(沈陽工學(xué)院, 遼寧 撫順 113122)

基于神經(jīng)網(wǎng)絡(luò)的零件缺陷機(jī)器視覺識(shí)別系統(tǒng)

李鶴

(沈陽工學(xué)院,遼寧撫順113122)

小軸承、輪軸等是機(jī)器、車輛、發(fā)動(dòng)機(jī)等的重要零配件，為提高對(duì)其表面缺陷進(jìn)行檢測(cè)的檢測(cè)效率和檢測(cè)精度，以小軸承表面為研究對(duì)象，提出了采用機(jī)器視覺技術(shù)實(shí)現(xiàn)對(duì)軸承表面缺陷的實(shí)時(shí)在線自動(dòng)檢測(cè)，設(shè)計(jì)了基于BP神經(jīng)網(wǎng)絡(luò)的零件缺陷機(jī)器視覺在線自動(dòng)檢測(cè)系統(tǒng);根據(jù)微小軸承的表面結(jié)構(gòu)、尺寸、檢測(cè)精度和缺陷特征，采用機(jī)器視覺技術(shù)，對(duì)所采集到的圖片進(jìn)行預(yù)處理，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)檢測(cè)識(shí)別模型，利用 Hough 變換以及Roberts算子提取了圖像中的目標(biāo)區(qū)域，以組合矩不變量為依據(jù)，判斷軸承是否存在缺陷，從而對(duì)微小軸承缺陷進(jìn)行實(shí)時(shí)檢測(cè);MATLAB仿真結(jié)果證明了人工神經(jīng)網(wǎng)絡(luò)識(shí)別模型的檢測(cè)能力的可靠性和有效性。

缺陷檢測(cè)；神經(jīng)網(wǎng)絡(luò)；機(jī)器視覺；組合矩

0 引言

近年來，零件缺陷的識(shí)別逐漸成為圖像處理及模式識(shí)別領(lǐng)域的研究熱點(diǎn)問題，其實(shí)用性強(qiáng)，尤其在大規(guī)模工業(yè)生產(chǎn)上，其應(yīng)用前景更是廣闊，有著巨大的潛在市場(chǎng)。如今伴隨著計(jì)算機(jī)的快速發(fā)展，越來越多的在圖像處理及模式識(shí)別研究中，許多人類難以解決的相對(duì)復(fù)雜的問題，都可以借助計(jì)算機(jī)的高速運(yùn)算來解決[1-2]。

日常生活中，軸承隨處可見，其是各種機(jī)器、車輛、發(fā)動(dòng)機(jī)等的重要零配件，其質(zhì)量的合格與否對(duì)使用者的性能有重要影響。因此，在生產(chǎn)過程中，進(jìn)行軸承質(zhì)量檢測(cè)就成為了必須。傳統(tǒng)缺陷檢測(cè)法有：聲發(fā)射法[3]、超聲法[4]、渦流法[5]、磁粉法[6]等。其中聲發(fā)射法只對(duì)大面積碰傷缺陷有良好的適應(yīng)性，超聲法對(duì)細(xì)小裂紋的探測(cè)適應(yīng)性差；渦流法無法適用于非導(dǎo)體材料；磁粉法檢測(cè)易受操作人員主觀因素的影響。而采用機(jī)器視覺的缺陷檢測(cè)法具有準(zhǔn)確度高、速度快及實(shí)時(shí)檢測(cè)的特點(diǎn)。因此，在實(shí)際生產(chǎn)中，采用機(jī)器視覺技術(shù)構(gòu)建檢測(cè)識(shí)別系統(tǒng)成為了解決這一問題的關(guān)鍵。隨著數(shù)字圖像處理分析理論的完善，機(jī)器視覺技術(shù)在工業(yè)在線檢測(cè)[7-8]、測(cè)量[9]的應(yīng)用逐漸廣泛。

針對(duì)微小軸承的表面結(jié)構(gòu)、尺寸、檢測(cè)精度和缺陷特征，本文設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的零件缺陷機(jī)器視覺在線自動(dòng)檢測(cè)系統(tǒng)。其采用機(jī)器視覺技術(shù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)檢測(cè)識(shí)別模型，采用進(jìn)行圖像特征提取的間接識(shí)別方法，以組合距不變量為依據(jù)，對(duì)微小軸承缺陷進(jìn)行實(shí)時(shí)檢測(cè)，判斷零件的是否合格。

