基于BP神经网络的轮速传感器齿圈表面缺陷检测方法技术

本发明专利技术公开了一种基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，具体实施内容为：本发明专利技术方法采用事先确定感兴趣区域的方式，对轮速传感器齿圈表面图像进行处理，然后分析表面缺陷的几何特征、纹理特征、灰度特征，选取较为突出的6个特征，即像素总数、灰度均值、灰度方差、熵值、惯性矩、逆差矩，作为训练BP神经网络的特征向量，确定BP神经网络的基本训练参数，利用齿圈表面图像训练样本对搭建好的神经网络模型进行训练学习，然后利用训练好的BP神经网络模型对被测齿圈表面图像进行缺陷检测，并输出检测结果。该方法可用于机器替代人类对轮速传感器齿圈进行检测，解决了人眼识别、人工分类费时费力、误差大等问题。

Detection Method for Surface Defects of Gear Ring of Wheel Speed Sensor Based on BP Neural Network

The invention discloses a method for detecting surface defect of wheel speed sensor ring based on BP neural network. The specific implementation contents are as follows: the method adopts the method of determining the region of interest beforehand to process the surface image of wheel speed sensor ring, and then analyses the geometric features, texture features and gray features of surface defect, and selects six prominent features, i.e. total pixels. Number, gray mean value, gray variance, entropy value, inertia moment and deficit moment are used as the characteristic vectors of training BP neural network. The basic training parameters of BP neural network are determined. The built neural network model is trained by using the training samples of gear ring surface image. Then the trained BP neural network model is used to detect the defects of the tested gear ring surface image and output. Test results. This method can be used to detect the gear ring of wheel speed sensor by machine instead of human. It solves the problems of human eye recognition, manual classification, time-consuming, laborious and large error.

