齒輪在機械產(chǎn)品中有著廣泛的應用,其質量直接影響機械運動部件機構的壽命、傳動比、運動精度等。目前對齒輪外觀缺陷檢測主要以人工抽檢為主,無法滿足齒輪的大批量生產(chǎn)要求。同時,人工檢驗的方式存在可靠性差的缺點,亟需開展自動化的齒輪外觀缺陷檢測方法研究。本文針對齒輪外觀檢測中無法實現(xiàn)齒輪圖像精確分割、輪齒定位、檢測精度低等關鍵問題,進行了深入研究,確定了一種基于機器視覺的齒輪外觀缺陷檢測技術。主要研究內容和成果如下:（1）針對齒輪圖像分割和ROI定位的問題,提出一種適用于齒輪的GA-Ostu圖像閾值分割和改進的A-KAZE與特征貢獻度的齒輪圖像ROI定位方法。研究的一種結合遺傳算法搜索策略的Ostu算法,該方法可將背景與目標分割出來,然后利用掩膜操作對ROI初步定位,最后在初步定位的區(qū)域內使用基于改進的A-KAZE進行特征檢測與匹配,并利用特征貢獻度和RANSAC過濾錯誤匹配點對得到單應性矩陣,計算出參考圖像在原圖的位置和大小,實現(xiàn)對ROI區(qū)域（輪齒區(qū)域）精確定位,特征點匹配正確率為97.99%,而ROI定位速度只有1.137s。（2）分析齒輪外觀缺陷檢測中存在的問題,研究了一種基于改進Fast... 

【文章來源】：江南大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

齒輪

ɡ?孟妊櫓?洞??圖像，采用直方圖統(tǒng)計特征、灰度共生矩陣法和小波特征法等方式提取缺陷特征，最后通過分析特征的特點實現(xiàn)缺陷識別。缺點是人工設計特征費時費力且不夠全面，識別速度慢，準確率較低。(2)基于深度學習的外觀缺陷檢測方法。該方法通過卷積神經(jīng)網(wǎng)絡訓練圖像樣本數(shù)據(jù)，完成一系列特征提取，分析決策等工作。缺點是樣本數(shù)據(jù)需求量大，可控性稍差。但神經(jīng)網(wǎng)絡特征信息提取比人工設計提取方式更加全面。本課題主要對加工過程和運輸過程中產(chǎn)生的齒輪齒頂圓柱面缺陷進行視覺檢測。目前主要有三種齒輪外觀缺陷，如圖1-1所示。(a)崩角(b)碰傷(c)劃傷圖1-1齒輪外觀缺陷為了能采集到完整的齒輪齒頂圓柱面圖像，單個相機無法滿足該條件，需要多個相機拍攝。由上圖可知，圖像中背景區(qū)域較多，齒輪檢測區(qū)域圖像較大，目標缺陷尺寸小且占比校可采用無夾具的方式對零件檢測，提高檢測效率。首先對待檢測的齒輪圖片進行輪齒區(qū)域定位（即ROI區(qū)域定位），縮小齒輪缺陷檢測算法的檢測區(qū)域，從而提高檢測的速度，然后利用深度學習對ROI區(qū)域進行訓練和測試工作。因此，齒輪外觀缺陷檢測方法的研究重點集中在齒輪圖像ROI定位方法和基于深度學習的缺陷檢測方法。1.3國內外研究的發(fā)展現(xiàn)狀分析1.3.1基于傳統(tǒng)機器視覺的產(chǎn)品外觀缺陷檢測方法研究現(xiàn)狀國外的產(chǎn)品外觀缺陷視覺檢測技術起步較早，發(fā)展較快，技術相對成熟。在技術應用方面，國外已經(jīng)有成熟的商業(yè)系統(tǒng)�，F(xiàn)有產(chǎn)品外觀缺陷檢測技術大多以傳統(tǒng)的機器視覺為主，日本基恩士視覺檢測系統(tǒng)，可以對集成電路、食品托盤和汽車發(fā)動機活塞等外觀缺陷進行在線自動化檢測，取得一些良好的成果。美國Cognex公司研究出VisionPro

第二章齒輪外觀缺陷視覺檢測的關鍵理論12k—相鄰的兩個尺度空間的比例。首先通過隔點采樣和高斯平滑得到高斯金字塔，共O組，每組S層，然后在同一組內相鄰的兩層生成DoG金字塔，如圖2-4所示。每層的采樣點與其同尺度領域以及上下相鄰尺度內共8+2×9=26點進行比較，以確保在圖像空間與尺度空間中都能夠檢測到極值點，如圖2-5所示。如果DoG尺度空間存在某一點是在26個領域中的最大或者最小值，那么該點就是當前尺度中的一個關鍵點。利用三維二次函數(shù)擬合的方式可以準確地確定關鍵點尺度和位置，使用Taylor展開式對尺度函數(shù)D(x,y,σ)在(,,)Txyσ展開可以去除不穩(wěn)定的極值點，并且通過Hessian矩陣求出主曲率（即閾值）來去除DoG算子由于邊緣響應而產(chǎn)生的不穩(wěn)定邊緣點，以提高圖像匹配過程中特征點的穩(wěn)定性和抗噪能力。σkσk2σk3σk4σk5σσkσk2σ3kσ4kσ2M×2N12nσ12nkσ122nkσ132nkσ142nkσ152nkσ22/22/2nnMN×12nσ12nkσ122nkσ132nkσ142nkσ圖2-4DoG尺度空間的示意圖圖2-5DoG尺度空間的極值點檢測利用關鍵點的高斯金字塔圖像，根據(jù)固定尺度為σ的3σ領域中梯度的分布特點得

【參考文獻】：
期刊論文
[1]基于Faster R-CNN的零件表面缺陷檢測算法[J]. 黃鳳榮,李楊,郭蘭申,錢法,朱雨晨.  計算機輔助設計與圖形學學報. 2020(06)
[2]基于改進YOLOv3網(wǎng)絡的齒輪缺陷檢測[J]. 張廣世,葛廣英,朱榮華,孫群.  激光與光電子學進展. 2020(12)
[3]基于Zernike矩亞像素的高反光金屬工件缺陷檢測[J]. 劉婷婷,王培光,張娜.  激光與光電子學進展. 2019(12)
[4]基于紋理和梯度特征的蘋果傷痕與果梗/花萼在線識別[J]. 李龍,彭彥昆,李永玉,王凡,張捷.  農業(yè)機械學報. 2018(11)
[5]基于圖像灰度梯度特征的鋼軌表面缺陷檢測[J]. 閔永智,岳彪,馬宏鋒,肖本郁.  儀器儀表學報. 2018(04)
[6]機器視覺表面缺陷檢測綜述[J]. 湯勃,孔建益,伍世虔.  中國圖象圖形學報. 2017(12)
[7]基于最小凸包的直齒圓柱齒輪檢測方法研究[J]. 邵勇,張鈺婷,顧桂鵬,顧金鑫,昝鵬.  電子測量與儀器學報. 2017(09)
[8]應用深度卷積神經(jīng)網(wǎng)絡的色織物缺陷檢測[J]. 景軍鋒,范曉婷,李鵬飛,洪良.  紡織學報. 2017(02)
[9]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[10]基于區(qū)域分塊與尺度不變特征變換的圖像拼接算法[J]. 李玉峰,李廣澤,谷紹湖,龍科慧.  光學精密工程. 2016(05)

碩士論文
[1]基于二維和三維視覺信息的鋼軌表面缺陷檢測[D]. 王靜強.西南科技大學 2018



本文編號：3578312