CN109839384A - 用于微型振动马达缺陷检测的视觉检测仪及检测方法 - Google Patents
用于微型振动马达缺陷检测的视觉检测仪及检测方法 Download PDFInfo
- Publication number
- CN109839384A CN109839384A CN201910060463.XA CN201910060463A CN109839384A CN 109839384 A CN109839384 A CN 109839384A CN 201910060463 A CN201910060463 A CN 201910060463A CN 109839384 A CN109839384 A CN 109839384A
- Authority
- CN
- China
- Prior art keywords
- vibrating motor
- image
- light source
- detection
- motor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于微型振动马达缺陷检测的视觉检测仪及检测方法,包括用于安装承载待检测微型振动马达的载物台、用于带动载物台及微型振动马达旋转的驱动电机、用于照亮微型振动马达表面的光源、用于采集微型振动马达图像的摄像器、用于调制微型振动马达转动角度和调制微型振动马达表面光亮度的调制单元以及计算机。本发明首先对微型振动马达进行刚性固定和精准定位,然后采用传统机器视觉法和VGG神经网络模型相结合的方式对采集的图像进行识别,实现对微型振动马达(如转子)的实时、高效及高精度视觉缺陷检测。
Description
技术领域
本发明属于机器缺陷检测技术领域,涉及一种微型振动马达的缺陷检测技术,尤其涉及一种基于神经网络的微型振动马达转子焊锡与其他非标准工件视觉缺陷的高速检测装置及检测方法。
背景技术
随着交互式电子设备在我国的快速发展,为了高性能、超薄化,所有的智能设备用零件(智能手表的振动信号提示,穿戴设备虚拟触感导向,智能手机按键振动反馈等)都要提高其精密性,为此智能设备用微型振动马达需满足两个要求:(1)多用“贴片马达技术”和(2)小型化(根据要求需要进一步微小化)。为了满足马达“小型化”要求,所有马达零件都要进行小型化设计,目前智能设备用微型振动马达转子所用铜线已经达到极细线标准,直径约为0.03mm;铜线缠绕至转子后,需要经过焊锡处理,以将铜线焊接于端子上。在实际操作过程中,此处操作经常会发生虚焊、夹带杂质、焊锡侵蚀铜线的现象,导致铜线外径减小,最终引起断线,严重影响用户使用过程中的虚拟反馈触感。
现有技术中对微型振动马达转子缺陷视觉检测研究发现:当铜线通过焊锡焊接在变阻上时,若焊锡未完全焊接变阻与铜线,则在工作中容易发生铜线脱落现象,从而造成马达无法正常工作;若焊锡已完全连接变阻与焊锡,但锡块过大,锡块底部距变阻上端超过0.8mm,则在正常工作时锡块容易干扰转子,易造成马达无法正常工作;当铜线上沾有焊锡,且焊锡长度超过0.3mm时,则在工作中容易发生铜线断裂现象,从而造成马达无法正常工作;当铜线上沾有焊锡,焊锡长度不超过0.3mm,但是焊锡已将铜线直径侵蚀至小于正常铜线直径的3/4时,则在工作中容易发生铜线断裂现象。
鉴于微型振动马达需求数量比较庞大,国内外的生成环境很早就开始对智能设备的微型马达进行各种缺陷视觉检测,以保证智能设备在使用中的安全性和舒适性。目前,由于微型振动马达转子中铜线形变难以控制,非标微型振动马达转子缺陷视觉检测技术主要由人工通过显微镜观察,再根据判定标准来判定,这种检测方法不仅带有很大的主观性,而且检测速度低,无法确立行业监测标准,且无法满足大量需要视觉检测的生产环境。
综上所述,现有的微型振动马达转子缺陷检测技术既不能满足检测精度的要求,也不能满足检测速度的要求。随着智能视觉设备发展,亟待科技工作者研究开发出一种能实现与生产速度同步的、对微型振动马达转子缺陷视觉检测的技术,保证产能和用户使用的安全与舒适性。
