基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法技术

本发明专利技术涉及绕线机产品的缺陷检测技术领域，具体公开了一种基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法，包括步骤：选取全自动空心杯电机绕线机不同缺陷产品图像数据，构建全自动空心杯电机绕线机产品缺陷数据集；将数据集分为训练集、测试集和验证集，并对其进行预处理，将数据集通过Kmeans方法进行聚类，得到对应于当前数据集训练所需的特征锚框；使用Mish激活函数，在主干特征提取网络输出之后添加注意力机制模块，在Head输出部分添加输出头，构建注意力机制改进的YOLOv4

【技术实现步骤摘要】
基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法


[0001]本专利技术涉及绕线机产品的缺陷检测
，具体公开了一种基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法。

技术介绍

[0002]近年来，为了适应高效率、高产量的生产要求，全自动绕线机逐渐替代传统绕线机，全自动机种一般采用多头联动设计，采用可编程控制器作为设备的控制核心，配合机械手、气动控制元件和执行附件来完成自动排线、自动缠脚、自动剪线、自动装卸骨架等功能，这种机型的生产效率极高，大大的降低了对人工的依赖，生产品质比较稳定，非常适合产量要求高的加工场合。
[0003]空心杯电机采用无铁芯转子，可消除由于铁芯形成涡流而造成的电能损耗，由于体积小、散热效果好、效率高等优点被应用于各个领域。电枢部件的质量对空心杯电机驱动性能好坏有重要影响，全自动空心杯电机绕线机为生产空心杯型转子的主要部件，因此本专利技术就此全自动空心杯电机绕线机产品表面缺陷检测展开研究。由于全自动空心杯电机绕线机漆包线绕制时因导针和骨架旋转之间的配合误差，震动等原因不可避免地会产生缺陷，如漆包线间距过大、厚薄不均、凸起、飞出、断线、跨线等，这些缺陷会导致线圈产生的磁场不均匀，影响产品的使用性能。
[0004]线圈的缺陷可以通过外观直接辨别，行业中以人工检测为主，但人工检测效率低、成本高，不利于生产线自动化。
[0005]目前线圈的常用检测方法有CT检测和超声波检测，但其对工作环境的要求较高，较难实现自动化检测，不能被广泛应用。
[0006]还有用工业相机直接代替人眼的检测，虽然该方法安全可靠、无辐射、准确性及灵活性较人工检测有显著提升，但其成本高。
[0007]为了克服上述问题，可利用深度学习技术，实现深度学习目标检测，目前目标检测领域的深度学习算法主要分为两大类：两阶段式(Two
‑
stage)目标检测算法和单阶段式(One
‑
stage)目标检测算法。YOLO深度学习检测算法是一种典型的One
‑
stage算法模型，其网络结构主要由三个主要部件组成：主干特征提取网络、加强特征提取网络和预测网络，而YOLOv4
‑
Tiny是一种轻量化YOLO网络，具有执行效率高，便于应用的特点。
[0008]因此本申请从实际应用角度出发，根据YOLOv4
‑
Tiny的特点，引入Kmeans方法和CBAM注意力机制，对其进行改进，应用到绕线机产品的缺陷检测中，及时发现绕线机运行中的问题，提高生产线的效率和智能化水平。

