機器學習在端子產品缺陷檢測中的應用研究

摘 要 本文針對傳統端子產品質量檢測方法過于落后，圍繞端子缺陷系統如何構建和端子缺陷檢測算法進行介紹。傳統端子缺陷檢測是人工檢測，容易受到外界因素影響，且檢測效率較為低下。本文研究并設計的檢測系統基于單片機系統，排除了外界的干擾，能夠采集端子產品生產過程中承受的壓力曲線，通過數據分析處理后判斷其是否存在缺陷。在此缺陷端子檢測系統中，缺陷端子識別準確率很高，且系統的檢測效率遠遠高于傳統人工檢測。

關鍵詞 缺陷檢測;單片機;機器學習

引言

接線端子現如今被廣泛應用到各個領域，在傳遞電信號方面起到連接作用，一個合格的接線端子產品能給生產和使用帶來諸多便利，避免許多麻煩。端子產品缺陷檢測的目的就是檢測出帶有缺陷的接線端子，避免缺陷端子被應用到生產和生活中。缺陷端子種類有很多，例如壓著端子變形、端子深壓、端子淺打、端子氧化等。不同種類的缺陷端子在被應用后容易造成嚴重程度不同的惡劣后果。為杜絕缺陷端子流出，提升端子缺陷檢測的效率，本文設計了缺陷端子產品檢測系統，完成缺陷端子產品檢測方法的更新換代。

1端子產品缺陷檢測系統介紹

端子產品缺陷檢測系統的控制核心是單片機，相當于整個系統大腦，主要功能是控制壓力傳感器和光電開關進行壓力數據的采集[1]，并與上位機進行串口通信。壓力傳感器相當于整個系統的感覺器官，負責采集端子產品在生產過程中每時每刻的壓力數據，而后經過AD轉換被單片機存儲在內存中。光電開光和單片機相互配合，其采集端子機開始工作時的工作信號傳輸至單片機，而后單片機控制壓力傳感器進行壓力數據的采集工作。在完成壓力數據的采集后，單片機通過串口與上位機進行數據通信，并將壓力數據上傳至上位機。上位機則對壓力數據進行數據處理分析，在獲得此次壓力數據的特征值后通過機器學習分類模型對其進行判斷，獲得此次端子產品是否存在缺陷的結論。

整個端子缺陷檢測系統具有很高的實時性，在能夠保證缺陷端子產品檢測準確率的情況下還能夠具有很高的檢測效率。系統的人機交互界面通過觸摸屏實現，且系統能夠存儲所有已經完成采集的端子，并將其分類。在端子存在缺陷時，系統會發出警報提示用戶，并自動保存數據，開始準備下一次的數據采集工作。壓力數據采集部分與上位機部分通過串口進行連接，人機界面接收到的指令也通過串口由上位機傳給單片機，從而完成指令的控制。

2系統設計

端子產品缺陷檢測系統分為壓力數據采集部分和上位機數據處理部分。壓力數據采集部主要功能是采集壓力數據，并將其通過串口傳給上位機。上位機數據處理部分則是對接收到的壓力數據進行處理，在經過機器學習分類模型對其進行判斷，給出是否存在缺陷的檢測結果。

2.1 壓力數據采集部分

壓力數據采集部分由單片機、壓力傳感器與廣電開關組成，完成壓力數據的采集與上傳工作。這就要求系統的單片機要具有很高的數據處理速度，同時也要有較大的內存空間，綜合考慮以上問題和性價比等后選擇了STM32F407單片機。STM32F407ZGT6單片機的內核是Cortex_M4，內核最高主頻能達到168MHz，具備浮點運算能力和增強的DSP處理指令，且具有高達1M字節的Flash內存和196K字節的SRAM內存，內部集成了3個ADC，可以獨立使用，也可以兩個或三個同時使用，同時使用時可大幅度提高采樣頻率，最高可達到2.4Mhz。同樣STM32F407單片機也包含了串口通信模塊，能夠將單片機采集的電壓數據上傳至上位機PC。STM32F407單片機同時有很多種外部中斷方式，能夠被用來檢測光電開關的狀態，進行壓力傳感器的數據采集。

傳感器是工業檢測中進行數據采集的重要部件，壓力傳感器可以將其受到的壓力信號按照一定的規律轉變成電信號輸出。壓力傳感器的品質決定了所采集數據是否準確、是否存在干擾噪聲等，并且與整個檢測平臺的運行有著密切的聯系，考慮到本文需要解決的是端子機平臺測量壓力的問題，本文選擇了RHM240壓電應變傳感器，該傳感器使用壓電效應作為其工作原理，該傳感器能夠很好地測量動態的應力，能夠檢測出傳感器所受到的極小的形變，并以電壓信號形式將其輸出，檢測精度極高，非常適合被用于測量接線端子生產過程所受到的壓力變化數據。

2.2 上位機數據處理部分

上位機在接收到壓力數據后，需要對壓力數據進行預處理。壓力傳感器采集的過程中可能不可避免地會受到外界環境的影響，因此所采集的壓力數據中也會出現一些噪聲數據，壓力數據預處理的目的就是消除壓力數據中的高頻噪聲，保留原始數據中的特征，本文選擇使用小波降噪方法對壓力數據進行預處理，其處理過程為：首先需要將壓力數據信號用小波變化處理，通過將信號投影在頻帶上從而分離原始信號中不同頻率部分的信號，之后選擇合適的閾值對所有被分離后的信號進行濾波，再將所有已經濾波后的分離信號進行重構，重構完成后所獲得的信號即是已經消除噪聲的壓力數據信號。

在壓力數據信號完成去噪處理后，所得的壓力數據中具備所有端子產品生產過程中的特征信息，壓力數據曲線能夠很好地表現出其中的特征，故選用曲線擬合的方法對壓力數據曲線進行擬合，使用曲線擬合完成后的參數作為特征。這種特征提取方法相比于使用壓力數據曲線中的集合特征有很多優點，例如更加直觀、特征更精確和更穩定。

在完成壓力數據特征提取之后，再通過機器學習分類模型對特征值進行分類，就能夠獲得本次端子產品是否存在缺陷的結論。但在使用機器學習分類模型前，需要對機器學習分類模型進行訓練，使機器學習能夠在有數據的前提下對其進行分類[2]。即在本系統使用前需要使用已有的端子是否存在缺陷的特征數據集對機器學習分類模型進行訓練，只有經過學習的分類模型才具備將端子是否存在缺陷進行分類的能力，經過訓練學習后的分類模型能夠準確地辨別出本次端子是否存在缺陷，最終給出結論，將判定結果反饋至人機交互界面，并由其是否是缺陷端子判斷是否觸發警報，同時將本次的壓力數據進行編號保存。

3結束語

端子產品缺陷檢測系統能夠應用到所有的端子機上，具有很強的實用性和適應性，改變端子和連接線類型只需要重新學習，很快就能夠重新對端子產品進行檢測。壓力傳感器具有便于安裝的特點，能夠方便的安裝在各種類型的端子機上，能有效滿足所有端子產品檢測的需要。

參考文獻

[1] 袁靜，林遠長，馬楠，等.工業機器人檢測系統研究[J].計量與測試技術，2015，42（6）：3-4.

[2] 崔春宇.基于隨機森林的LTE網絡覆蓋評估研究[J].通訊世界， 2020，27（4）：75-76.

作者簡介

陳晨（1996-），男，安徽六安人;畢業院校：安徽工業大學，專業：控制工程，學歷：碩士研究生，現就職單位：安徽工業大學 電氣與信息工程學院，研究方向：機器學習在端子產品分類方面。