1 方案設(shè)計(jì)

本文采用機(jī)器視覺技術(shù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)檢測(cè)識(shí)別模型，識(shí)別方法采用進(jìn)行圖像特征提取的間接法，選用組合距不變特征量為依據(jù)，實(shí)時(shí)檢測(cè)微小軸承表面缺陷。微小軸承檢測(cè)識(shí)別系統(tǒng)方案及硬件結(jié)構(gòu)如圖1所示。

圖1 微小軸承檢測(cè)方案

其工作原理為：當(dāng)微小軸承傳送到成像系統(tǒng)鏡頭下時(shí)，即可觸發(fā)光源系統(tǒng)，將其在面陣 CCD上放大成像。面陣CCD完成光電信號(hào)的轉(zhuǎn)換，經(jīng)圖像采集卡完成圖像的模數(shù)轉(zhuǎn)換后，上位機(jī)會(huì)將數(shù)字信號(hào)輸入計(jì)算機(jī)內(nèi)存，從而即可得到軸承的灰度圖像，然后經(jīng)濾波、邊緣檢測(cè)、特征提取與識(shí)別等處理后，即可檢測(cè)出軸承表面的裂紋、擦傷、形狀不良等缺陷。根據(jù)檢測(cè)結(jié)果，判定軸承是否合格，對(duì)于不合格零件，上位機(jī)通知下位機(jī)控制剔除機(jī)構(gòu)剔除不合格零件，而合格零件直接送至零件合格庫。

2 檢測(cè)算法設(shè)計(jì)

2.1 圖像預(yù)處理

進(jìn)行圖像采集工作時(shí)，由于現(xiàn)實(shí)環(huán)境的影響難以避免，實(shí)際獲得的圖像不可避免的可能會(huì)受到嚴(yán)重的噪聲干擾，造成接收到的圖像質(zhì)量下降。所以進(jìn)一步處理圖像或特征提取前要先對(duì)圖像進(jìn)行濾波、二值化、平滑、去噪聲、分割、邊緣檢測(cè)等預(yù)處理，然后對(duì)其進(jìn)行特征提取。而且有時(shí)圖像會(huì)出現(xiàn)偏移、大小不一的現(xiàn)象，此時(shí)就需進(jìn)行歸一化處理，為圖像識(shí)別做準(zhǔn)備。下面主要針對(duì)濾波、圖像分割、邊緣檢測(cè)、目標(biāo)提取做詳細(xì)介紹。

2.1.1 濾波

一般由于成像系統(tǒng)、傳輸介質(zhì)等的生產(chǎn)工藝上的所具有的缺陷及不足，圖像的形成、傳輸過程往往不可避免的可能會(huì)受到各種各樣的噪聲的污染。除此之外，例如，當(dāng)在進(jìn)行圖像處理的過程中，如果輸入的圖像并不如預(yù)期所想的那樣，這時(shí)也可能在形成的結(jié)果圖像中引入或多或少的噪聲干擾。在圖像上噪聲常常表現(xiàn)為強(qiáng)視覺效果的孤立像素點(diǎn)。一般而言，噪聲信號(hào)與所研究的目標(biāo)對(duì)象并不是相關(guān)聯(lián)的，噪聲信號(hào)多以無用信息的形式出現(xiàn)，疊加在有用信號(hào)上，從而擾亂圖像的可觀測(cè)信息。一般對(duì)于數(shù)字圖像信號(hào)而言，噪聲值常常表現(xiàn)為極大值或者是極小值，通過把極值加減作用在實(shí)際圖像像素的真實(shí)的灰度值上，從而造成圖像的亮點(diǎn)或者是暗點(diǎn)影響，嚴(yán)重影響了圖像的質(zhì)量，致使圖像質(zhì)量下降，干擾了進(jìn)行圖像復(fù)原、分割、特征提取、圖像識(shí)別等一些基本的后續(xù)工作。如果想有效的抑制噪聲，這時(shí)必須考慮兩個(gè)最基本的問題：一是可以能有效地去除目標(biāo)及背景中的噪聲干擾；二是可以有效的保證目標(biāo)圖像的形狀、大小及特定的幾何和拓?fù)浣Y(jié)構(gòu)特征不變化。為了減少圖像失真，提取到更多可用信息。本文采用中值濾波法，其算法如下：

