论文部分内容阅读
齿轮在机械产品中有着广泛的应用,其质量直接影响机械运动部件机构的寿命、传动比、运动精度等。目前对齿轮外观缺陷检测主要以人工抽检为主,无法满足齿轮的大批量生产要求。同时,人工检验的方式存在可靠性差的缺点,亟需开展自动化的齿轮外观缺陷检测方法研究。本文针对齿轮外观检测中无法实现齿轮图像精确分割、轮齿定位、检测精度低等关键问题,进行了深入研究,确定了一种基于机器视觉的齿轮外观缺陷检测技术。主要研究内容和成果如下:(1)针对齿轮图像分割和ROI定位的问题,提出一种适用于齿轮的GA-Ostu图像阈值分割和改进的A-KAZE与特征贡献度的齿轮图像ROI定位方法。研究的一种结合遗传算法搜索策略的Ostu算法,该方法可将背景与目标分割出来,然后利用掩膜操作对ROI初步定位,最后在初步定位的区域内使用基于改进的A-KAZE进行特征检测与匹配,并利用特征贡献度和RANSAC过滤错误匹配点对得到单应性矩阵,计算出参考图像在原图的位置和大小,实现对ROI区域(轮齿区域)精确定位,特征点匹配正确率为97.99%,而ROI定位速度只有1.137s。(2)分析齿轮外观缺陷检测中存在的问题,研究了一种基于改进Faster R-CNN的齿轮外观缺陷检测模型。借鉴残差网络中“跳跃连接”的结构思想,在现有的网络结构上改进基础卷积神经网络VGGNet-16,增强了网络特征的提取能力。与VGGNet-16相比,m PA高出了1.51个百分点。将不均衡评价指标F-score与损失函数AM-Softmax结合并设置相应条件构成新的损失函数AMF-Softmax,mPA达到了96.14%。(3)搭建齿轮外观检测实验平台和软件测试环境。通过该实验平台,利用现场采集到的齿轮外观数据对上述理论方法进行实验验证与分析。在图像分割和ROI定位实验中,给出图像阈值分割、几种特征检测与匹配和ROI定位对比结果。在齿轮缺陷检测实验中,给出不同的基础卷积神经网络的目标检测网络模型Faster R-CNN、不同损失函数与改进后的损失函数AMF-Softmax的对比结果。