发明内容
本发明目的旨在针对非标准微型拱脚缺陷视觉检测效率低、精度低的技术现状,提供一种用于微型振动马达缺陷检测的视觉检测仪,能够实现对微型振动马达转子等非标准零件的表面定性缺陷检测,且检测速度快、精度高。
本发明的另一目的旨在提供一种微型振动马达视觉缺陷检测方法。
本发明提供了一种用于微型振动马达缺陷检测的视觉检测仪,包括用于安装承载待检测微型振动马达的载物台、用于带动载物台及微型振动马达旋转的驱动电机、用于照亮微型振动马达表面的光源、用于采集微型振动马达图像的摄像器、用于调制微型振动马达转动角度和调制微型振动马达表面光亮度的调制单元以及计算机;所述调制单元包括依次连接的光纤传感器、数据采集器和控制卡,数据采集器将光纤传感器接收到的光信号数据化后传输至与计算机连接的控制卡,控制卡并根据来自计算机的操作指令控制驱动电机旋转至设定角度,控制调制光源发射出照亮微型振动马达表面符合检测要求的光照强度;所述图像摄像器的摄像头对准待检测微型振动马达,在计算机控制下对微型振动马达进行拍摄,计算机根据接收的图像对微型振动马达是否存在视觉难以发现的缺陷进行判断。
上述用于微型振动马达缺陷检测的视觉检测仪,首先通过光纤传感器与驱动电机协同作用,实现对微型振动马达的精准定位,从而有助于摄像头选取动态视觉中的最佳帧进行图像采集;摄像头采集的图像传输给计算机。计算机依据接收的图像对微型振动马达视觉缺陷进行判断。为了兼顾识别精度和识别效率,本发明首先采用传统机器视觉方法(例如边缘检测、模板匹配、色彩通道抓取、阈值检测等)进行判断,若传统方法识别出视觉缺陷,则微型振动马达产品不合格;若传统机器视觉方法检测不出缺陷,则进一步采用训练好的神经网络进行识别与判别,实现对微型振动马达的高精度视觉缺陷检测。
上述用于微型振动马达缺陷检测的视觉检测仪,微型振动马达通过承插联接结构副安装在载物台上。当针对微型振动马达转子进行检测时,为了对微型振动马达实现固定,所述承插联接结构副由微型振动马达转子轴和载物台上的安装孔构成,安装孔设计有与转子轴键槽相匹配的凸键。为了适应微型振动马达其他部件的检测,可以对承插联接结构副进行适应性调整。本发明中,为了实现对微型振动马达的精确定位,所述载物台的侧面设计有定位标记线,当所述定位标记线与光纤传感器位置的投影在一条直线上时即认为完成了对微型振动马达的定位。通过上述定位方式,载物台在转动过程中,微型振动马达转子与载物台同心度偏差不大于0.3mm。
上述用于微型振动马达缺陷检测的视觉检测仪,所述摄像头、微型振动马达和光纤传感器位于同一直线上,以便于对微型振动马达的定位和图像采集。
上述用于微型振动马达缺陷检测的视觉检测仪,光纤传感器为高精度的反射型光纤传感器,其灵敏度为0.4mm,光纤传感器与载物台距离不大于40mm,以防止光线散射导致识别精度下降。
上述用于微型振动马达缺陷检测的视觉检测仪,为了实现对微型振动马达旋转的精确控制,所述驱动电机为带反馈编码器的步进电机,其编码器与控制卡连接。
上述用于微型振动马达缺陷检测的视觉检测仪,为了减少室内环境光对摄像头采集微型振动马达图像过程的影响,本发明中配备了光源。光源与控制卡连接,通过控制卡调节光源的输出光强。本发明中所述光源为组合光源,包括两个位于微型振动马达两侧相对设置的面阵光源和位于摄像头与微型振动马达之间的环形光源。所述环形光源位于摄像头的前方,且环形光源的中间通孔与摄像头的拍摄窗口相对;所述面阵光源、环形光源的光出射口均对准微型振动马达;所述面阵光源和环形光源均与控制卡连接,通过控制卡调节面阵光源和环形光源的输出光强。
上述用于微型振动马达缺陷检测的视觉检测仪,还包括用于固定摄像头的第一支架、用于固定两个面阵光源的第二支架和用于固定环形光源的第三支架;所述第二支架包括支柱、设置于支柱上的横梁以及安装于横梁两端的支撑臂,两个面阵光源分别安装在两支撑臂的相对位置。固定好的两个面阵光源和环形光源的发光位置均朝向微型振动马达。