技术实现思路

[0009]本专利技术针对全自动空心杯电机绕线机产品缺陷问题，提出了一种基于机器视觉的产品缺陷检测方法。以全自动空心杯电机绕线机产品线圈为研究对象，对其线圈外观合格性检测，结合深度学习目标检测的缺陷检测方法，解决现有方法的不足，从而对线圈表面缺
陷进行精确的视觉检测。
[0010]为实现上述目的，本专利技术提供了一种基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法，具体包括如下步骤：
[0011]步骤S1：选取全自动空心杯电机绕线机不同缺陷产品图像数据，构建全自动空心杯电机绕线机产品缺陷数据集；
[0012]步骤S2：将数据集划分为训练集、测试集和验证集，并对其进行预处理，将数据集通过Kmeans方法进行聚类，得到对应于当前数据集训练所需的特征锚框；
[0013]步骤S3：构建注意力机制改进的YOLOv4
‑
Tiny缺陷检测网络，网络使用Mish激活函数，在网络输出之后添加注意力机制模块，在网络的Head输出部分添加输出头；
[0014]步骤S4：使用聚类后的数据集对改进的YOLOv4
‑
Tiny缺陷检测网络进行训练；
[0015]步骤S5：将全自动空心杯电机绕线机产品的实时图像数据输入缺陷检测网络，得到所述产品的缺陷检测结果。
[0016]进一步的，所述步骤S1中选取的全自动空心杯电机绕线机产品常见的缺陷图像，包括但不局限于线圈间距过大缺陷、厚薄不均缺陷、凸起缺陷、飞出缺陷、断线缺陷、跨线缺陷。
[0017]进一步的，所述步骤S2对缺陷数据集进行预处理，具体包括以下步骤：
[0018](1)图片筛选，对采集的缺陷图片进行筛选，保留与输入尺寸要求相近的缺陷图片；
[0019](2)缺陷标注，对筛选后的缺陷图片使用labelImg软件进行缺陷标签标注：凸起、飞出、断线、跨线等；
[0020](3)数据集划分，将标注后的缺陷数据集按照VOC数据格式进行划分，得到可用于输入所述缺陷检测网络的数据集；
[0021](4)数据集聚类：将缺陷图片的训练输入数据集通过Kmeans方法进行聚类，得到缺陷图片的特征锚框。
[0022]图像数据集过小会使训练的深度学习神经网络模型出现过拟合现象。为了避免这种情况发生，需要对采集的图像集采取数据增强的方法提高模型的鲁棒性和泛化能力。常用数据扩充发对缺陷图像进行数据增强，例如：更改图像曝光度、饱和度、色度以及位置旋转变换等。
[0023]进一步的，所述步骤S3构建注意力机制改进的YOLOv4
‑
Tiny缺陷检测网络，具体为：在YOLOv4
‑
Tiny网络的特征提取部分之后添加注意力机制模块，将ReLU激活函数替换为Mish激活函数，并对在整个网络的输出部分添加Head输出头。
[0024]优选的，将特征提取网络中的ReLU激活函数替换为Mish激活函数，Mish激活函数是光滑函数，具有较好的泛化能力和结果的有效优化能力，可以提高结果的质量，公式如下：
[0025]Mish＝x*tanh(ln(1+e
x
))
ꢀꢀꢀ
(1)
[0026]其导数为：
[0027][0028]ω＝4(x+1)+4e
2x
+e
3x
+e
x
(4x+6)
ꢀꢀꢀ
(3)
[0029]δ＝2e
x
+e
2x
+2
ꢀꢀꢀ
(4)
[0030]优选的，在特征提取网络的输出部分添加结合了空间注意力机制和通道注意力机制的CBAM注意力机制模块，相比于传统的只关注通道的注意力机制可以取得更好的效果。
[0031]其中，通道注意力机制是将输入的特征图经过全局最大池化和全局平均池化后，分别经过多层感知机MLP，再将两个池化对应得到的结果相加后，经过Sigmoid函数得到对应权重与原输入特征图相乘后输出结果，公式为：
[0032]M
c
(F)＝σ(MLP(Avgpool(F))+MLP(MaxPool(F))
ꢀꢀꢀ
(5)
[0033]式中，F为输入特征图，MLP()为多层感知机，Avgpool()为均值池化，MaxPool()为全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法，其特征在于，具体包括以下步骤：步骤S1：选取全自动空心杯电机绕线机不同缺陷产品图像数据，构建全自动空心杯电机绕线机产品缺陷数据集；步骤S2：将数据集分为训练集、测试集和验证集，并对其进行预处理，将数据集通过Kmeans方法进行聚类，得到对应于当前数据集训练所需的特征锚框；步骤S3：构建注意力机制改进的YOLOv4
‑
Tiny缺陷检测网络，网络使用Mish激活函数，在网络输出之后添加注意力机制模块，在网络的Head输出部分添加输出头；步骤S4：使用聚类后的数据集输入到改进的YOLOv4
‑
Tiny缺陷检测网络进行训练；步骤S5：将全自动空心杯电机绕线机产品的实时图像数据输入缺陷检测网络，得到所述产品的缺陷检测结果。2.根据权利1要求的基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法，其特征在于，所述步骤S1中选取的全自动空心杯电机绕线机产品常见的缺陷图像，包括但不局限于线圈间距过大缺陷、厚薄不均缺陷、凸起缺陷、飞出缺陷、断线缺陷、跨线缺陷。3.根据权利1要求的基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法，其特征在于，所述步骤S2中对缺陷数据集进行预处理，具体包括以下步骤：(1)图片筛选：对采集的缺陷图片进行筛选，保留与输入尺寸要求相近的缺陷图片；(2)缺陷标注：对筛选后的缺陷图片使用labelImg软件进行缺陷类型标签标注；(3)数据集划分：将标注后的缺陷数据集按照VOC数据格式进行划分，得到缺陷图片的训练输入数据集；(4)数据集聚类：将缺陷图片的训练输入数据集通过Kmeans方法进行聚类，得到缺陷图片的特征锚框。4.根据权利1要求的基于机器视觉的全自动空心杯电机绕线机产品缺陷检测方法，其特征在于，所述步骤S3中构建的注意力机制改...

【专利技术属性】
技术研发人员：高德欣，杜玉蓉，高宇辰，杨清，李学强，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：