基于機(jī)器視覺的零件缺陷檢測系統(tǒng)的設(shè)計(jì)

王賽男 孟顯嬌 趙英健

摘 ? 要：在制造機(jī)械零部件的過程中，有可能存在各種缺陷，導(dǎo)致對設(shè)備運(yùn)行安全的威脅。因此對零件缺陷檢測系統(tǒng)的設(shè)計(jì)十分必要。針對傳統(tǒng)的缺陷檢測存在依賴人員經(jīng)驗(yàn)的問題，通過機(jī)器學(xué)習(xí)方法，實(shí)現(xiàn)自動檢測，提高自動化水平，可以克服檢測環(huán)境、工作人員疲勞度、視覺分辨力和工作經(jīng)驗(yàn)等因素對零件檢測結(jié)果的影響，提高檢測的準(zhǔn)確率以及檢測速度。本文提出零件缺陷檢測系統(tǒng)的設(shè)計(jì)方案，該方案是基于機(jī)器視覺進(jìn)行研究的，本設(shè)計(jì)能夠?qū)α慵毕葸M(jìn)行檢測。

關(guān)鍵詞：零件 ?缺陷檢測 ?機(jī)器視覺

中圖分類號：TN912 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2019）08（b）-0084-02

在零件的制造過程中，可能會在零件表面出現(xiàn)面狀缺陷、體積缺陷、條狀缺陷等零件缺損。由于零件通常工作在高壓或高溫等極端環(huán)境中，因此零件在反復(fù)使用的過程中其微小缺陷可能發(fā)生增大從而導(dǎo)致零件損壞，直接導(dǎo)致零件所在系統(tǒng)發(fā)生故障。因此對零件的缺陷檢測可以減少系統(tǒng)故障發(fā)生。為了增強(qiáng)零件質(zhì)量，很多中小型企業(yè)通常采用人工肉眼識別和檢測，當(dāng)生產(chǎn)量大時(shí)，則會出現(xiàn)失誤率高、檢測效率低等問題[1]。與傳統(tǒng)的人工檢測相比，機(jī)器視覺檢測方式應(yīng)用于零件表面缺陷檢測中，具有準(zhǔn)確性高、成本低廉、效率高等特點(diǎn)。

1 ?常見零件檢測方法

（1）人眼檢測。人眼檢測是采用人工方式進(jìn)行檢測，此方式靈活性高，但是差錯率高、效率低下、成本較高。不適合在大型工廠運(yùn)用。（2）超聲波檢測。該方法是一種可以實(shí)現(xiàn)非接觸、遠(yuǎn)程控制的檢測方法，此方法適用于檢測表面微裂紋的成型產(chǎn)品，超聲波檢測方法的缺點(diǎn)是費(fèi)用較高[2]。（3）渦流檢測。此方法不需要外加耦合劑，因此在檢測過程中對測量件不會造成外加影響，渦流檢測所用的鋼板孔洞斷面呈閉環(huán)狀態(tài)，因此導(dǎo)致出現(xiàn)誤差。（4）紅外檢測。此方法準(zhǔn)確度高，但是容易受到器件所處檢測環(huán)境的影響。（5）機(jī)器視覺檢測。該方法是一種非接觸式測量方法，其檢測速度快，提高生產(chǎn)產(chǎn)品的自動化程度，缺點(diǎn)是需要采用適宜的程序以及合適的光照強(qiáng)度來進(jìn)行檢測。

2 ?系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)硬件設(shè)計(jì)

基于機(jī)器視覺的零件缺陷檢測系統(tǒng)主要由硬件部分和軟件部分組成。本設(shè)計(jì)中系統(tǒng)硬件主要包括光學(xué)系統(tǒng)（光源和CCD相機(jī)）、模數(shù)轉(zhuǎn)換卡、數(shù)模轉(zhuǎn)換卡、圖像分析處理系統(tǒng)、控制系統(tǒng)、樣品臺組成。系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