上述用于微型振动马达缺陷检测的视觉检测仪,所述载物台、驱动电机、第二支架支柱、第三支架和计算机安装于工作台上,驱动电机固定于工作台台面底部,工作台设计有驱动电机的输出轴穿过的通孔;所述第一支架固定于基座上。
上述用于微型振动马达缺陷检测的视觉检测仪,为了便于微型振动马达的安装与固定,所述载物台安装孔底部设置有电控磁铁,当微型振动马达安装到安装孔后,给电控磁铁通电,载物台将微型振动马达牢牢锁定。
本发明进一步提供了使用上述检测仪对微型振动马达视觉缺陷进行检测的方法,包括以下步骤:
(S1)将微型振动马达安装于载物台上;
(S2)打开光源,并调整输出光强到设定范围;
(S3)通过控制卡控制驱动电机旋转至光纤传感器接收到载物台相应位置反射的光信号,完成微型振动马达定位;
(S4)驱动电机带动微型振动马达旋转,并在设定的位置停留,摄像头采集微型振动马达在停留位置的图像,并将图像传输给计算机;
(S5)计算机根据接收到的图像,判断微型振动马达是否存在视觉难以发现的缺陷。
上述微型振动马达视觉缺陷检测方法,步骤(S1)的目的是将待检测的微型振动马达安装于载物台上。本发明是通过承插联接结构副将微型振动马达安装在载物台上。当针对微型振动马达转子进行检测时,所述承插联接结构副由微型振动马达转子轴和载物台上的安装孔构成,安装孔设计有与转子轴键槽相匹配的凸键。
上述微型振动马达视觉缺陷检测方法,步骤(S2)中,将光源输出光强调整到一个设定的范围内,确保微型振动马达图像采集是在相同的明暗情况下采集的,从而避免室内光线的影响,有助于后期对微型振动马达视觉缺陷的精准识别。
上述微型振动马达视觉缺陷检测方法,步骤(S3)的目的是实现对微型振动马达的精准定位。本发明中通过光纤传感器和驱动电机的协同作用来实现。为了便于定位,本发明在载物台侧面与安装孔设计的任一凸键对应的位置作一定位标记线,从而使凸键、定位标记线和光纤传感器三者投影在一条直线上,定位标记线反射到光纤传感器所产生的光信号与其它位置不同,从而实现载物台和微型振动马达的精确定位。光纤传感器采集从载物台返回的光信号,传输至控制卡;控制卡根据来自计算机的步进电机旋转操作指令,控制卡调用读取光纤传感器发送的信号,并与定位标记线位置反馈的光信号相比较,若相同,表明载物台已在设定位置,定位完成;若不相同,控制卡控制驱动电机运转,实现对载物台位置的调节。
上述微型振动马达视觉缺陷检测方法,步骤(S4)中,为了提高对微型振动马达视觉缺陷的识别精度,本发明利用驱动电机带动微型振动马达旋转,在多个位置停留拍摄图像,计算机对每一张图像均进行处理、判别是否存在缺陷,当所有图像均未识别出视觉缺陷时,才认为该被测微型振动马达不存在缺陷,为合格产品。
上述微型振动马达视觉缺陷检测方法,步骤(S5)中对采集的微型振动马达图像处理,需要结合识别精度和识别效率两方面考虑,本发明采用传统机器视觉方法(例如边缘检测、模板匹配、色彩通道抓取、阈值检测等)和神经网络相结合的方式来实现。传统机器视觉方法,识别精度不高,但其识别效率较高,不到0.05s便可完成识别。神经网络算法虽然具有较高的识别精度,由于处理过程复杂,识别效率较低,需0.3s左右才能完成一次识别。因此本发明首先采用传统机器视觉方法进行判断,对于传统机器视觉方法检测不出缺陷的图像进一步采用训练好的神经网络进行识别与判别,实现对微型振动马达的高精度视觉缺陷检测。具体实现过程中包括以下分步骤:
(S51)对图像进行去燥处理;
(S52)将去燥后的图像分割出若干检测区域;
(S53)根据设定的检测阈值对若干检测区域依次进行判别,任一区域检测结果大于阈值,判定为微型振动马达存在缺陷,并输出判别结果,本次判别结束,对下一个输入图像进行判断;否则进入步骤(54);
(S54)将不大于阈值的检测区域或微型振动马达图像中关注的部位提取出,并输入到训练好的VGG神经网络模型中,由VGG神经网络模型输出判断结果,本次判定结束,对下一个输入图像进行判断。
步骤(S51)中,可以采用本领域已经披露的常规方法对图像进行去燥处理,由于去燥方法很多,这里不再赘述。
