[发明专利]一种基于深度学习的环状轴承外表面缺陷检测方法

说明书

本发明涉及机器视觉技术在机械工程领域的运用，具体为一种基于深度学习的环状轴承外表面缺陷检测方法；包括如下步骤：步骤1：采集环状轴承正上方图像和位于下端面检测工位玻璃上的下方图像2张缺陷图片作为1组，机械手采用Halcon的手眼标定策略定位后，抓取工件放入外侧检测工位旋转采集轴承外侧表面的连续图像作为另一组图片；步骤2：图像采集完成后，将环状轴承外侧表面图像进行图像矫正的图像预处理工作；步骤3：将两组图像分别送入训练好的两个神经网络模型中进行识别判定，如有缺陷部位则进行标注并将该轴承视为废品，如没有缺陷则为无损成品。

技术领域

本发明涉及机器视觉技术在机械工程领域的运用，具体为一种基于深度学习的环状轴承外表面缺陷检测方法。

背景技术

轴承是生产应用中非常广泛的工业零部件，是现代化建设和机械设备制造的重要基础性的配件。它的主要功能是支撑机械设备旋转体，降低在运动过程中的摩擦系数，并保证其回转精度。轴承对于机器来说非常重要，如果轴承圈表面存在一些瑕疵和缺陷,如磨损、裂纹、碰伤、麻点、划伤、变形等，将会导致机器产生不正常的振动和噪声，加快轴承面与空气接触后进一步的氧化与磨损，严重时甚至会引起机器的损坏和一些事故性的人员伤亡情况，因此需要对轴承进行轴承的表面检测，来防止带有缺陷的轴承产品流入市场，引起不必要的损失，降低商家的信誉。

国内外在轴承的装配大都已经实现完全的机械自动化，但装配前后对轴承的在轴承工作表面的检测一般还是有工人进行人工裸眼检测。显而易见这种人工检测方法劳动强度大、工作效率低、产品成本较高，且容易受到检测人员在员工素质、检测经验、肉眼分辨率和眼部易疲劳等诸多因素影响。因此迫切需一种新的快捷检测方式来替代传统的用人工裸眼检测方式。

相比于传统的人工裸眼检测方式，基于深度学习的缺陷检测方法是采用较为先进的机器视觉系统，因此具有检测速度快、检测精度高、自动化程度高等一系列优点，针对轴承图像采集，模型的选择训练、图像的识别检测的环节进行设计分析，提供了高效的自动化检测的方法，对轴承产业的产业发展有积极的推动作用。

传统的机器学习方式检测轴承缺陷如模板匹配等对于突发性的轴承表面缺陷无法应对或识别精度较差，需要重新设计相应的算法，费时费力，采用深度学习方式检测对于突发性的缺陷有很大的优势，只需将缺陷图片放入模型中再次训练，解决了传统机器视觉无法解决突发性缺陷的问题。

发明内容

为解决现有技术存在问题，提供一种基于深度学习的环状轴承外表面缺陷检测方法，可解决劳动强度大、工作效率低、成本较高的问题和传统机器视觉无法解决突发性缺陷的问题。

本发明的目的主要通过以下的技术方案来实现：一种基于深度学习的环状轴承外表面缺陷检测方法，包括如下步骤：步骤1：采集环状轴承正上方图像和位于下端面检测工位玻璃上的下方图像2张缺陷图片作为1组，在通过机械手抓取放入外侧检测工位旋转采集轴承外侧表面的连续图像作为另一组图片；

步骤2：图像采集完成后，将环状轴承外侧表面图像进行图像矫正的图像预处理工作；

步骤3：将两组图像分别送入训练好的两个神经网络模型中进行识别判定，如有缺陷部位则进行标注并将该轴承视为废品，如没有缺陷则为无损成品。

步骤4：手眼标定采用Halcon中的策略，基本坐标系为机械手基础坐标系、机械手末端工具坐标系、相机坐标系和工件坐标系；

H机械手坐标＝R旋转x H图像坐标+M位移矢量，为以下步骤实现：

a.采集标定板不同位置图像，记录机器人和相机坐标。

b.旋转平移缩放矩阵的计算。

c.得到相应的矩阵，完成手眼标定。