①當(dāng)處理處理像素點(diǎn)(i,j)時(shí)，以這個(gè)像素點(diǎn)為中心取N×N的區(qū)域，再求出N×N個(gè)像素點(diǎn)的灰度中值M(i,j)。(N為奇數(shù))

②設(shè)N/2的整數(shù)部分為r，對(duì)N×N區(qū)域的每一點(diǎn)計(jì)算加權(quán)系數(shù)M(i,j)。

(1)

(2)

式中，I(m,n)為N×N區(qū)域內(nèi)(m,n)點(diǎn)的灰度值。

2.1.2 圖像分割

一般在整幅圖像中，常常只有里面的部分目標(biāo)是人們所感興趣的，通常情況下，這些目標(biāo)占據(jù)一些特定的區(qū)域，還有就是在某些特性，例如灰度、和紋理等上與臨近的圖像有些差異。這些特性差別可能非常顯著，也可能很細(xì)微，以至于連人的肉眼都察覺不出。近幾年來，隨著計(jì)算機(jī)及圖像處理技術(shù)的快速發(fā)展，許多人類難以解決的相對(duì)復(fù)雜的問題，都可以借助計(jì)算機(jī)的高速運(yùn)算來解決，這使得人們能夠方便的高效的通過計(jì)算機(jī)來獲取和處理圖像信息。圖像分割是圖像識(shí)別的基礎(chǔ)，它的作用是把反映物體本質(zhì)情況的、占據(jù)不同區(qū)域的、具有不同特性的目標(biāo)加以區(qū)分，并形成數(shù)字特征。圖像識(shí)別和圖像理解的基本前提步驟就是圖像分割，圖像分割質(zhì)量的好壞對(duì)后續(xù)圖像處理的效果有著直接影響，以至于可能是決定其成敗的關(guān)鍵因素，因此，圖像分割的作用是至關(guān)重要的。

圖像分割簡(jiǎn)而言之，就是按照一定的原則方法將圖像分割成若干個(gè)具有獨(dú)立特征的部分，并把感興趣的目標(biāo)提取出來過程。本文采用的是閾值分割法，閾值分割法關(guān)鍵在于閾值的選取[10]。在此，本文基于迭代思想求出全局閾值，算法如下[11]：

①令初始閾值為：

(3)

式中，Z1和ZK分別為圖像的最大和最小灰度值。

②以閾值TK為依據(jù)，把圖像分割為目標(biāo)和背景圖像，并求這兩者的平均灰度值ZO和ZB：

(4)

(5)

式中，Z(i,j)是像素點(diǎn)(i,j)的灰度值；N(i,j)則為該像素點(diǎn)的加權(quán)系數(shù)，通常取1.0。

③求新閾值：

(6)

④如果TK=TK+1，則迭代到此為止，否則K←K+1，跳轉(zhuǎn)到步驟2迭代繼續(xù)。利用上述原理即可求出本文所需閾值。

經(jīng)統(tǒng)計(jì)歸類，軸承表面缺陷幾乎都是出現(xiàn)在內(nèi)外圈和密封蓋端面上。所以檢測(cè)時(shí)，最好把兩者分割出來再檢測(cè)，效果會(huì)更好。

2.1.3 邊緣檢測(cè)

所謂圖像邊緣，通俗地說就是圖像灰度值有階躍變化，是局部特性不連續(xù)的反映，往往代表著區(qū)域的開始或結(jié)束。把圖像局部特性的不連續(xù)的像素連成完備的邊界即可檢測(cè)出圖像邊緣。本文使用Roberts算子提取圖像的邊緣。

Roberts邊緣檢測(cè)算子[12]由兩個(gè)2×2模板構(gòu)成。可表示為：

G(i,j)=|Gx|+|Gy|

(7)

表1為Roberts算子的梯度幅值近似計(jì)算法。

表1 梯度幅值計(jì)算

其中，(i,j)為當(dāng)前像素的位置，其計(jì)算公式如下：

G(i,j)=|f(i,j)-f(i+1,j+1)|+

|f(i+1,j)-f(i,j+1)|

(8)

