高端装备制造业是国民经济的支柱产业，是推动工业转型升级的引擎，发挥着举足轻重的作用。
而铸造作为现代装备制造工业的基础共性技术之一，铸造产品被广泛运用在航空航天、工业船舶、机械电子和交通运输等国民经济各部门。
铸造技术有着六千多年的悠久历史，直至今天，伴随着现代工艺的发展以及市场的庞大需求，各行各业亟需高端铸件作为工作基础建设。
我国是精密铸造制造大国，无论是铸件的年产量，还是从业人员、企业数量已经位居世界首位，且精密铸造零件占全球精密铸造通用零部件的50%以上。
在全球铸造行业市场份额占比逐步扩大的同时，铸件质量问题成为了阻碍我国铸造行业发展的首要问题。
工业上对缺陷进行分类分级判定大多是通过对比被测工件与标准缺陷图样展示的缺陷类型是否相同，从而判定工件各方面能否达到合格指标。
我国的GB/T 11346，TB/T 3012与美国的ASTM系列标准是现有的主要实施标准。
由图谱与相关技术要求得知，缺陷成因对缺陷周遭的晶体结构与形貌起主导性作用。根据缺陷形态、大小与形成原因的不同，将铸件表面和内部缺陷分为五种类别：收缩类缺陷、气孔类缺陷、夹杂类缺陷、不良相和热收缩类缺陷。
铸件表面和内部各类缺陷与复杂多变的铸造工艺过程以及工件服役过程中的外作用力息息相关。
不论是从技术管理角度还是从成本控制角度，分析缺陷与形成机理的因果关系的判断都显得十分重要。
而其他检测手段也正面临着过分依赖人的参与、辅助时间长、检测效率低等问题，亟需加速践行新一代信息技术与质检技术的深度融合，在时间与空间上提高检测设备灵活性。如何将各种检测手段与机器人技术有效结合，促进传统铸件检测技术的智能化升级，是未来研究方向之一。
在铸造行业实际场景中，“大数据”往往是伪命题，“小样本”却更为常见。经过多年的学术研究，国内外研究员从数据扩充、模型优化和迁移学习三个方面改进了神经网络对数据采集量的需求。
但多数研究仅考虑到检测的精度，并未过多考虑检测实时性，这在工业领域是无法接受的。此外，多数针对小样本的检测模型是在自然图像数据集或公共数据集上进行预训练再针对下游任务进行微调的，工业场景实际应用少。
针对小样本检测网络的实时性和更有针对性的模型预训练方法展开研究，可以将自然领域或医学领域小样本检测模型迁移至工业领域，具有广大的发展前景。
铸件缺陷检测任务通常仅包含检测与分类，这无法包罗所需要的全部质检信息。
对于单个铸件，逐一进行缺陷检测、尺寸测量、表面粗糙度测定等程序耗时耗力，特别是针对图像检测任务，需要同时实现铸件尺寸测量、缺陷分类、表面粗糙度评定等多个任务。
在深度学习领域，多任务学习可以学到多个任务的共享表示，这个共享表示具有较强的抽象能力，能够适应多个不同但相关的特征。由于使用共享表示，多个任务同时进行预测时，同样能减少了样本来源的数量和整体模型参数的规模，使得具有更小容量的模型就可以获得同水平或更好的泛化能力，预测更加高效。
由此可见，“多任务”与铸件质量检测结合是一个值得深入探讨的问题。
地址：上海市嘉定区永盛路1218号仁丰金元大厦1205室
电话：(021) 5915 8515或 13761118001
Q Q：1105686531
邮箱：1105686531@gg.com
微信公众号
官方微信
版权所有 ：上海丰赫佳业检测技术有限公司
技术支持：丰赫佳业
