田峰，高龙琴，李鹭扬

(扬州大学机械工程学院，江苏扬州 225000)

0 前言

多联齿轮具有结构紧凑、多种转速输出的优点，因此广泛应用于汽车变速箱中。在齿轮的啮合过程中，齿轮的表面质量是影响传动平稳性和可靠性的关键。在齿轮的机械加工过程中，毛刺不仅影响零件的尺寸精度，还会加剧磨损和增大传动噪声。常用来检测毛刺的方法有目测法、挂丝法、定量法、拍照法等。这些方法基本都需要人工参与，在大批量生产的情况下，不仅效率低下，而且容易因视觉疲劳导致误判的情况。此外，齿轮轮廓形状的特殊性，也决定了齿轮毛刺检测的困难程度。在传统的机器学习中，特征工程往往需要人工投入大量时间进行研究和调整，而深度学习很好地解决了特征提取问题，可以自动学习特征和任务之间的关联，还能将低级特征组合成更加抽象的高层特征。使用深度学习的方法来代替人工检测，为齿轮毛刺的自动化检测提供了一种可能。

文献[2]中提出了一种针对电机铜排毛刺生长区域的缺陷特征提取方法，先采用掩膜算法屏蔽图片非检测区域，再用形态学算法构造待检测区域并进行分割，最后通过毛刺分类算法和不同毛刺的阈值，实现对铜排四类毛刺特征的自动检测。文献[3]中搭建了一套基于FPGA平台的金属毛刺在线检测系统，通过传统边缘检测算子提取工件轮廓，再利用形态学方法去除轮廓，然后利用形态学方法去除轮廓边缘的噪声，最后分析轮廓曲线中的异常部分，实现图像中工件毛刺的检测与定位。……