磁瓦表面缺陷机器视觉在线检测关键技术及其应用
磁瓦是一种铁氧体瓦状永磁材料，是永磁电机的关键部件，其作用是代替励磁绕组产生磁场。磁瓦在生产制造过程中，容易出现裂纹、崩块、欠磨、偏磨、起级和夹层等多种缺陷。由于磁瓦规格多，形状差异大，存在空间曲面，缺陷与磁瓦本身的对比度低，而且检测面多，生产节拍快，所以磁瓦表面缺陷检测难度很大，国内外目前都尚未成功研制能满足生产现场使用要求的磁瓦表面缺陷自动化检测设备。一直以来，磁瓦表面缺陷检测都是以人工目视检测为主，这种检测方法存在效率低、误检率和漏检率高等缺点，容易导致产品质量不稳定。因此，对于磁瓦这种生产特征属于单件薄利、大批量生产的产品，迫切需要开发出快速、经济、无损、非抽样实时在线检测设备，以保证全优产品。 机器视觉检测具有快速、准确、可靠和非接触等突出优点，对提高产品质量具有重要作用。本论文根据磁瓦表面缺陷检测技术要求，研究了磁瓦表面缺陷机器视觉在线检测关键技术，开发了基于机器视觉的磁瓦表面缺陷柔性智能检测设备。本文主要研究内容和完成的工作总结如下： （1）调研了国内磁瓦制造企业生产工艺和设备技术水平现状，以及磁瓦表面缺陷检查仍以人工视觉检查为主的实际情况；概述了机器视觉检测技术的进展情况及技术趋势，以及磁瓦表面缺陷检测技术的研究现状；梳理了磁瓦表面缺陷检测的技术难点，明确了研究工作重点和技术路线。 （2）根据技术指标要求，先后设计加工了皮带输送式和夹持旋转式两种磁瓦表面缺陷检测设备样机，从机械结构、电气控制系统和图像采集系统等方面，对存在的问题提出了改进措施。改进的关键点是利用自主创新设计的磁瓦柔性成像光源和磁瓦端面均匀成像光源，改进设计了磁瓦柔性成像装置和磁瓦端面均匀成像装置，增加了图像采集系统的柔性，提高了磁瓦成像质量；此外，还分析了光源照明方式，计算了镜头焦距和景深，搭建了图像高速采集网络和计算机控制系统。 （3）设计加工了磁瓦均匀成像光源等3种新型光源。通过SolidWorks完成磁瓦均匀成像光源的三维建模设计，设计思路是从光源底部LED发射出的光线经过半球形反光罩内表面漫反射后射向光源下部检测面形成间接照明；遮光板可对光源上部的部分光线进行遮挡吸收，遮光环可以防止LED发射出的光线直接照射磁瓦和进入镜头；通过调整光源与磁瓦的距离、遮光板的上下位置，可控制磁瓦倒角面与磁瓦弧面上入射光的强度比例，使磁瓦成像表面上的亮度基本一致，进而形成亮度均匀的磁瓦图像。光源结构决定了光源对磁瓦形成低角度均匀照明，这种照明方式能使磁瓦表面缺陷特征突出，增加缺陷与磁瓦之间的对比度，有利于缺陷特征的提取。为避免运动模糊，通过LED环形阵列辐照度分布、检测平面光照度和CCD像面所需光照度等一系列光学计算，得到光源所需输入功率和LED的数量。根据预留冗余量和控制需要调整LED的数量并设计加工了LED光源电路板。通过Lightools、Zemax进行光照度仿真和磁瓦成像仿真，并根据仿真结果对光源进行优化设计。由于光源现有结构散热面积不够，故采用触发控制方式，以减小光源发热功率。最后，加工了磁瓦均匀成像光源和光源触发控制电路板，通过图像采集获得了较高质量的磁瓦图像，光源工作也稳定可靠，未出现过热情况。根据实际检测情况需要，在磁瓦均匀成像光源的基础上，改进设计了磁瓦柔性成像光源和磁瓦端面均匀成像光源，取得了较好的成像效果。 （4）提出了两种基于频域分析的磁瓦表面缺陷检测算法：基于非下采样轮廓波变换（NSCT）和自适应阈值面的缺陷检测、基于非下采样剪切波变换（NSST）和高斯尺度空间（GSS）的缺陷检测。在第一种方法中，采用非下采样轮廓波变换对磁瓦图像进行分解，得到各层的分解系数；然后在每一层分解子带中将分解系数归一化，并构建归一化自适应阈值面来消除NSCT中代表纹理和噪声的分解系数；最后对修正后的系数重构，得到消除纹理特征而保留磁瓦缺陷的图像。实验结果表明，该方法检测的准确率达到95%，具有较好的检测效果，但检测速度偏低。在第二种方法中，把磁瓦原始图像通过非下采样剪切波变换，得到图像的低频分解系数和高频分解系数，然后再通过指数低通滤波和自适应软收缩准则分别抑制这两个分解系数里的噪声和纹理，重构得到消除噪声和纹理后的磁瓦图像，然后通过高斯尺度空间（GSS）消除非均匀背景。最后，采用自适应阈值分割方法提取磁瓦缺陷。实验结果表明，该检测方法的准确率达到94.53%，平均运行时间为0.383s，满足磁瓦实际生产检测要求。 （5）研究了基于多支路特征融合卷积神经网络的磁瓦表面缺陷检测算法。以经典的VGG-16网络为原型，新构建了磁瓦表面缺陷深度卷积分类网络IVGG。IVGG网络对磁瓦表面缺陷检测与分类的准确率可达0.9952，优于VGG-16、AlexNet、ResNet18和GoogLeNet等经典网络。基于IVGG网络构建了8支路的MBIVGG卷积神经网络，各支路提取对应输入图像的特征，并通过CBAM注意力机制突出重要特征；同时，通过对各支路特征进行相关性分析，获取多幅图像间的相关特征来提高磁瓦表面缺陷检测的精度。在预测实验中，MBIVGG模型的正确拒绝率为0.33%，错误接受率为0.83%，分类准确率达到99.33%，具有较高的分类精度。 （6）开发完善了磁瓦表面缺陷柔性智能检测设备的软件系统。软件系统主要包括控制模块、图像处理模块和云功能模块。控制模块主要完成对光源、相机、相机运动控制机构、输送带和分拣装置等的控制。图像处理模块主要采用了基于非下采样剪切波变换与高斯尺度空间（NSST-GSS）算法和MBIVGG深度卷积神经网络来完成磁瓦表面缺陷的检测与分类工作。云功能模块搭建了检测系统的云计算架构，开发了设备的云服务功能和基于Android系统的应用程序。操作人员可通过手机客户端对现场的生产设备进行远程管理、调试和维护等操作。 磁瓦表面缺陷检柔性智能检测设备从方案设计到实验样机，再经过改进到试用产品的研制过程中，通过研究基于机器视觉的磁瓦表面缺陷检测关键技术，取得了5项具有自主知识产权的发明专利。现场测试结果表明，磁瓦表面缺陷柔性智能检测设备能适应多种磁瓦的表面缺陷检测，检测结果准确，速度满足生产要求，验证了该检测设备的可行性和实用性。
磁瓦;缺陷检测;机器视觉;光源设计;图像处理;深度学习
四川大学
博士
机械电子工程
殷国富
2021
中文
TM351;TP391.41
2023-06-02（万方平台首次上网日期，不代表论文的发表时间）