選取適當(dāng)?shù)拈撝郸?，若G(i,j) >τ，則把點(diǎn)(i,j)記作邊緣點(diǎn)。Roberts算子檢測(cè)定位精度比較高，但對(duì)噪聲敏感。

2.1.4 目標(biāo)圖像提取

由于本文檢測(cè)的軸承主要尺寸大小都為已知，故根據(jù) Hough 原理，并結(jié)合實(shí)際條件，可利用以下步驟提取出密封蓋端面：

①進(jìn)行圖像預(yù)處理，包括濾波、閾值分割、邊緣檢測(cè)等。

②建立一個(gè)離散參數(shù)空間，其與圖像空間相同，并在其各個(gè)離散位置上建立計(jì)數(shù)累加器，累加器的初值設(shè)為0。

③逐點(diǎn)掃描處理后的二值圖像，一旦遇到前景點(diǎn)即提取的邊緣點(diǎn)，就以此點(diǎn)為圓心，尋找圖像范圍內(nèi)半徑為r的所有點(diǎn)。把圓周上的各點(diǎn)處的累加器的值加1，并記下該圓的圓心所在位置。

④將各點(diǎn)的累加器值進(jìn)行比較，最終要找的圓心點(diǎn)即為累加器值最大的點(diǎn)。確定到圓心位置后，可將防塵蓋圓環(huán)分割出來。

2.2 神經(jīng)網(wǎng)絡(luò)識(shí)別模型確立

圖像前期處理完成后就要對(duì)圖像進(jìn)行識(shí)別，本文采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別，且采用進(jìn)行圖像特征提取的間接識(shí)別方法。

2.2.1 特征提取

零件缺陷檢測(cè)中，是否能夠選取合適的特征描述，其將直接影響到正確識(shí)別率的高低。較強(qiáng)的通用性、較高的精度、較快的提取速度快的一組量是一個(gè)好的特征描述所具有的基本特點(diǎn)。在實(shí)際應(yīng)用中，常常從已有各種特征描述中，找到最佳的目標(biāo)特征描述組合。而提取圖像的特征量時(shí)，應(yīng)當(dāng)選擇一個(gè)在目標(biāo)發(fā)生傾斜、大小、位置變化的時(shí)候，仍能夠保持不變的特征量。為了更好地提高識(shí)別的正確率，本文選用矩不變量對(duì)圖像特征量進(jìn)行提取。矩不變量特征是模式識(shí)別中常用的一種特征描述。對(duì)于圖像f(x,y)，其二維(p+q)階幾何矩為如下黎曼積分形式：

(9)

其中：p,q=0，1，2，...，根據(jù)唯一性定理，當(dāng)所有各階矩均存在時(shí)，矩序列{mp,q}唯一地被f(x,y)確定；{mp,q}也唯一確定了f(x,y)。為了得到位置不變性，引入中心距，其定義為：

(10)

(11)

用ηpq表示的7個(gè)具有平移、尺寸和旋轉(zhuǎn)不變性的矩不變量為：

I1=η20+η02

(12)

(13)

I3=(η30-3η12)2+(3η21-η03)2

(14)

I4=(η30+η12)2+(η21+η03)2

(15)

I5=(η30-3η12)(η30+η12)

[(η30-η12)2-3(η21+η03)2]+

(3η21-η03)(η21+η03)

[3(η30+η21)2-(η21+η30)2]

(16)

I6=(η20+η02)

[(η30+η12)2-(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(17)

I7=(3η12-η30)(η30+η12)

[(η30+η12)2-3(η21+η03)2]+

(3η21-η03)(η21+η03)

[3(η30+η12)2-(η21+η30)2]

(18)

Maitra根據(jù)這7個(gè)不變量，定義如下6個(gè)不變量對(duì)目標(biāo)分類。

(19)

在對(duì)圖像中的目標(biāo)進(jìn)行特征提取時(shí)，本文選擇采用以這6個(gè)不變量為基礎(chǔ)而構(gòu)成的 5個(gè)組合矩不變量：

(20)

