一种圆锥滚子基面磨削不良的机器视觉检测系统及方法技术方案

本发明专利技术公开了一种圆锥滚子基面磨削不良的机器视觉检测系统及方法，属于圆锥滚子磨削技术领域，系统包括平行光源、面阵相机和上位机，方法包括面阵相机采集滚子基面的图像；对原始数据集中的图像进行区域分割和尺寸调整；对处理后的数据集进行标注得到训练数据集；建立包括多层神经网络结构的卷积神经网络，基于训练数据集对神经网络进行训练；检测时用面阵相机采集滚子基面的图像；对原始图像进行区域分割和尺寸调整；将合规子图像输入到训练后的卷积神经网络中，获得最后一层神经网络结构的输出值，对磨削不良进行判别。本发明专利技术具有检测效率高、检测精度高的优点，能解决人工检测手段效率低、人力成本高、易漏检的问题，提高生产效率和生产质量。效率和生产质量。效率和生产质量。

【技术实现步骤摘要】
一种圆锥滚子基面磨削不良的机器视觉检测系统及方法


[0001]本专利技术涉及圆锥滚子磨削
，具体涉及一种圆锥滚子基面磨削不良的机器视觉检测系统及方法。

技术介绍

[0002]圆锥滚子在进行基面磨削加工时，按照固定姿态（如小端在前大端在后）将滚子一个个推进磨削区。若圆锥滚子未以正确姿态进入磨削区，就会造成基面欠磨、漏磨等缺陷，统称为磨削不良。圆锥滚子基面磨削不良属于一种很严重的缺陷，会影响滚子的工作性能，严重时会造成安全事故。因此，圆锥滚子基面磨削不良的检测是非常重要的一项要求。
[0003]目前而言，针对圆锥滚子基面磨削不良的检测仍以人工检测为主。对于较为明显、较大面积的磨削不良，通常在常规可见光源照射下，肉眼可以直接观测到；但对于较为微弱、较小面积的基面磨削不良，常规条件下人工肉眼难以分辨，需要借助于高分辨率的检测仪器进行观测。针对基面磨削不良的人工检测存在效率低、精度低、可靠性低的问题。
[0004]因此，如何提高圆锥滚子基面磨削不良的检测准确率，是亟需解决的问题。

