基于机器视觉的齿轮外观缺陷检测方法研究
发布时间：2022-01-09 08:11
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Fast...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
齿轮
ɡ?孟妊橹?洞??图像，采用直方图统计特征、灰度共生矩阵法和小波特征法等方式提取缺陷特征，最后通过分析特征的特点实现缺陷识别。缺点是人工设计特征费时费力且不够全面，识别速度慢，准确率较低。(2)基于深度学习的外观缺陷检测方法。该方法通过卷积神经网络训练图像样本数据，完成一系列特征提取，分析决策等工作。缺点是样本数据需求量大，可控性稍差。但神经网络特征信息提取比人工设计提取方式更加全面。本课题主要对加工过程和运输过程中产生的齿轮齿顶圆柱面缺陷进行视觉检测。目前主要有三种齿轮外观缺陷，如图1-1所示。(a)崩角(b)碰伤(c)划伤图1-1齿轮外观缺陷为了能采集到完整的齿轮齿顶圆柱面图像，单个相机无法满足该条件，需要多个相机拍摄。由上图可知，图像中背景区域较多，齿轮检测区域图像较大，目标缺陷尺寸小且占比校可采用无夹具的方式对零件检测，提高检测效率。首先对待检测的齿轮图片进行轮齿区域定位（即ROI区域定位），缩小齿轮缺陷检测算法的检测区域，从而提高检测的速度，然后利用深度学习对ROI区域进行训练和测试工作。因此，齿轮外观缺陷检测方法的研究重点集中在齿轮图像ROI定位方法和基于深度学习的缺陷检测方法。1.3国内外研究的发展现状分析1.3.1基于传统机器视觉的产品外观缺陷检测方法研究现状国外的产品外观缺陷视觉检测技术起步较早，发展较快，技术相对成熟。在技术应用方面，国外已经有成熟的商业系统。现有产品外观缺陷检测技术大多以传统的机器视觉为主，日本基恩士视觉检测系统，可以对集成电路、食品托盘和汽车发动机活塞等外观缺陷进行在线自动化检测，取得一些良好的成果。美国Cognex公司研究出VisionPro
第二章齿轮外观缺陷视觉检测的关键理论12k—相邻的两个尺度空间的比例。首先通过隔点采样和高斯平滑得到高斯金字塔，共O组，每组S层，然后在同一组内相邻的两层生成DoG金字塔，如图2-4所示。每层的采样点与其同尺度领域以及上下相邻尺度内共8+2×9=26点进行比较，以确保在图像空间与尺度空间中都能够检测到极值点，如图2-5所示。如果DoG尺度空间存在某一点是在26个领域中的最大或者最小值，那么该点就是当前尺度中的一个关键点。利用三维二次函数拟合的方式可以准确地确定关键点尺度和位置，使用Taylor展开式对尺度函数D(x,y,σ)在(,,)Txyσ展开可以去除不稳定的极值点，并且通过Hessian矩阵求出主曲率（即阈值）来去除DoG算子由于边缘响应而产生的不稳定边缘点，以提高图像匹配过程中特征点的稳定性和抗噪能力。σkσk2σk3σk4σk5σσkσk2σ3kσ4kσ2M×2N12nσ12nkσ122nkσ132nkσ142nkσ152nkσ22/22/2nnMN×12nσ12nkσ122nkσ132nkσ142nkσ图2-4DoG尺度空间的示意图图2-5DoG尺度空间的极值点检测利用关键点的高斯金字塔图像，根据固定尺度为σ的3σ领域中梯度的分布特点得
【参考文献】：
期刊论文
[1]基于Faster R-CNN的零件表面缺陷检测算法[J]. 黄凤荣,李杨,郭兰申,钱法,朱雨晨. 计算机辅助设计与图形学学报. 2020(06)
[2]基于改进YOLOv3网络的齿轮缺陷检测[J]. 张广世,葛广英,朱荣华,孙群. 激光与光电子学进展. 2020(12)
[3]基于Zernike矩亚像素的高反光金属工件缺陷检测[J]. 刘婷婷,王培光,张娜. 激光与光电子学进展. 2019(12)
[4]基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别[J]. 李龙,彭彦昆,李永玉,王凡,张捷. 农业机械学报. 2018(11)
[5]基于图像灰度梯度特征的钢轨表面缺陷检测[J]. 闵永智,岳彪,马宏锋,肖本郁. 仪器仪表学报. 2018(04)
[6]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[7]基于最小凸包的直齿圆柱齿轮检测方法研究[J]. 邵勇,张钰婷,顾桂鹏,顾金鑫,昝鹏. 电子测量与仪器学报. 2017(09)
[8]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良. 纺织学报. 2017(02)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[10]基于区域分块与尺度不变特征变换的图像拼接算法[J]. 李玉峰,李广泽,谷绍湖,龙科慧. 光学精密工程. 2016(05)
硕士论文
[1]基于二维和三维视觉信息的钢轨表面缺陷检测[D]. 王静强.西南科技大学 2018