【技术实现步骤摘要】
基于BP神经网络的轮速传感器齿圈表面缺陷检测方法
本专利技术涉及机器视觉检测
，尤其是涉及一种基于BP神经网络的轮速传感器齿圈表面缺陷检测方法。
技术介绍
制动防抱死系统（ABS）是车辆最基本的安全系统，轮速传感器齿圈是ABS系统中的核心零部件，其质量的好坏直接影响了ABS系统能否正常工作。因此，为了防止不合格的轮速传感器齿圈投入到汽车生产中，提高车辆安全性能，各齿圈生产厂家都设置了产品出厂检测环节。轮速传感器齿圈表面缺陷主要分为积液、缺齿和色差三种类型。在轮速传感器齿圈表面缺陷检测上，目前国内常用的检测方法主要包括：（1）通过人眼识别轮速传感器齿圈的表面缺陷，借此来判断产品是否合格。当待检齿圈数量较多时，显然这种方式不仅误差大，还大量消耗人力物力，产品精度很难得到提高；（2）采用反射型光纤传感器对轮速传感器齿圈进行缺陷的检测。虽然该方法的检测速度能够达到10s/pcs，但通过该方法只能检测出产品是否合格，不能对产品缺陷进行分类，导致缺陷齿圈还需要人工进行分拣，浪费时间和精力；（3）采用图像处理的方式对轮速传感器齿圈进行缺陷的检测，根据经验得到缺陷位置，即：缺齿位于齿圈顶面，色差位于齿圈面中部，积液位于齿圈底面，但实际生产中所得齿圈的缺陷位置具有随机性，所以该方法影响测量的精度。
技术实现思路
本专利技术针对现有技术的不足，提供了一种基于神经元网络的轮速传感器齿圈表面缺陷检测方法，该方法采用事先确定感兴趣区域的方式，采用图像处理的方法对轮速传感器齿圈表面图像进行处理，然后分析齿圈表面缺陷的几何特征、纹理特征、灰度特征，选取较为突出的6个特征，即像素总数、灰度均值、灰度方差、熵值、惯性矩、逆差矩，作为训练BP神经网络的特征向量，确定BP神经网络的基本训练参数，并对初步搭建好的神经网络模型进行大量的齿圈表面缺陷样本训练，然后利用训练好的BP神经网络模型对被测齿圈缺陷预测样本进行检测，并输出检测结果。该方法提高了测量精度，同时可用于机器替代人类对轮速传感器齿圈进行检测，解决了人眼识别、人工调整费时费力、误差大等问题。本专利技术所采用的技术方案是，一种基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，具体按照以下步骤实施：步骤1：获取轮速传感器齿圈的表面展开图像Src；步骤2：获取图像Src的感兴趣区域Roi；步骤3：对感兴趣区域图像Roi采用迭代法进行二值化处理，得到二值图像Sub；步骤4：对二值图像Sub进行滤波去噪得到结果图像Imp，然后进行取反得到图像Imn；步骤5：在取反图像Imn中先消除竖条，再去除毛刺，接着消去横条，最后进行缺陷区域提取得到缺陷区域图像Inn；如果存在缺陷区域，按照以下步骤继续判断缺陷的种类；如果没有检测到缺陷区域，则表明该齿圈没有缺陷；步骤6：提取缺陷区域图像的6个特征参数，即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩，构建特征向量，作为BP神经网络的输入；步骤7：搭建BP神经网络模型，设置参数包括：输入层结点数、输出层结点数、隐层结点数、期望误差、学习效率和传递函数；步骤8：在已经搭建好的BP神经网络模型中采用莱文贝格－马夸特算法对模型进行训练，使BP神经网络模型达到成熟；步骤9：将待测轮速传感器齿圈的图像进行预处理获得的6个特征参数输入到步骤8得到的训练成熟的BP神经网络模型中，实现轮速传感器齿圈表面缺陷的检测；至此，实现了轮速传感器齿圈表面缺陷的检测，即成。本专利技术的有益效果是通过图像处理技术结合BP神经网络技术实现轮速传感器齿圈表面缺陷的检测。本专利技术方法可用于机器替代人类对轮速传感器齿圈进行矫正，解决了人眼识别、人工分类费时费力、误识率高等问题。附图说明图1是本专利技术方法的步骤流程图；图2是本专利技术方法获取的原图像；图3是本专利技术方法获取的感兴趣区域图像；图4是本专利技术方法获取的二值图像；图5是本专利技术方法获取的滤波图像；图6是本专利技术方法获取的取反图像；图7是本专利技术方法获取的去除竖条干扰后的图像；图8是本专利技术方法获取的仅含有缺陷信息的图像；图9是本专利技术方法的BP神经网络训练算法流程图；图10是本专利技术方法获取的网络均方误差曲线图像；图11是本专利技术方法获取的最终检测结果图。具体实施方式以下结合附图对本专利技术作进一步说明。如图1所示，本专利技术方法的步骤是：步骤1：获取轮速传感器齿圈的表面展开图像Src利用两个线阵光源斜向照射到待测的轮速传感器齿圈中心，采用旋转电缸带动齿圈匀速旋转的方法，由线阵CCD相机从侧面采集齿圈环形表面数据至上位机，得到齿圈表面展开原图像Src，如图2所示。步骤2：获取图像Src的感兴趣区域Roi获取轮速传感器齿圈的表面展开图像时相机与齿圈的位置都是固定的，含有齿圈部分信息的区域在图像中的位置也是近似固定的。设含有齿圈表面信息的区域位于齿圈图像Src的L1行到L2行，则直接提取齿圈图像的L1行到L2行的数据就能得到只含有齿圈表面信息的区域，得到感兴趣区域图像Roi，如图3所示。步骤3：对感兴趣区域图像Roi采用迭代法进行二值化处理，得到二值图像Sub假设感兴趣区域图像Roi的像素为f(x,y)，设定一个初始阈值Th，像素灰度值大于此阈值的像素归属像素集合A，像素灰度值小于等于此阈值的像素归属像素集合B，分别计算A、B集合的像素均值和，如式（1）和式（2）所示：（1）（2）其中，和分别表示集合A和集合B中的像素个数；更新阈值，然后判断当前计算阈值与上次计算阈值的差值是否满足约束条件，即两次阈值差值小于一个约束值T。若小于T，则当前阈值Th即为所求最佳阈值；否则，重新计算A，B集合的像素均值，直到满足给定的约束条件为止。将计算得到的阈值作为二值化处理分割的阈值，得到二值图像Sub，如图4所示。步骤4：对二值图像Sub进行滤波去噪得到结果图像Imp，然后进行取反得到图像Imn二值图像中噪点呈离散状态，各噪点面积很小，针对这类噪点，选择非线性滤波器中的中值滤波方法。中值滤波器采用5×5的核为核区域对二值图像Sub进行去噪处理，具体方法为：若要计算以点为中心的函数窗像素中值，首先按像素值大小排列像素点，然后选择排序像素集的中间值作为点的新值，中值滤波后图像Imp，如图5所示。采取对图像Imp直接取反（原像素灰度值为255的变为0，原像素灰度值为0的变为255）的方式对图像进行处理，得到图像Imn，如图6所示。步骤5：在取反图像Imn中先消除竖条，再去除毛刺，接着消去横条，最后进行缺陷区域提取得到缺陷区域图像Inn将图像Imn进行像素统计，把列方向上的像素点进行水平投影，对竖条的位置进行选取，将U型条的两个竖条在x轴上的投影数据归一到[0,1]的范围内，则能得到不同像素累加值在小范围内的分布情况。在对数据进行归一化前需要对数据进行从大到小排序处理，采用的归一化公式为：（3）其中，=1，=0，为样本数据的最大值，为样本数据的最小值；根据归一化方法设置阈值为a（0<a<1），将数据一分为二，一部分为剔除数据，一部分为缺陷区域数据，记录剔除数据的水平坐标并将此列的像素值置零，此时竖条已经消除，会留下较多的毛刺区域，统计图像中连通区域的像素点个数，然后采用归一化方法设置阈值为b（0<b<1），将数据一分为二，一部分为剔除数据，一部分为缺陷区域数据，记录剔本文档来自技高网...