由于圖像所具有的組合矩不變的特征，本文利用此原理，進(jìn)行圖像的模式識(shí)別。

2.2.2 圖片特征庫建立

本文選用35幅拍攝的微小軸承圖片，其中20幅合格和15幅不合格，對(duì)它們進(jìn)行1～35編號(hào)，1～5、11～25為合格的軸承圖片，6～10、26～35為不合格的軸承圖片。圖片經(jīng)預(yù)處理后分別計(jì)算式(20)所示的組合矩不變量(M1,M2,M3,M4,M5)，作為人工神經(jīng)網(wǎng)絡(luò)理論的圖片特征庫。

2.2.3 構(gòu)建神經(jīng)網(wǎng)絡(luò)識(shí)別模型

按照人工神經(jīng)元連接方式上的不同，人工神經(jīng)網(wǎng)絡(luò)可以劃分為4個(gè)大類，即前向、反饋、相互結(jié)合和混合型的這幾個(gè)網(wǎng)絡(luò)。其中，前向網(wǎng)絡(luò)是比較經(jīng)典的一種神經(jīng)網(wǎng)絡(luò)，前向網(wǎng)絡(luò)的突出特點(diǎn)是前后兩層之間的神經(jīng)元之間相互連接，每層內(nèi)部的神經(jīng)元相互之間不連接。而反饋網(wǎng)絡(luò)增加了從輸出層到輸入層之間的反饋。對(duì)于相互結(jié)合型網(wǎng)絡(luò)，其每個(gè)神經(jīng)元都能夠?qū)崿F(xiàn)雙向的連接，并且各個(gè)神經(jīng)元在進(jìn)行信息處理的同時(shí)，還常常伴隨著各個(gè)神經(jīng)元之間的內(nèi)在相互作用?；旌闲途W(wǎng)絡(luò)的連接方式是介于前向和相互結(jié)合型網(wǎng)絡(luò)之間的。由于神經(jīng)網(wǎng)絡(luò)具有高速并行處理能力、良好的容錯(cuò)能力、自學(xué)習(xí)能力及較強(qiáng)的分類能力等特點(diǎn)，所以在識(shí)別階段，對(duì)于圖像的識(shí)別來說，本文采用神經(jīng)網(wǎng)絡(luò)分類器是非常有效的手段。

BP網(wǎng)絡(luò)是多層前向網(wǎng)絡(luò)，本文使用人工BP神經(jīng)網(wǎng)絡(luò)作為分類器對(duì)已經(jīng)提取的特征進(jìn)行分析和識(shí)別歸類。其工作方式為：首先是訓(xùn)練方式，這種工作狀態(tài)下要采用一定數(shù)量的樣本圖像對(duì)模型進(jìn)行訓(xùn)練，還要在訓(xùn)練前給出各個(gè)樣本的所對(duì)應(yīng)的分類，一直到模型能夠?qū)λ袠颖具M(jìn)行正確的識(shí)別為止；然后是識(shí)別方式，種工作狀態(tài)下直接把待識(shí)別的圖像輸入到模型，通過模型計(jì)算并與訓(xùn)練特征庫對(duì)比后，輸出識(shí)別結(jié)果。識(shí)別系統(tǒng)模型如圖2。

圖2 神經(jīng)網(wǎng)絡(luò)圖像識(shí)別系統(tǒng)模型

本文采用三層BP 神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、隱含層和輸出層。輸入層節(jié)點(diǎn)、隱層、輸出層節(jié)點(diǎn)分別取5，6，1，隱層、輸出層傳遞函數(shù)分別取多個(gè)S型函數(shù)(logsig)的疊加、線性函數(shù)(purelin)。隱含層激勵(lì)為多個(gè)S型函數(shù)的疊加，相鄰函數(shù)間有著不同的間隔，因而一個(gè)隱層神經(jīng)元能表示的量級(jí)和狀態(tài)增多，網(wǎng)絡(luò)模糊性增加，網(wǎng)絡(luò)模式識(shí)別的準(zhǔn)確率將會(huì)得到提高。

2.2.4 BP神經(jīng)模型網(wǎng)絡(luò)訓(xùn)練

由于BP算法存在諸多缺點(diǎn)，BP算法的改進(jìn)就成為了必需。本文的模式識(shí)別檢測(cè)模型采用改進(jìn)的BP算法——LM算法進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