步骤(S52)中,目的是将去燥后的图像分割出若干敏感的检测区域,首先是提取整个图像的边缘,本发明采用的是Canny算法;然后采用霍夫变换检测方法在图像中定位出多个感兴趣的区域(即检测区域)。
步骤(S53)中,采用阈值比较法确定检测区域是否存在缺陷,有多种实现方式:(1)可以基于HSV通道中的H色阶值,对检测区域进行判断,设定H色阶值的阈值,当大于该阈值时,表明检测区域存在视觉缺陷,否则表明不能判断出该检测区域存在视觉缺陷,需要进一步通过神经网络进行判断;(2)也可以先对检测区域进行二值化处理,然后对二值化后的区域采用高斯模糊算法进行模糊降噪处理,最后对降噪处理后的区域内的灰度图进行像素点位的连通并对连通区域进行灰度值求和,所得结果与设定阈值(可以根据已知缺陷的微型振动马达图像的经验数据设定)比较,若大于阈值时,表明检测区域存在视觉缺陷,否则判定为良好,再对下一检测区域进行判别,若所有检测区域均判定为良好,则需要进一步通过神经网络进行判断。
步骤(S54)中,本发明根据测试精度,取训练过程中反馈值最高(或者说偏差值最小)的神经网络结构作为训练好的VGG神经网络模型。本发明采用的VGG神经网络模型使用的是具有16层的网络,其中包含13层卷积层和3层全连接处,卷积层的作用是通过数据拟合成一个高层次的特征提取器,全连接层的作用是将提取到的特征进行总结,实现对图像的标签分类,输出的标签值越低,表明微型振动马达的视觉缺陷越严重。
本发明提供的用于微型振动马达缺陷检测的视觉检测仪及检测方法,可实现对微型振动马达转子铜线、焊锡、电阻等不同位置视觉缺陷的快速、高精度检测。与传统微型振动马达缺陷检测技术相比,本发明具有以下有益效果:
(1)本发明首先对微型振动马达进行刚性固定和精准定位,然后采用传统机器视觉法和VGG神经网络模型相结合的方式对采集的图像进行识别,实现对微型振动马达(如转子)的实时、高效及高精度视觉缺陷检测。
(2)本发明通过光纤传感器与驱动电机协同作用,实现对微型振动马达的精准定位,从而实现对微型振动马达视觉缺陷检测过程中摄入参数(包括转动角、仰角、行程速度及不同反射系数被测物规划等)对特征提取(尤其是适用于神经网络模型的特征提取)的影响控制,从而确保对微型振动马达视觉缺陷稳定、高效的检测。
(3)本发明通过python-opencv***(包含Canny算法、霍夫变换等)建立相应敏感区域,得到优化特征后的数据集合,再利用优化特征数据集合对VGG神经网络进行训练,得到训练好的VGG神经网络模型,进一步将采集的待测微型振动马达工件的图像输入训练好的VGG神经网络模型,得到微型振动马达视觉缺陷判定结果,从而实现对非标微型振动马达的视觉缺陷检测,因此本发明尤其适用于非标准工件的高速无损检测与标准订制的工作环境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,以下将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,以下描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图所示实施例得到其它的实施例及其附图。
图1为本发明用于微型振动马达缺陷检测的视觉检测仪立体图。
图2为本发明用于微型振动马达缺陷检测的视觉检测仪主视图。
图3为本发明载物台主视图。
图4为本发明载物台立体图。
图5为本发明实施例采集的微型振动马达转子图像,其中(a)对应0°,(b)对应120°,(c)对应240°。
图6为本发明微型振动马达图像视觉缺陷判别流程示意图。
图7为本发明实施例分割若干检测区域流程图,其中(a)对应采集的原图,(b)对应去燥处理后的图像,(c)对应边缘检测结果,(d)为感兴趣区域定位后的图像。
图8为本发明实施例采用传统方法判别结果。
图9为提取的锡线部位特征。
图10为本发明实施例采用VGG神经网络模型判别输出结果,其中(a)对应缺陷很少的图像,(b)对应缺陷较大的图像。