【技术保护点】
1.基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1：获取轮速传感器齿圈的表面展开图像Src；步骤2：获取图像Src的感兴趣区域Roi；步骤3：对感兴趣区域图像Roi采用迭代法进行二值化处理，得到二值图像Sub；步骤4：对二值图像Sub进行滤波去噪得到结果图像Imp，然后进行取反得到图像Imn；步骤5：在取反图像Imn中先消除竖条，再去除毛刺，接着消去横条，最后进行缺陷区域提取得到缺陷区域图像Inn；如果存在缺陷区域，按照以下步骤继续判断缺陷的种类；如果没有检测到缺陷区域，则表明该齿圈没有缺陷；步骤6：提取缺陷区域图像的6个特征参数，即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩，构建特征向量，作为BP神经网络的输入；步骤7：搭建BP神经网络模型，设置参数包括：输入层结点数、输出层结点数、隐层结点数、期望误差、学习效率和传递函数；步骤8：在已经搭建好的BP神经网络模型中采用莱文贝格－马夸特算法对模型进行训练，使BP神经网络模型达到成熟；步骤9：将待测轮速传感器齿圈的图像进行预处理获得的6个特征参数输入到步骤8得到的训练成熟的BP神经网络模型中，实现轮速传感器齿圈表面缺陷的检测；至此，实现了轮速传感器齿圈表面缺陷的检测，即成。...

【技术特征摘要】
1.基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1：获取轮速传感器齿圈的表面展开图像Src；步骤2：获取图像Src的感兴趣区域Roi；步骤3：对感兴趣区域图像Roi采用迭代法进行二值化处理，得到二值图像Sub；步骤4：对二值图像Sub进行滤波去噪得到结果图像Imp，然后进行取反得到图像Imn；步骤5：在取反图像Imn中先消除竖条，再去除毛刺，接着消去横条，最后进行缺陷区域提取得到缺陷区域图像Inn；如果存在缺陷区域，按照以下步骤继续判断缺陷的种类；如果没有检测到缺陷区域，则表明该齿圈没有缺陷；步骤6：提取缺陷区域图像的6个特征参数，即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩，构建特征向量，作为BP神经网络的输入；步骤7：搭建BP神经网络模型，设置参数包括：输入层结点数、输出层结点数、隐层结点数、期望误差、学习效率和传递函数；步骤8：在已经搭建好的BP神经网络模型中采用莱文贝格－马夸特算法对模型进行训练，使BP神经网络模型达到成熟；步骤9：将待测轮速传感器齿圈的图像进行预处理获得的6个特征参数输入到步骤8得到的训练成熟的BP神经网络模型中，实现轮速传感器齿圈表面缺陷的检测；至此，实现了轮速传感器齿圈表面缺陷的检测，即成。2.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤1中，具体按照以下过程实施：利用两个线阵光源斜向照射到待测的轮速传感器齿圈中心，采用旋转电缸带动齿圈匀速旋转的方法，由线阵CCD相机从侧面采集齿圈环形表面数据至上位机，得到齿圈表面展开原图像Src。3.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤3中，具体按照以下过程实施：假设感兴趣区域图像Roi的像素为f(x,y)，设定一个初始阈值Th，像素灰度值大于此阈值的像素归属像素集合A，像素灰度值小于等于此阈值的像素归属像素集合B，分别计算A、B集合的像素均值和，如式（1）和式（2）所示：（1）（2）其中，和分别表示集合A和集合B中的像素个数；更新阈值，然后判断当前计算阈值与上次计算阈值的差值是否满足约束条件，即两次阈值差值小于一个约束值T；若小于T，则当前阈值Th即为所求最佳阈值；否则，重新计算A、B集合的像素均值，直到满足给定的约束条件为止；将计算得到的阈值作为二值化处理分割的阈值，得到二值图像Sub。4.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤4中，具体按照以下过程实施：对二值图像Sub进行5×5窗口中值滤波去除噪声，得到滤波后的图像Imp，然后对图像Imp直接取反得到图像Imn。5.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤5中，具体按照以下过程实施：将图像Imn进行像素统计，把列方向上的像素点进行水平投影，对竖条的位置进行选取，选择利用归一化的方法设置阈值消除竖条，并设阈值为a；然后采用归一化方法对阈值进行选取消除毛刺，阈值设为b，得到图像Ima；在对采集到的所有合格图像中横条存在的位置进行统计，横条在竖直方向上投影的位置近似固定，采用这个经验数值来对图像进行消除横条的操作，得到仅含有缺陷信息的图像Inn；如果图像Inn中存在缺陷区域，按照以下...

【专利技术属性】
技术研发人员：陈爱军，齐淑雯，刘磊，赵彦龙，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江,33