采用LM訓(xùn)練算法，不需要計(jì)算Hessian陣，它可以用下面的矩陣來替代：

H=JTJ

(21)

其梯度為：

g=JTe

(22)

其中:J是雅克比矩陣。e是誤差向量。則：

xk+1=xk-[JTJ+μI]-1JTe

(23)

迭代時(shí)，若訓(xùn)練成功，就使μ的值減??；反之，就使μ的值增加，以便使誤差函數(shù)最終會(huì)減小到合適的值。本文所建立的微小軸承表面缺陷檢測(cè)模型的訓(xùn)練流程圖如圖3所示。

圖3 網(wǎng)絡(luò)訓(xùn)練流程圖

3 實(shí)驗(yàn)實(shí)現(xiàn)及分析

本文所采集到的原始圖像其中之一如圖4所示，實(shí)驗(yàn)時(shí)，采用MATLAB做仿真實(shí)驗(yàn)，對(duì)其進(jìn)行邊緣檢測(cè)的效果及提取到的目標(biāo)圖像效果如圖5所示。

圖4 邊緣檢測(cè)效果 圖5 目標(biāo)圖像效果

為驗(yàn)證算法有效性，在實(shí)驗(yàn)的模式識(shí)別階段，本文首先對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以得到合適的權(quán)值，采用的訓(xùn)練樣本由圖片特征庫中的前10個(gè)構(gòu)成，并把的合格和不合格的訓(xùn)練樣本交叉輸入，且令合格樣本的期望輸出為1，不合格樣品的期望輸出為0。將合格和合格樣品交叉輸入有利于網(wǎng)絡(luò)的學(xué)習(xí)和記憶，因?yàn)锽P網(wǎng)絡(luò)具有學(xué)習(xí)新知識(shí)遺忘舊知識(shí)的缺點(diǎn)。之所以選擇10幅圖片作為樣本輸入，是因?yàn)榫W(wǎng)絡(luò)訓(xùn)練樣本過少，會(huì)使網(wǎng)絡(luò)訓(xùn)練不完全，樣本過多會(huì)造成過度學(xué)習(xí)，反而也不利于網(wǎng)絡(luò)的學(xué)習(xí)和收斂。經(jīng)過8次網(wǎng)絡(luò)訓(xùn)練后，可達(dá)到設(shè)定的訓(xùn)練誤差10的負(fù)7次方，訓(xùn)練誤差實(shí)驗(yàn)曲線如圖6所示。

圖6 訓(xùn)練誤差曲線圖

然后，再將驗(yàn)證樣本經(jīng)預(yù)處理、特征提取后送入到網(wǎng)絡(luò)中識(shí)別，并得出識(shí)別結(jié)果。選取圖片特征庫中編號(hào)11～35的圖片作為模型的驗(yàn)證樣本，把合格品的相對(duì)誤差范圍設(shè)定為12%，其余全部計(jì)為不合格(包括判別不出的全記為不合格)。部分樣本的實(shí)際輸出如表2、3所示。

表2 誤差驗(yàn)證表及誤差結(jié)果(部分?jǐn)?shù)據(jù))

表3 對(duì)應(yīng)編號(hào)圖片的與誤差輸出(部分?jǐn)?shù)據(jù))

實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)顯示，樣本中25個(gè)微小軸承圖片中，原本總共15個(gè)合格的有2 個(gè)被判別為不合格；原本10個(gè)不合格的全部判別為不合格。其統(tǒng)計(jì)表見表4。

表4 驗(yàn)證樣本情況統(tǒng)計(jì)表

樣本總數(shù)25合格數(shù)15不合格數(shù)10被判為合格被判為不合格被判為合格被判為不合格132010

由表4可以得出，模型的正確識(shí)別率為92%，充分說明本微小軸承表面缺陷神經(jīng)網(wǎng)路檢測(cè)模型具有較高的正確率，其可靠性和安全性較好。

