，兩者之間的誤差更小。測量140目寶珠砂的粒度分布時，國產(chǎn)標準篩和美國標準篩的測量結(jié)果較為接近，但是在測量烘干砂的粒度分布時，國產(chǎn)篩的誤差遠大于美國篩的誤差。在后續(xù)驗證不同篩分時間對粒度分布的影響時所使用的試驗篩均為美國標準試驗篩。
（a）70/140目烘干砂不同試驗篩的粒度分布
（b）140目寶珠砂不同試驗篩的粒度分布
圖7 烘干砂和寶珠砂不同試驗篩的粒度分布
3.2.2 美國標準試驗篩不同篩分時間的對比
考慮到篩分法在振動篩分的過程中存在篩分不徹底導致部分原砂顆粒未能通過篩孔，從而導致篩分結(jié)果出現(xiàn)偏差的情況，本文使用美國標準試驗篩，分別測量烘干砂和寶珠砂在篩分時間為15min、30min、45min時的粒度分布，測量結(jié)果如圖8所示。
（a）70/140目烘干砂不同篩分時間的粒度分布
（b）140目寶珠砂不同篩分時間的粒度分布
圖8 烘干砂和寶珠砂不同篩分時間的粒度分布
觀察圖8可知，隨著篩分時間的增加，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到1.29。
試驗表明，不同的試驗篩和不同的篩分時間對篩分的測量結(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 圖像法測量原砂粒度分布的穩(wěn)定性分析
為了驗證圖像法測量原砂粒度分布的準確性，對上述提到的三種鑄造原砂分別設置了3組重復性試驗，分別組1、組2、組3表示，重復性誤差使用方差來表示。3組重復性試驗的結(jié)果如圖9所示。
（a）烘焙砂的三組重復性試驗（b）140目寶珠砂的三組重復性試驗
（c）烘干砂的三組重復性試驗
圖9 AI圖像法對三種不同鑄造原砂的重復性試驗
由圖中數(shù)據(jù)可知，AI圖像法的3次重復性試驗的誤差都很小，對三種不同的鑄造原砂，單個粒度區(qū)間的方差均能控制在0.4以內(nèi)，實際誤差小于1%。
3.4 圖像法與篩分法的對比試驗
為了驗證圖像法測量原砂粒度分布的可靠性，將圖像法的測量結(jié)果和篩分法的測量結(jié)果進行對比，對比結(jié)果如圖10所示。其中，為了更加直觀的體現(xiàn)測量誤差，圖中的誤差均是絕對值誤差。
（a）烘焙砂測量結(jié)果（b）140目寶珠砂測量結(jié)果（c）烘干砂測量結(jié)果
圖10 篩分法與AI圖像法的測量結(jié)果對比
分析圖11可知，對于3種不同的鑄造原砂顆粒，圖像法的測量結(jié)果和篩分法的測量結(jié)果均比較接近，單個粒度區(qū)間的測量誤差都在3%以內(nèi)，其中最大測量誤差出現(xiàn)在寶珠砂140目，達到2.26%。由圖11b可知，對于寶珠砂，圖像法的測量結(jié)果在140目時低于篩分法，在200目時高于篩分法，這是因為篩分時單篩中的砂粒數(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，而是實際篩分時產(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粒的粒形進行分類，分類結(jié)果與國標相比完全一致；
（2）使用BlendMask實例分割模型能夠有效的對粘連砂粒進行分割，可以實現(xiàn)所有粒形的砂粒分割成準確面積的單一砂粒，確保測試準確性；
（3）使用AI圖像法對烘焙砂、寶珠砂和烘干砂三種不同的鑄造原砂測量其粒度分布，與國標篩分法進行對比，最大單篩誤差不超過3%，AFS細度誤差不超過3%。
（4）篩分法由于篩網(wǎng)質(zhì)量和人工操作會帶來測量誤差，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圖像分析測量原砂粒形和粒度分布的檢測方法具有高的準確性和可行性。
