基于機器視覺的零件缺陷檢測系統的設計

王賽男 孟顯嬌 趙英健

摘 ? 要：在制造機械零部件的過程中，有可能存在各種缺陷，導致對設備運行安全的威脅。因此對零件缺陷檢測系統的設計十分必要。針對傳統的缺陷檢測存在依賴人員經驗的問題，通過機器學習方法，實現自動檢測，提高自動化水平，可以克服檢測環境、工作人員疲勞度、視覺分辨力和工作經驗等因素對零件檢測結果的影響，提高檢測的準確率以及檢測速度。本文提出零件缺陷檢測系統的設計方案，該方案是基于機器視覺進行研究的，本設計能夠對零件缺陷進行檢測。

關鍵詞：零件 ?缺陷檢測 ?機器視覺

中圖分類號：TN912 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：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境中，因此零件在反復使用的過程中其微小缺陷可能發生增大從而導致零件損壞，直接導致零件所在系統發生故障。因此對零件的缺陷檢測可以減少系統故障發生。為了增強零件質量，很多中小型企業通常采用人工肉眼識別和檢測，當生產量大時，則會出現失誤率高、檢測效率低等問題[1]。與傳統的人工檢測相比，機器視覺檢測方式應用于零件表面缺陷檢測中，具有準確性高、成本低廉、效率高等特點。

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用。（2）超聲波檢測。該方法是一種可以實現非接觸、遠程控制的檢測方法，此方法適用于檢測表面微裂紋的成型產品，超聲波檢測方法的缺點是費用較高[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狀態，因此導致出現誤差。（4）紅外檢測。此方法準確度高，但是容易受到器件所處檢測環境的影響。（5）機器視覺檢測。該方法是一種非接觸式測量方法，其檢測速度快，提高生產產品的自動化程度，缺點是需要采用適宜的程序以及合適的光照強度來進行檢測。

2 ?系統設計

2.1 系統硬件設計

基于機器視覺的零件缺陷檢測系統主要由硬件部分和軟件部分組成。本設計中系統硬件主要包括光學系統（光源和CCD相機）、模數轉換卡、數模轉換卡、圖像分析處理系統、控制系統、樣品臺組成。系統硬件結構如圖1所示。

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

2.2 系統軟件設計

深度學習因其自身強大的特征提取能力及映射能力，在各領域應用中取得了巨大的成功。深度學習的性能與網絡結構、訓練算法關聯密切，需要根據不同的應用對象選擇合適的網絡模型。目前深度學習網絡模型主要分為3種類型：自編碼器網絡、深度置信網絡和卷積神經網絡。傳統網絡則需要提取特征而卷積神經網絡不需要提前提取特征，只需要用樣本進行訓練，自行提取特征，因此本系統選用CNN卷積神經網絡作為零件學習檢測的算法進行設計。

針對所檢測零件的實際情況，為了避免過擬合出現在深度學習中，本設計需要足夠的數據量用以模型訓練，可以采用平移、比例放縮、旋轉等形式擴充數據。現場圖像采集完成后建立數據集。本系統所采用的數據集由兩部分組成，即訓練集和測試集，訓練集用于建立訓練模型，測試集主要通過統計分類正確和錯誤的圖片的數量，結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等能力。

本系統采用SVM的標簽缺陷檢測算法，只需進行簡單的圖像處理就可以進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。本系統的訓練集選用具有裂紋缺陷的樣本數量為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。零件缺陷檢測系統的系統流程如圖2所示。

3 ?結語

隨著工業自動化水平的提高，無損識別檢測技術應用于工業系統的前景越來越大，本設計應用在零件生產線上可以高效地對零件的缺陷進行檢測，可以減少人工檢測的弊端，提高零件生產的自動化程度，采用本系統可以降低人工勞動強度，為零件智能化制造提供重要作用。

參考文獻

[1] 陶淑麗.深度學習在精密鑄件缺陷檢測中的研究與應用[D].太原科技大學，2018.

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

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