基于机器视觉的零件缺陷检测系统的设计
2019-10-14王赛男孟显娇赵英健
王赛男 孟显娇 赵英健
摘 要：在制造机械零部件的过程中，有可能存在各种缺陷，导致对设备运行安全的威胁。因此对零件缺陷检测系统的设计十分必要。针对传统的缺陷检测存在依赖人员经验的问题，通过机器学习方法，实现自动检测，提高自动化水平，可以克服检测环境、工作人员疲劳度、视觉分辨力和工作经验等因素对零件检测结果的影响，提高检测的准确率以及检测速度。本文提出零件缺陷检测系统的设计方案，该方案是基于机器视觉进行研究的，本设计能够对零件缺陷进行检测。
关键词：零件 缺陷检测 机器视觉
中图分类号：TN912 文献标识码：A 文章编号：1674-098X（2019）08（b）-0084-02
在零件的制造过程中，可能会在零件表面出现面状缺陷、体积缺陷、条状缺陷等零件缺损。由于零件通常工作在高压或高温等极端环境中，因此零件在反复使用的过程中其微小缺陷可能发生增大从而导致零件损坏，直接导致零件所在系统发生故障。因此对零件的缺陷检测可以减少系统故障发生。为了增強零件质量，很多中小型企业通常采用人工肉眼识别和检测，当生产量大时，则会出现失误率高、检测效率低等问题[1]。与传统的人工检测相比，机器视觉检测方式应用于零件表面缺陷检测中，具有准确性高、成本低廉、效率高等特点。
1 常见零件检测方法
（1）人眼检测。人眼检测是采用人工方式进行检测，此方式灵活性高，但是差错率高、效率低下、成本较高。不适合在大型工厂运用。（2）超声波检测。该方法是一种可以实现非接触、远程控制的检测方法，此方法适用于检测表面微裂纹的成型产品，超声波检测方法的缺点是费用较高[2]。（3）涡流检测。此方法不需要外加耦合剂，因此在检测过程中对测量件不会造成外加影响，涡流检测所用的钢板孔洞断面呈闭环状态，因此导致出现误差。（4）红外检测。此方法准确度高，但是容易受到器件所处检测环境的影响。（5）机器视觉检测。该方法是一种非接触式测量方法，其检测速度快，提高生产产品的自动化程度，缺点是需要采用适宜的程序以及合适的光照强度来进行检测。
2 系统设计
2.1 系统硬件设计
基于机器视觉的零件缺陷检测系统主要由硬件部分和软件部分组成。本设计中系统硬件主要包括光学系统（光源和CCD相机）、模数转换卡、数模转换卡、图像分析处理系统、控制系统、样品台组成。系统硬件结构如图1所示。
照明设备光源采用紫外线装置、将该装置放在相机的前面，用于图像照明。摄像机是零件缺陷检测系统的关键设备，本系统选用CCD图像控制器，将光信号转换为模拟电流信号。本系统选用天创恒达TC-542N1图像采集卡从摄像机中采集图像传送给嵌入式系统。该采集卡采用PCI-E接口进行通信，采集率为60MHz，本文选择Jetson TX1嵌入式开发套件进行算法移植。
2.2 系统软件设计
深度学习因其自身强大的特征提取能力及映射能力，在各领域应用中取得了巨大的成功。深度学习的性能与网络结构、训练算法关联密切，需要根据不同的应用对象选择合适的网络模型。目前深度学习网络模型主要分为3种类型：自编码器网络、深度置信网络和卷积神经网络。传统网络则需要提取特征而卷积神经网络不需要提前提取特征，只需要用样本进行训练，自行提取特征，因此本系统选用CNN卷积神经网络作为零件学习检测的算法进行设计。
针对所检测零件的实际情况，为了避免过拟合出现在深度学习中，本设计需要足够的数据量用以模型训练，可以采用平移、比例放缩、旋转等形式扩充数据。现场图像采集完成后建立数据集。本系统所采用的数据集由两部分组成，即训练集和测试集，训练集用于建立训练模型，测试集主要通过统计分类正确和错误的图片的数量，结合总测试集的样本量，获得模型的正确率从而评估模型的检验等能力。
本系统采用SVM的标签缺陷检测算法，只需进行简单的图像处理就可以进行图像的特征提取及分类[3]，本文选取的样本量为3350张图片。本系统的训练集选用具有裂纹缺陷的样本数量为1800张，无裂纹缺陷的样本1000张;测试集中有裂纹缺陷的样400张，测试集中无裂纹缺陷的样本150张。零件缺陷检测系统的系统流程如图2所示。
3 结语
随着工业自动化水平的提高，无损识别检测技术应用于工业系统的前景越来越大，本设计应用在零件生产线上可以高效地对零件的缺陷进行检测，可以减少人工检测的弊端，提高零件生产的自动化程度，采用本系统可以降低人工劳动强度，为零件智能化制造提供重要作用。
参考文献
[1] 陶淑丽.深度学习在精密铸件缺陷检测中的研究与应用[D].太原科技大学，2018.
[2] 王宇，吴智恒，邓志文.基于机器视觉的金属零件表面缺陷检测系统[J].机械工程与自动化，2018（8）：210-214.
[3] 张小洁.基于机器视觉的粉末冶金零件缺陷检测系统研究[J].机械制造，2017（1）：82-84.