图中,1-载物台,101-定位块,102-定位标记线,103-凸键,2-光纤传感器,3-控制器,4-面阵光源,5-环形光源,6-摄像头,7-数据采集/存储器,8-计算机,9-第一支架,10-第二支架,11-工作台,12-第三支架。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本实施例以微型振动马达转子为研究对象,提供的用于微型振动马达缺陷检测的视觉检测仪,如图1及图2所示,其包括用于承载待检测微型振动马达的载物台1、用于带动载物台及微型振动马达旋转的驱动电机、用于照亮微型振动马达表面的光源、用于采集微型振动马达图像的摄像器、用于调制微型振动马达转动角度和调制微型振动马达表面光亮度的调制单元及计算机8。载物台1、驱动电机、调制单元、光源和计算机均安放于工作台11上。摄像器的摄像头、微型振动马达和光纤传感器位于同一直线上。
微型振动马达通过承插联接结构副安装在载物台上。本实施例中的承插联接结构副由微型振动马达转子轴和载物台上的安装孔构成。如图3及图4所示,载物台1包括圆柱形本体及设置于圆柱形本体上端面的定位块101,限位块中部设计有贯通圆柱形本体的微型振动马达转子安装孔(直径约为2.75mm),安装空边缘设计有与微型振动马达转子轴键槽相匹配的凸键103,安装孔底部设置有电控磁铁。载物台圆柱形本体的侧面设计有定位标记线102。
本实施例中采用的驱动电机为带反馈编码器的步进电机,步进电机安装于工作台面底部,其输出轴穿过工作台上的通孔与载物台固定连接。
本实施例中调制单元包括光纤传感器2、数据采集器7和控制卡3。光纤传感器布置于距离载物台30mm高、20mm远的位置,从而使安装后的微型振动马达转子背面与光纤传感器之间的距离为110mm。光纤传感器刚性固定于工作台上,以保证即使发生微小振动,传感器位置也不会变动,依然能准确进行位置检测。本实施例采用的光纤传感器的灵敏度为0.4mm(即发射光纤直径为0.4mm)的反射性光纤传感器。光纤传感器信号输出端与数据采集器输入端连接。本实施例采用的控制卡型号为cortex,控制卡信号输入端与数据采集器连接,信号输出端与步进电机编码器连接,此外控制卡还与计算机连接,实现两者之间的通讯。光纤传感器采集从载物台返回的光信号,传输至控制卡;控制卡根据来自计算机的步进电机旋转操作指令,控制卡调用读取光纤传感器发送的信号,并与定位标记线位置反馈的光信号相比较,若相同,表明载物台已在设定位置,定位完成;若不相同,控制卡控制驱动电机运转,实现对载物台位置的调节。这样可以利用光纤传感器传输的信号控制步进电机旋转,实现对载物台和微型振动马达转子的定位。控制卡3和数据采集器7放置于工作台11上。
本实施例中光源包括两个相对设置的面阵光源4和环形光源5。两个面阵光源4通过第二支架10固定于工作台11上。第二支架10包括支柱、设置于支柱上的横梁以及安装于横梁两端的支撑臂,两个面阵光源分别安装在两支撑臂的相对位置。环形光源5通过第三支架12固定于工作台上,第三支架12成L型结构固定安装于工作台11的边缘。环形光源5位于摄像头的前方,且环形光源5中间的通孔与摄像头的拍摄窗口相对;面阵光源、环形光源的光出射口均对准微型振动马达。面阵光源和环形光源均与控制卡连接,通过控制卡调节面阵光源和环形光源的输出光强。
本实施例中,摄像器的摄像头6经第一支架9固定,第一支架经设置的基座固定于地面上。摄像头的拍摄范围覆盖微型振动马达转子,摄像头与计算机连接,通过计算机8可以控制摄像头拍摄微型振动马达转子图像。计算机8根据接收的图像对微型振动马达转子视觉缺陷进行判断。
本实施例以判定微型振动马达转子铜线和焊锡缺陷为例,对采用上述检测仪对微型振动马达视觉缺陷进行检测的过程进行详细解释,该过程包括以下步骤:
(S1)将微型振动马达安装于载物台1上。
首先将待测微型振动马达转子安装于载物台安装孔中,并使设计的凸键103与微型振动马达转子轴键槽匹配构成承插联接结构副,给电控磁铁通电使微型振动马达转子刚性固定于载物台1上。
(S2)打开光源,并调整输出光光强到设定范围。
