万 卓,叶 明,刘 凯

(南京航空航天大学 机电学院,南京 210016)

在现代化生产过程中,由于技术工艺水平、操作不当等因素造成的精铸零件表面缺陷是很多重大安全事故的罪魁祸首,因此识别和检测精铸零件表面缺陷是一种非常重要的产品质量控制手段.

根据某企业实际的检测要求,需要在生产线上在线检测电机端盖的侧面裂纹缺陷,如图1所示.电机端盖是电动机的核心零部件,起着支撑传动部分、确定转子与定子的相对位置、保护电机内部和导风的作用,其质量优劣将直接影响电机的可靠运行和工作人员人身安全.该任务的难点体现于:① 侧面裂纹目标特征不明显、形态多变且位置不固定,传统的机器视觉算法难以解决;② 由于相机视野须覆盖电机端盖整个侧面,导致待检测的裂纹目标相对整个图片很小,属于小目标检测;③ 在机器视觉系统中,工业相机位置固定,采集的图像的背景单一,不利于深度学习数据集的构建.

图1 电机端盖实物图

机器视觉系统中运用深度学习目标识别算法,可以解决很多传统视觉算法难以解决的问题.田晓杰等[1]提出了一种优化的SSD 检测方法,用DenseNet 网络结构替代VGG 网络结构,从而优化了SSD 检测算法对小目标的鲁棒性,解决硅片隐裂检测问题,但是检测速度较慢,不能满足实时性.马美荣等[2]基于RetianNet设计了一个目标检测器,在复杂背景下的检测有极佳的表现,解决了手机主板缺陷检测的问题,缺点是检测器……