【技术实现步骤摘要】
本专利技术涉及产品表面缺陷检测，具体涉及一种基于卷积神经网络的圆柱体缺陷检测系统及方法。
技术介绍
1、一般对于圆柱体产品主要涉及到滚子轴承的滚针、精密定位销等，此类产品在实际工作中为了不影响产品性能、使用寿命以及精确装配及定位，对于其其表长度、直径以及表面缺陷、是否有划痕、磕碰伤等都有严格要求，否则会影响产品使用的性能。另外，诸如轴承滚针作为基础性零部件，在航天、船舶、精密仪器以及军工等方面都有广泛的应用。而国内外在轴承滚针质量自动检测方面多数侧重于滚针直径、长度、滚针表面的光滑度等指标，目前对轴承滚针端面圆角半径大小测量的研究很少，尤其是端面多圆角轴承滚针的圆角半径，以及端面缺陷和裂纹等。而这些将直接影响着轴承的受力分布，进而影响轴承甚至整个机械装置的性能和使用寿命。
2、目前，在生产制造过程中，此类圆柱体产品的表面缺陷检测均由人工负责检测，采用的检测方式是人工目测检测，选出产品中有划痕、碰伤、裂纹、缺口等，这不但增加了劳动成本和劳动强度，主观性强、质量控制差、不能精确的反应生产状况，不仅效率很低而且可靠性也很差，常常出现误检漏检现象。同时，也对于检测过程的一致性和良口率的控制也会由于人为的因素而受到影响。为满足今后的生产需要，避免由于漏检或误检造成的生产风险，急需增加在线检测设备来替代人工检测的方式。
技术实现思路
1、针对上述现有技术中的问题，本专利技术的目的在于提供一种基于卷积神经网络的圆柱体缺陷检测系统及方法，能从训练样本中学习抽象的高级特征，更容易适应不同
2、一方面，本专利技术提供了一种基于卷积神经网络的圆柱体缺陷检测系统，所述检测系统由传输结构单元、控制系统和检测结构系统组成，所述传输结构单元为贯穿整个所述检测结构系统的连续的传输带；
3、所述检测结构系统包括3个检测单元：直径-高度检测单元、端面缺陷检测单元和柱面缺陷检测单元，以及设置于所述端面缺陷检测单元与所述柱面缺陷检测单元的均匀来料单元；所述每个检测单元均设置有用于回收缺陷产品的缺陷产品剔除结构，以及与所述缺陷产品剔除结构连通的缺陷产品收集结构；
4、所述控制系统包括控制所述传输结构单元的传输模块，控制直径-高度检测单元的直径-高度模块，控制端面缺陷检测单元的端面模块，控制柱面缺陷检测单元的柱面模块，控制均匀来料单元的排布模块，以及对应每个模块的数据存储器；
5、所述控制系统还包括检测稳定性η≥99.6%的缺陷产品检测卷积神经网络；所述η=0.4a+0.6b，其中a为漏检率，b为误判率；其中，
6、a=（人工复核系统漏检缺陷产品数量/检测产品总数）*100%；
7、b=（人工复核误判检测产品数量/检测产品总数）*100%；
8、所述缺陷产品检测卷积神经网络由卷积神经网络模型经过训练之后得到，所述训练的具体过程包括准备数据集和训练；所述准备数据集包括收集足够多的缺陷图像样本，并将缺陷图像样本进行分类、图像预处理；所述训练包括选取框架并创建所述卷积神经网络模型、设置所述卷积神经网络模型的训练参数，以及性能评估；所述训练参数包括学习速率、批次大小和迭代次数。
9、进一步，本专利技术所述的缺陷检测系统中，所述卷积神经网络模型的框架为mxnet，所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、deepocr模块，以及目标检测模块。
10、进一步，本专利技术所述的缺陷检测系统中，设置所述卷积神经网络模型的学习速率为1e-4、批次大小为3~5、迭代次数为300~600、通道数为1，且包括对图像进行压缩、启用图像增强和高容量的设置，旋转步长为180°，镜像为both。
11、进一步，本专利技术所述的缺陷检测系统中，其特征在于所述图像预处理过程具体为过滤掉圆柱体之外区域的斑点、噪点及干扰因素；所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算和闭运算。
12、另一方面，本专利技术提供了一种基于卷积神经网络的圆柱体缺陷检测方法，所述检测方法采用上述任一项所述的缺陷检测系统进行检测，所述检测方法的步骤包括：
13、步骤1：通过所述控制系统设定所述传输结构单元的传输带的行进速度为ʋ，且ʋ =6000~9000mm/min，启动所述检测系统的各个传感器和缺陷产品检测卷积神经网络；
14、步骤2：所述圆柱体通过所述传输带传送，经过所述直径-高度检测单元、端面缺陷检测单元、均匀来料单元和柱面缺陷检测单元，进行缺陷检测；每个检测单元中，符合要求的圆柱体进入下一个检测单元或收集存放，不符合要求的缺陷产品则直接被对应的检测单元中的缺陷产品剔除结构送入缺陷产品收集结构；
15、所述步骤2中，所述均匀来料单元将圆柱体均匀排布，使所述均匀来料单元对应的传输带上的圆柱体的间距为8~12mm。
16、进一步，本专利技术所述的缺陷检测方法中，所述步骤2中，所述直径-高度检测单元的缺陷检测过程具体包括：