通过控制卡3将光发射器件的面阵光源4和环形光源5输出光强分别调整到45W,确保微型振动马达转子图像采集是在相同的明暗情况下采集的,从而避免室内光线的影响,有助于后期对微型振动马达转子视觉缺陷的精准识别。
(S3)通过控制卡控制步进电机旋转至光纤传感器2接收到载物台定位标记线反射的光信号,完成微型振动马达定位。
打开光纤传感器2,光纤传感器将接收的光信号经数据采集器7传输给控制卡3,控制卡3将接收的信号储存,并向计算机发送已储存信号,计算机根据接收的信号向控制卡发送步进电机旋转操作指令,控制卡依据读取的光纤传感器发送信号产生控制信号传输给步进电机编码器,从而驱动步进电机带动载物台及载物台上的微型振动马达旋转,直至光纤传感器接收到定位标记线103所在位置反射的光信号,步进电机停止转动,此时载物台安装孔边缘的凸键103、定位标记线102和光纤传感器在平面内的投影在一条直线上,微型振动马达转子与载物台同心度偏差不大于0.3mm,完成微型振动马达的初始定位。
此外,通过光纤传感器,还可以检测到步进电机旋转一圈相对于光纤传感器的偏转角度,从而对载物台位置进行调整,确保产品检测过程中,微型振动马达转子与载物台同心度偏差不大于0.3mm。
(S4)步进电机带动微型振动马达转子旋转,并在设定的位置停留,摄像头采集微型振动马达转子在停留位置的图像,并将图像传输给计算机。
本实施例中设计微型振动马达转子每旋转一圈共采集3张图像(如图5所示),分别对应0°、120°和240°,利用3张图像综合判定微型振动马达转子是否存在缺陷。通过计算机8,将步进电机旋转角度旋转指令(每旋转120°停留0.1s)传输给控制卡3。在初始定位完成后,计算机控制摄像头6采集此时微型振动马达转子的图像,之后,步进电机每当转过设定角度后,计算机便控制摄像头6采集微型振动马达转子的图像。摄像头将采集的图像实时传输给计算机,对图像进行实时处理,当当前位置采集的图像存在缺陷时,即完成带待测产品的检测,无需再采集下一位置的图像,从而大大提高检测效率。
(S5)计算机根据接收到的图像,判断微型振动马达转子存在的缺陷。
如图6所示,对于接收的每张图像,计算机首先采用Canny算法对采集的图像进行边缘检测;然后采用霍夫变换检测方法在图像中定位出多个感兴趣的区域(即检测区域),具体按照以下流程进行处理:
(S51)对图像进行去燥处理
本实施例采用边缘检测的算法主要是对图像计算一阶和二阶导数,但导数通常对噪声很敏感,因此在处理前本实施例先用滤波器来对图像进行平滑处理,将图像像素点及其邻域点的灰度值按照一定的参数规则进行加权平均,从而有效过滤图像中的高频噪声。
本实施例首先将图像转为灰度图(如图7(a)所示),再用滤波器来进行去燥平滑处理,采用的滤波器函数如下:
fs(x,y)=f(x,y)*G(x,y)
其中f(x,y)表示输入的原始图像数据,fs(x,y)为卷积平滑后的图像,G(x,y)表示二维高斯核函数,可以采用3×3或5×5的卷积核,σ2表示二维正态分布的方差,x和y表示横坐标和纵坐标的位置。
对灰度图进行去燥处理后的图像如图7(b)所示。
(S52)将去燥后的图像分割出若干检测区域
该步骤首先对去燥平滑后的图像使用Sobel算子计算水平和竖直方向的一阶导数(Gx和Gy)。根据得到的这两幅梯度图(Gx和Gy)找到边界的梯度和方向,公式如下:
其中,Gx是图像中某点x方向的梯度,Gy是某点y方向的梯度。
梯度的方向被归为四类:垂直,水平,和两个对角线。
在获得梯度的方向和大小之后,对整幅图像做一个扫描,检查该点的梯度是不是周围具有相同梯度方向的点中最大的,若是,保留该点,否则抛弃,以去除那些非边界上的点。
设置两个滞后阈值:minVal=40(梯度差)和maxVal=135(梯度差)。当图像上某点的灰度梯度值高于maxVal时被认为是真的边界,当梯度小于等于maxVal但高于minVal时,判断该点是否与某个真正的边界点相连,如果相连则也是边界点,否则抛弃。当图像上某点的灰度梯度值小于等于minVal时,则直接被抛弃。边缘检测得到的效果图如图7(c)所示。