照明設(shè)備光源采用紫外線裝置、將該裝置放在相機(jī)的前面，用于圖像照明。攝像機(jī)是零件缺陷檢測系統(tǒng)的關(guān)鍵設(shè)備，本系統(tǒng)選用CCD圖像控制器，將光信號轉(zhuǎn)換為模擬電流信號。本系統(tǒng)選用天創(chuàng)恒達(dá)TC-542N1圖像采集卡從攝像機(jī)中采集圖像傳送給嵌入式系統(tǒng)。該采集卡采用PCI-E接口進(jìn)行通信，采集率為60MHz，本文選擇Jetson TX1嵌入式開發(fā)套件進(jìn)行算法移植。

2.2 系統(tǒng)軟件設(shè)計(jì)

深度學(xué)習(xí)因其自身強(qiáng)大的特征提取能力及映射能力，在各領(lǐng)域應(yīng)用中取得了巨大的成功。深度學(xué)習(xí)的性能與網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法關(guān)聯(lián)密切，需要根據(jù)不同的應(yīng)用對象選擇合適的網(wǎng)絡(luò)模型。目前深度學(xué)習(xí)網(wǎng)絡(luò)模型主要分為3種類型：自編碼器網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)網(wǎng)絡(luò)則需要提取特征而卷積神經(jīng)網(wǎng)絡(luò)不需要提前提取特征，只需要用樣本進(jìn)行訓(xùn)練，自行提取特征，因此本系統(tǒng)選用CNN卷積神經(jīng)網(wǎng)絡(luò)作為零件學(xué)習(xí)檢測的算法進(jìn)行設(shè)計(jì)。

針對所檢測零件的實(shí)際情況，為了避免過擬合出現(xiàn)在深度學(xué)習(xí)中，本設(shè)計(jì)需要足夠的數(shù)據(jù)量用以模型訓(xùn)練，可以采用平移、比例放縮、旋轉(zhuǎn)等形式擴(kuò)充數(shù)據(jù)。現(xiàn)場圖像采集完成后建立數(shù)據(jù)集。本系統(tǒng)所采用的數(shù)據(jù)集由兩部分組成，即訓(xùn)練集和測試集，訓(xùn)練集用于建立訓(xùn)練模型，測試集主要通過統(tǒng)計(jì)分類正確和錯誤的圖片的數(shù)量，結(jié)合總測試集的樣本量，獲得模型的正確率從而評估模型的檢驗(yàn)等能力。

本系統(tǒng)采用SVM的標(biāo)簽缺陷檢測算法，只需進(jìn)行簡單的圖像處理就可以進(jìn)行圖像的特征提取及分類[3]，本文選取的樣本量為3350張圖片。本系統(tǒng)的訓(xùn)練集選用具有裂紋缺陷的樣本數(shù)量為1800張，無裂紋缺陷的樣本1000張;測試集中有裂紋缺陷的樣400張，測試集中無裂紋缺陷的樣本150張。零件缺陷檢測系統(tǒng)的系統(tǒng)流程如圖2所示。

3 ?結(jié)語

隨著工業(yè)自動化水平的提高，無損識別檢測技術(shù)應(yīng)用于工業(yè)系統(tǒng)的前景越來越大，本設(shè)計(jì)應(yīng)用在零件生產(chǎn)線上可以高效地對零件的缺陷進(jìn)行檢測，可以減少人工檢測的弊端，提高零件生產(chǎn)的自動化程度，采用本系統(tǒng)可以降低人工勞動強(qiáng)度，為零件智能化制造提供重要作用。

參考文獻(xiàn)

[1] 陶淑麗.深度學(xué)習(xí)在精密鑄件缺陷檢測中的研究與應(yīng)用[D].太原科技大學(xué)，2018.

[2] 王宇，吳智恒，鄧志文.基于機(jī)器視覺的金屬零件表面缺陷檢測系統(tǒng)[J].機(jī)械工程與自動化，2018（8）：210-214.

[3] 張小潔.基于機(jī)器視覺的粉末冶金零件缺陷檢測系統(tǒng)研究[J].機(jī)械制造，2017（1）：82-84.