17、步骤2.1：所述直径-高度检测单元对应于所述传输结构单元的水平传输检测部，根据所述第一光纤传感器和高精度测量仪的距离、传输带的行进速度设置高精度测量仪启动时间，确保待测整个圆柱体进入到高精度测量仪的测量区域内；圆柱体经过所述水平传输检测部的前端的第一光纤传感器，所述第一光纤传感器将触动信号传输至所述直径-高度模块，所述直径-高度模块发出指令启动高精度测量仪进行检测，同时，所述直径-高度模块的数据存储器进行计数；
18、步骤2.2：所述高精度测量仪将检测得到的所述圆柱体的直径d和高度h的值发送至数据存储器和所述缺陷产品检测卷积神经网络，所述缺陷产品检测卷积神经网络给出判断结果；
19、所述判断结果包括：是缺陷产品，或，是直径-高度合格产品；所述判断结果若是所述直径-高度合格产品，则进入下一个检测单元或收集存放；
20、所述判断结果若是所述缺陷产品，则所述直径-高度模块启动所述直径-高度检测单元的缺陷产品剔除结构。
21、进一步，本专利技术所述的缺陷检测方法中，所述第一光纤传感器与高精度测量仪的距离h、传输带的行进速度ʋ和高精度测量仪的启动时间t之间，满足关系式：t≦h/ʋ。
22、进一步，本专利技术所述的缺陷检测方法中，所述步骤2中，所述端面缺陷检测单元的缺陷检测过程具体包括：
23、步骤3.1：所述端面缺陷检测单元对应于所述传输结构单元的梯形传输检测部，所述梯形传输检测部包括第本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的圆柱体缺陷检测系统，其特征在于，所述检测系统由传输结构单元、控制系统和检测结构系统组成，所述传输结构单元为贯穿整个所述检测结构系统的连续的传输带；
2.根据权利要求1所述的缺陷检测系统，其特征在于，所述卷积神经网络模型的框架为MxNet，所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、DeepOCR模块，以及目标检测模块。
3.根据权利要求2所述的缺陷检测系统，其特征在于，设置所述卷积神经网络模型的学习速率为1e-4、批次大小为3~5、迭代次数为300~600、通道数为1，且包括对图像进行压缩、启用图像增强和高容量的设置，旋转步长为180°，镜像为Both。
4.根据权利要求3所述的缺陷检测系统，其特征在于，所述图像预处理过程具体为过滤掉圆柱体之外区域的斑点、噪点及干扰因素；所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算和闭运算。
5.一种基于卷积神经网络的圆柱体缺陷检测方法，其特征在于，所述检测方
6.根据权利要5所述的缺陷检测方法，其特征在于，所述步骤2中，所述直径-高度检测单元的缺陷检测过程具体包括：
7.根据权利要求6所述的缺陷检测方法，其特征在于，所述第一光纤传感器与高精度测量仪的距离H、传输带的行进速度ʋ和高精度测量仪的启动时间T之间，满足关系式：T≦H/ʋ。
8.根据权利要求7所述的缺陷检测方法，其特征在于，所述步骤2中，所述端面缺陷检测单元的缺陷检测过程具体包括：
9.根据权利要求8所述的缺陷检测方法，其特征在于，所述步骤2中，每个所述检测单元中的缺陷产品剔除结构的缺陷产品剔除方法为：
10.根据权利要求9所述的缺陷检测方法，其特征在于，所述缺陷产品剔除方法中，所述传输带上相邻的缺陷产品的间距为8~16mm，所述检测传感器的响应时间为20~25μs，所述喷吹电磁阀的响应时间为5~5.5ms。
...【技术特征摘要】
1.一种基于卷积神经网络的圆柱体缺陷检测系统，其特征在于，所述检测系统由传输结构单元、控制系统和检测结构系统组成，所述传输结构单元为贯穿整个所述检测结构系统的连续的传输带；
2.根据权利要求1所述的缺陷检测系统，其特征在于，所述卷积神经网络模型的框架为mxnet，所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、deepocr模块，以及目标检测模块。
3.根据权利要求2所述的缺陷检测系统，其特征在于，设置所述卷积神经网络模型的学习速率为1e-4、批次大小为3~5、迭代次数为300~600、通道数为1，且包括对图像进行压缩、启用图像增强和高容量的设置，旋转步长为180°，镜像为both。
4.根据权利要求3所述的缺陷检测系统，其特征在于，所述图像预处理过程具体为过滤掉圆柱体之外区域的斑点、噪点及干扰因素；所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算和闭运算。
5...
【专利技术属性】
技术研发人员：宋江湖，杨跃进，
申请(专利权)人：浙江台州数本人工智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。