本文编号：3578312
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
齿轮
ɡ?孟妊橹?洞??图像，采用直方图统计特征、灰度共生矩阵法和小波特征法等方式提取缺陷特征，最后通过分析特征的特点实现缺陷识别。缺点是人工设计特征费时费力且不够全面，识别速度慢，准确率较低。(2)基于深度学习的外观缺陷检测方法。该方法通过卷积神经网络训练图像样本数据，完成一系列特征提取，分析决策等工作。缺点是样本数据需求量大，可控性稍差。但神经网络特征信息提取比人工设计提取方式更加全面。本课题主要对加工过程和运输过程中产生的齿轮齿顶圆柱面缺陷进行视觉检测。目前主要有三种齿轮外观缺陷，如图1-1所示。(a)崩角(b)碰伤(c)划伤图1-1齿轮外观缺陷为了能采集到完整的齿轮齿顶圆柱面图像，单个相机无法满足该条件，需要多个相机拍摄。由上图可知，图像中背景区域较多，齿轮检测区域图像较大，目标缺陷尺寸小且占比校可采用无夹具的方式对零件检测，提高检测效率。首先对待检测的齿轮图片进行轮齿区域定位（即ROI区域定位），缩小齿轮缺陷检测算法的检测区域，从而提高检测的速度，然后利用深度学习对ROI区域进行训练和测试工作。因此，齿轮外观缺陷检测方法的研究重点集中在齿轮图像ROI定位方法和基于深度学习的缺陷检测方法。1.3国内外研究的发展现状分析1.3.1基于传统机器视觉的产品外观缺陷检测方法研究现状国外的产品外观缺陷视觉检测技术起步较早，发展较快，技术相对成熟。在技术应用方面，国外已经有成熟的商业系统。现有产品外观缺陷检测技术大多以传统的机器视觉为主，日本基恩士视觉检测系统，可以对集成电路、食品托盘和汽车发动机活塞等外观缺陷进行在线自动化检测，取得一些良好的成果。美国Cognex公司研究出VisionPro
第二章齿轮外观缺陷视觉检测的关键理论12k—相邻的两个尺度空间的比例。首先通过隔点采样和高斯平滑得到高斯金字塔，共O组，每组S层，然后在同一组内相邻的两层生成DoG金字塔，如图2-4所示。每层的采样点与其同尺度领域以及上下相邻尺度内共8+2×9=26点进行比较，以确保在图像空间与尺度空间中都能够检测到极值点，如图2-5所示。如果DoG尺度空间存在某一点是在26个领域中的最大或者最小值，那么该点就是当前尺度中的一个关键点。利用三维二次函数拟合的方式可以准确地确定关键点尺度和位置，使用Taylor展开式对尺度函数D(x,y,σ)在(,,)Txyσ展开可以去除不稳定的极值点，并且通过Hessian矩阵求出主曲率（即阈值）来去除DoG算子由于边缘响应而产生的不稳定边缘点，以提高图像匹配过程中特征点的稳定性和抗噪能力。σkσk2σk3σk4σk5σσkσk2σ3kσ4kσ2M×2N12nσ12nkσ122nkσ132nkσ142nkσ152nkσ22/22/2nnMN×12nσ12nkσ122nkσ132nkσ142nkσ图2-4DoG尺度空间的示意图图2-5DoG尺度空间的极值点检测利用关键点的高斯金字塔图像，根据固定尺度为σ的3σ领域中梯度的分布特点得
【参考文献】：
期刊论文
[1]基于Faster R-CNN的零件表面缺陷检测算法[J]. 黄凤荣,李杨,郭兰申,钱法,朱雨晨. 计算机辅助设计与图形学学报. 2020(06)
[2]基于改进YOLOv3网络的齿轮缺陷检测[J]. 张广世,葛广英,朱荣华,孙群. 激光与光电子学进展. 2020(12)
[3]基于Zernike矩亚像素的高反光金属工件缺陷检测[J]. 刘婷婷,王培光,张娜. 激光与光电子学进展. 2019(12)
[4]基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别[J]. 李龙,彭彦昆,李永玉,王凡,张捷. 农业机械学报. 2018(11)
[5]基于图像灰度梯度特征的钢轨表面缺陷检测[J]. 闵永智,岳彪,马宏锋,肖本郁. 仪器仪表学报. 2018(04)
[6]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[7]基于最小凸包的直齿圆柱齿轮检测方法研究[J]. 邵勇,张钰婷,顾桂鹏,顾金鑫,昝鹏. 电子测量与仪器学报. 2017(09)
[8]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良. 纺织学报. 2017(02)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[10]基于区域分块与尺度不变特征变换的图像拼接算法[J]. 李玉峰,李广泽,谷绍湖,龙科慧. 光学精密工程. 2016(05)
硕士论文
[1]基于二维和三维视觉信息的钢轨表面缺陷检测[D]. 王静强.西南科技大学 2018
本文编号：3578312
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3578312.html