4 結(jié)論

本文針對(duì)微小軸承的表面結(jié)構(gòu)、尺寸、檢測(cè)精度和缺陷特征，并結(jié)合實(shí)際實(shí)驗(yàn)條件，構(gòu)建了用于檢測(cè)識(shí)別微小軸承表面缺陷的人工神經(jīng)網(wǎng)絡(luò)模型，選擇了適用于本文模型的預(yù)處理方法對(duì)所采集圖片進(jìn)行處理，利用 Hough 變換以及Roberts算子提取了圖片中的軸承防塵蓋部分；以組合矩不變量為依據(jù)，判斷軸承是否存在缺陷；利用MATLAB軟件做仿真實(shí)驗(yàn)，結(jié)果表明其用于實(shí)際檢測(cè)的可靠性。并用多幅微小軸承圖片驗(yàn)證了模型的準(zhǔn)確性，得到了較好的檢測(cè)效果，證實(shí)了本文采用的BP神經(jīng)網(wǎng)絡(luò)模型用于軸承表面缺陷識(shí)別的合理性。

[1] 高津京.計(jì)算機(jī)測(cè)量與控制[J].計(jì)算機(jī)測(cè)量與控制，2002，10(9)：570-572.

[2] 張光建,申時(shí)全.基于Windows的計(jì)算機(jī)測(cè)量與控制軟件設(shè)計(jì)[J].貴州大學(xué)學(xué)報(bào):自然科學(xué)版, 2003, 20(4):411-413.

[3] Ran Qifang. Brief intro duction of nondestructive testing techniques and their characteristics [J]. NDT, 1999, 21 (2):75-80. (in Chinese)

[4] Wang H Y, He P, Zhang X D. Study of noninvasive examining based on ultrasonic[J].Instrumentation Technology, 2013, 3: 29-34. (in Chinese)

[5] Lin F B. The research and development of evolutions eddy current testing technology [ J ] . Nondestructive Test, 2012 ,36 (5): 11-14. (in Chinese)

[6] Lu B C, Li J W. Automatic flaw recognition method of fluorescent magnetic detection [J]. Journal of Nanjing University of Science and Technology, 2010, 34(6): 805-808.

[7] Jia H B, Murphey Y L, Shi J J. An intelligent real time vision system for surface defect detection[A].Proceedings of the 17th International Conference on Pattern Recognition[C]. 2004: 239-242.

[8] Peng X Q, Chen Y P, Yu W Y. An online defects inspection method for float glass fabrication based on machine vision [J]. International Journal of Advanced Manufacturing Technology, 2008, 39(11): 1180-1189.

[9] Bu X Z, Li G J, Yang B, et al. Fast unwrapping of panoramic annular image with center deviation [J]. Optics and Precision Engineering, 2012, 20(9): 2103-2109.

[10] Hao H X. The application of machine vision on the identification and detection of parts [D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2008.

[11] 何 斌,等．Visual C++數(shù)字圖像處理(第二版)[M]．北京:人民郵電出版社，2002.

[12] 龔聲蓉，劉純平，王 強(qiáng)．?dāng)?shù)字圖像處理與分析[M].北京:清華大學(xué)出版社，2006.

ComputerVisionRecognitionSystemforComponentDefectBasedonNeuralNetwork

Li He

(Shenyang Institute of Technology, Fushun 113122,Chian)

Small bearings, axles, and etc are important components for machines,vehicles, engines and etc. In order to improve the detection efficiency and detection accuracy of its surface defects, Taking small bearing surface as the object of study, and putting forward the method to realize real-time online automatic detection of bearing surface defects based on machine vision technology and designing the online automatic detection system of defective parts machine vision based on BP neural network. According to the micro bearings surface structure, size, accuracy and defect characteristics, using machine vision technology, preprocessing for the collected image, and constructing BP neural network detective model, extracting target area in the image by Hough transform and Roberts operator. Based on the combined-moment invariants, the defects of the bearings are judged, and thus the defects of the small bearings are detected in real time.The simulation results of MATLAB verify the reliability and effectiveness of ANN detection model.

defect detection; neural network; machine vision; combined-moment

2017-07-24；

2017-08-23。

李 鶴(1981-)，男，遼寧沈陽人，碩士，副教授，主要從事機(jī)器人控制，機(jī)器視覺算法方向的研究。

1671-4598(2017)11-0248-04

10.16526/j.cnki.11-4762/tp.2017.11.063

E926.3

A