霍夫变换(Hough Transform)是图像变换中的经典手段之一,主要用来从图像中分理处具有某种相同特征的几何形状(如直线、圆等),一条直线可以用数学表达式Y=mX+c或者ρ=XcosФ+YsinФ表示。ρ是从原点到直线的垂直距离,Ф是直线的垂线与直角坐标系的横轴顺时针方向的夹角。基于此原理,对边缘检测得到的图像进行霍夫直线检测,设定阈值后即可自适应的定位到图像中两直线位置,再根据此两直线的坐标值进行相应坐标变换(在直线坐标的基础上进行距离与角度的换算,求出感兴趣区域的坐标),即可定位出图像中所有感兴趣的区域,即检测区域。经霍夫变换处理,得到的效果图如图7(d)所述。
(S53)根据设定的检测阈值对若干检测区域依次进行判别,任一区域检测结果大于阈值,判定为微型振动马达存在缺陷,并输出判别结果,本次判别结束,对下一个输入图像进行判断;否则进入步骤(54);
可以针对不同的检测区域采用不同的阈值判别方法:
(1)对于包含变阻的检测区域,可以基于HSV通道中的H色阶值,对检测区域进行判断,设定H色阶值的阈值(可以根据已知缺陷的微型振动马达图像的经验数据设定),对检测区域进行判断,若大于该阈值,表明检测区域存在视觉缺陷,判定结果为不良,否则表明该检测区域不存在视觉缺陷,判定结果为良好。
(2)对于包含端子或其他部位的检测区域,可以先对检测区域进行二值化处理,然后对二值化后的区域采用高斯模糊算法进行模糊降噪处理,最后对降噪处理后的区域内的灰度图进行像素点位的连通并对连通区域进行灰度值求和,所得结果与设定阈值(可以根据已知缺陷的微型振动马达图像的经验数据设定)比较,若大于阈值时,表明检测区域存在视觉缺陷,判定结果为不良,否则表明该检测区域不存在视觉缺陷,判定结果为良好。
对图像上的多个目标检测区域依次进行判别,任一检测区域判别结果为不良则程序输出判别结果后跳出本次循环,等待下一张图像输入。若所有检测区域均判定为良好;则进一步提取图像中的更加关注区域(例如锡线部位,如图9所示),将提取的特征输入VGG神经网络模型,进一步进行判别。
通过上述第(2)中方法对图7(d)中的检测区域进行判断,检测结果如图8所示,可以看出该图像上左上角检测区域存在一个明显突出的铜线,判定结果为不良,说明该微型振动马达转子存在(外表面有异物)缺陷。程序结束。
(S54)将不大于阈值的检测区域或微型振动马达图像中关注的部位提取出,并输入到训练好的VGG神经网络模型中,由VGG神经网络模型输出判断结果,本次判定结束,对下一个输入图像进行判断。
VGG的训练过程是一个特征的提取并总结的过程,本实施例中采用的VGG神经网络包含13层卷积层和3层全连接层,卷积层的作用是通过数据拟合成一个高层次的特征提取器,全连接的作用是将提取到的特征进行一个总结,实现对于图片的标签分类,从而将好的工件和坏的工件区分开来。
本实施例中首先通过训练构建VGG神经网络模型,具体操作为:通过模板匹配,从工件的原图上提取出一个感性区域,其中包含了传统图像识别难以进行提取和判别的特征,包括铜线上沾锡过长、铜线被锡烫细、变阻上拉锡过长等缺陷,其中将好的工件标签为1,存在缺陷(例如锡线相关缺陷、变阻相关缺陷、异物相关缺陷等)的不良标签为0,经过人工反复的筛选和鉴定将一批图片分好类打上标签并进行重定义大小操作,重定义为227×227×3大小的图片,为了方便数据的输入,将数据分成训练集和测试集制作成mat格式文件,首先将训练集输入VGG网络进行训练。然后采用测试集对训练好的VGG神经网络进行测试,提取训练过程中反馈值最高的神经网络模型作为最终训练好的神经网络模型。
提取图像中的关注区域(例如锡线部位,如图9所示),将提取的特征输入训练好的VGG神经网络模型,最后得到神经网络对输入视觉数据的判别结果。图10中给出了两个产品的判别区域以及判别的结果。VGG神经网络模型输出的标签值越低,表明微型振动马达的视觉缺陷越严重。图10(a)中的标签值很低,表明该微型振动马达转子的缺陷越严重;图10(b)中的标签值非常接近于1,表明该微型振动马达转子基本没有缺陷,上述判断结果均与经人工仔细判断结果一致。在实际应用中,可以根据精度需求,设定相应的阈值,来进一步对产品的合格情况进行划分。
