智能浇铸定位系统

项目背景

铝厂制备铝锭时，需要先完成炭块与钢叉的粘合，再通过浇铸铁水完成固定。这个工序高度依赖人工经验，环境恶劣、温度高、噪声强，还伴随飞溅和安全风险。

问题不只是“自动化替代人工”，而是要在高温和几何误差并存的条件下，稳定地找到浇点横向位置。

现场挑战

• 工人需要穿重型防护服，在高温和噪声环境下连续作业。
• 倒歪、倒多、倒少都会带来质量和安全问题。
• 若高温铁水溢出并损坏底部线缆，后果会非常严重。

一些失败尝试

横向定位方案设计

浇铸机沿着平行于炭块板链的轨道移动，横移量直接决定浇点位置。对于操作员而言，判断每个钢柱两侧缝隙时，需要沿垂直于轨道的方向观察；这也是相机布局设计的依据。

相机布局

1. 选取 4 个 Realsense，相邻间距与 4 个炭碗对应。
2. 将相机安装在浇铸机面向炭块的一侧。
3. 调整相机视角，使每路画面中心对准目标炭碗。

感知流程

1. 利用 ROS 同步采集一组多相机数据，并裁切 ROI。
2. 标注缝隙纹理，对 UNet 做 finetune。
3. 由模型生成缝隙 mask。
4. 结合传统图像处理与椭圆极径搜索，找到较宽侧缝隙点 p。

空间定位流程

5. 基于同步数据恢复点云，并使用 RTSTool 做离线拼接。
6. 通过点云尺度校准，得到真实尺度下的变换矩阵 T。
7. 使用 T 对图像空间中的缝隙点 p 做反投影，得到空间点 P。
8. 根据浇口位置 M 与相机安装关系，计算浇铸机应执行的横向偏移量。
9. 最终通过 Snap7 与 PLC 通信，下发运动控制指令。

结果

• 缝隙点检测准确度约 95%，在 61 张训练图像条件下已经可用。
• 横向定位误差控制在 5mm 内，仍有继续优化空间。
• 单次检测耗时约 15ms 到 30ms。

这篇内容为何适合 MDX

这类项目已经不是“几段文字 + 几张图”能清楚表达的内容。用 MDX 组件化后，视频、四联图、结果分段和后续 schema 化项目页都能复用，不需要继续在 markdown 里混杂原生 HTML。