技术实现思路

[0005]为解决现有技术中存在的上述问题，本专利技术提供了一种圆锥滚子基面磨削不良的机器视觉检测系统及方法，以解决如何提高圆锥滚子基面磨削不良的检测准确率的问题。
[0006]本专利技术的技术方案如下：一种圆锥滚子基面磨削不良的机器视觉检测方法，包括以下步骤：步骤1：挑选合格滚子和包含基面磨削不良的缺陷滚子，分别放置到面阵相机下，在平行光源的照射下，采集滚子基面的原始图像，图像分辨率为1920
×
1080像素，得到原始数据集；步骤2：对原始数据集中的图像进行区域分割，得到基面区域子图像；对子图像进行尺寸调整，变换为300
×
300像素，得到合规子图像；对处理后的数据集进行标注，得到训练数据集；步骤3：针对磨削不良数据和合格数据建立包括多层神经网络结构的卷积神经网络，基于训练数据集对神经网络进行训练；步骤4：针对待检测滚子，用所述面阵相机采集滚子基面的图像；对原始图像进行区域分割和尺寸调整，得到基面区域的合规子图像；步骤5：将合规子图像输入到训练后的卷积神经网络中，获得最后一层神经网络结构的输出值，进而对磨削不良进行判别。
[0007]所述步骤1和步骤4中的区域分割，目的是从包含滚子基面和背景区域的原始图像中，提取包含滚子基面区域的最小水平外接矩形区域，从而得到基面区域子图像，具体为：1）由于所述平行光源的照射，滚子基面区域亮度大于背景区域亮度，对原始图像I按照公式1进行二值化，得到二值化图Ib，其中h为二值化阈值，根据图像实际情况进行选
取；；2）在二值化图Ib中寻找面积最大的连通域Cmax，该连通域对应的区域即为滚子基面区域；3）计算Cmax的最小水平外接矩形R，该矩形满足下述条件：包含连通域Cmax的所有像素的面积最小的水平矩形；4）提取原始图像I中矩形R所包围的区域，即为滚子基面区域子图像。
[0008]步骤2所述的标注，指根据该图像对应的滚子类型（合格滚子或磨削不良滚子）对图像进行人工分类，这些类别已知的图像组成后续步骤神经网络训练的数据集。
[0009]所述卷积神经网络包含14层神经元，分别由1个输入卷积层、3个残差连接模块和1个输出全连接层构成。其中输入卷积层的卷积核大小为7
×
7，步长为2，激活函数采用ReLU（Rectified Linear Units, 修正线性单元）；残差连接模块每个包含4层卷积层，卷积核大小均为3
×
3，步长为1，激活函数采用ReLU；输出全连接层的神经元个数为2，代表分类结果为合格与磨削不良。
[0010]卷积神经网络训练时采用交叉熵损失函数，使用随机梯度下降法作为优化算法，每次训练的学习率小于或等于前一次训练的学习率，卷积神经网络在训练时，采用所述训练数据集多次训练，按照设定的学习率调整所述神经网络的参数，从而得到训练后的神经网络。
[0011]针对经过标注的基面磨削不良和正常图像，建立多层卷积神经网络，基于训练数据集对卷积神经网络的训练，使神经网络的输出符合实际标注的结果，从而可以利用训练好的卷积神经网络对基面磨削不良进行检测。
[0012]一种圆锥滚子基面磨削不良的机器视觉检测系统，包括平行光源、面阵相机和上位机；所述平行光源发射出平行度高的多束蓝色光线；用于照亮滚子基面区域并使其和背景区域形成明显的亮暗对比；所述面阵相机用于拍摄圆锥滚子基面，并将圆锥滚子的基面图像发送至上位机；所述上位机用于运行滚子基面子图像的提取与合规处理算法，通过深度学习模型检测所述圆锥滚子基面的磨削不良。
[0013]本专利技术采用深度学习模型检测圆锥滚子基面的磨削不良，具有检测效率高、检测精度高的显著优点，能够有效解决目前人工检测手段效率低、人力成本高、易漏检的问题，提高生产效率和生产质量。
附图说明
[0014]图1为本专利技术方法的流程图；图2为磨削不良的原始图像；图3为基面区域的子图像。
具体实施方式
[0015]以下结合附图对本专利技术作进一步说明。
[0016]如图1所示，一种圆锥滚子基面磨削不良的机器视觉检测方法，其特征在于包括以下步骤：步骤1：挑选合格滚子和包含基面磨削不良的缺陷滚子，分别放置到所述面阵相机下，在所述平行光源的照射下，采集滚子基面的原始图像，图像分辨率为1920*1080像素，得到原始数据集；步骤2：对原始数据集中的图像进行区域分割，得到基面区域子图像；对子图像进行尺寸调整，变换为300
×
300像素，得到合规子图像；对处理后的数据集进行标注，得到训练数据集；步骤3：针对磨削不良数据和合格数据建立包括多层神经网络结构的卷积神经网络，基于训练数据集对神经网络进行训练；步骤4：针对待检测滚子，用所述面阵相机采集滚子基面的图像；对原始图像进行区域分割和尺寸调整，得到基面区域的合规子图像；步骤5：将合规子图像输入到训练后的卷积神经网络中，获得最后一层神经网络结构的输出值，进而对磨削不良进行判别。
[0017]所述步骤1和步骤4中的区域分割，目的是从包含滚子基面和背景区域的原始图像中，提取包含滚子基面区域的最小水平外接矩形区域，从而得到基面区域子图像，具体为：1）由于所述平行光源的照射，滚子基面区域亮度大于背景区域亮度，对原始图像I按照公式1进行二值化，得到二值化图Ib，其中h为二值化阈值，根据图像实际情况进行选取；；2）在二值化图Ib中寻找面积最大的连通域Cmax，该连通域对应的区域即为滚子基面区域；3）计算Cmax的最小水平外接矩形R，该矩形满足下述条件：包含连通域Cmax的所有像素的面积最小的水平矩形；4）提取原始图像I中矩形R所包围的区域，即为滚子基面区域子图像。
[0018]步骤2所述的标注，指根据该图像对应的滚子类型（合格滚子或磨削不良滚子）对图像进行人工分类，这些类别已知的图像组成后续步骤神经网络训练的数据集。
[0019]步骤3所述的卷积神经网络包含14层神经元，分别由1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种圆锥滚子基面磨削不良的机器视觉检测方法，其特征在于包括以下步骤：步骤1：挑选合格滚子和包含基面磨削不良的缺陷滚子，分别放置到面阵相机下，在平行光源的照射下，采集滚子基面的原始图像，得到原始数据集；步骤2：对原始数据集中的图像进行区域分割，得到基面区域子图像；对子图像进行尺寸调整，得到合规子图像；对处理后的数据集进行标注，得到训练数据集；步骤3：针对磨削不良数据和合格数据建立包括多层神经网络结构的卷积神经网络，基于训练数据集对神经网络进行训练；步骤4：针对待检测滚子，用所述面阵相机采集滚子基面的图像；对原始图像进行区域分割和尺寸调整，得到基面区域的合规子图像；步骤5：将合规子图像输入到训练后的卷积神经网络中，获得最后一层神经网络结构的输出值，进而对磨削不良进行判别。2.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法，其特征在于：所述步骤1和步骤4中的区域分割，目的是从包含滚子基面和背景区域的原始图像中，提取包含滚子基面区域的最小水平外接矩形区域，从而得到基面区域子图像，具体为：1）由于所述平行光源的照射，滚子基面区域亮度大于背景区域亮度，对原始图像I按照公式1进行二值化，得到二值化图Ib，其中h为二值化阈值，根据图像实际情况进行选取；；2）在二值化图Ib中寻找面积最大的连通域Cmax，该连通域对应的区域即为滚子基面区域；3）计算Cmax的最小水平外接矩形R，该矩形满足下述条件：包含连通域Cmax的所有像素的面积最小的水平矩形；4）提取原始图像I中矩形R所包围的区域，即为滚子基面区域子图像。3.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法，其特征在于：步骤2所述的标注，指根据该图像对应的滚子类型对图像进行人工分类，这些类别已知的图像组成后续步骤神经网络训练的数据集。4.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法，其特征在于：所述的卷积神经网络包含14...

【专利技术属性】
技术研发人员：任亚楠，
申请(专利权)人：杭州深度视觉科技有限公司，
类型：发明
国别省市：