为了提高对产品的检测精度,可以对采集的多张图像依次进行判别,任一图像表明产品存在缺陷则判定为该待测产品存在缺陷。本实施例中对采集的3幅图像依次进行判别,3张图像均判定为不存在缺陷时,待测微型振动马达转子方可判定为合格产品。
上述微型振动马达视觉缺陷检测方法,结合识别精度和识别效率两方面考虑,采用传统机器视觉方法和神经网络相结合的方式来实现。传统机器视觉方法,识别精度不高,但其识别效率较高,不到0.05s便可完成识别。神经网络算法虽然具有较高的识别精度,由于处理过程复杂,识别效率较低,需0.3s左右才能完成一次识别。通过本发明提供的微型振动马达视觉缺陷检测方法能够在确保检测效率的同时,实现对微型振动马达的高精度视觉缺陷检测。
本领域的普通技术人员将会意识到,这里的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种用于微型振动马达缺陷检测的视觉检测仪,其特征在于包括用于安装承载待检测微型振动马达的载物台(1)、用于带动载物台及微型振动马达旋转的驱动电机、用于照亮微型振动马达表面的光源、用于采集微型振动马达图像的摄像器、用于调制微型振动马达转动角度和调制微型振动马达表面光亮度的调制单元以及计算机;所述调制单元包括依次连接的光纤传感器(2)、数据采集器(7)和控制卡(3),数据采集器将光纤传感器接收到的光信号数据化后传输至与计算机连接的控制卡,控制卡并根据来自计算机的操作指令控制驱动电机旋转至设定角度,控制调制光源发射出照亮微型振动马达表面符合检测要求的光照强度;所述图像摄像器的摄像头(6)对准待检测微型振动马达,在计算机(8)控制下对微型振动马达进行拍摄,计算机根据接收的图像对微型振动马达是否存在视觉难以发现的缺陷进行判断。
2.根据权利要求1所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于所述微型振动马达通过承插联接结构副安装在载物台(1)上。
3.根据权利要求2所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于所述承插联接结构副由微型振动马达转子轴和载物台(1)上的安装孔构成,安装孔设计有与转子轴键槽相匹配的凸键。
4.根据权利要求1所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于所述载物台(1)的侧面设计有定位标记线。
5.根据权利要求1至4任一所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于所述驱动电机为带反馈编码器的步进电机,其编码器与控制卡连接。
6.根据权利要求1至4任一所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于所述光源为组合光源,包括两个位于微型振动马达两侧相对设置的面阵光源(4)和位于摄像头与微型振动马达之间的环形光源(5)。
7.根据权利要求5所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于所述光源为组合光源,包括两个位于微型振动马达两侧相对设置的面阵光源(4)和位于摄像头与微型振动马达之间的环形光源(5)。
8.根据权利要求7所述用于微型振动马达缺陷检测的视觉检测仪,其特征在于,所述环形光源(5)的中间通孔与摄像头的拍摄窗口相对。
9.一种使用权利要求1至8任一所述检测仪对微型振动马达缺陷进行检测的方法,其特征在于包括以下步骤:
(S1)将微型振动马达安装于载物台(1)上;
(S2)打开光源,并调整输出光强到设定范围;
(S3)通过控制卡控制驱动电机旋转至光纤传感器(2)接收到载物台相应位置反射的光信号,完成微型振动马达定位;
(S4)驱动电机带动微型振动马达旋转,并在设定的位置停留,摄像头采集微型振动马达在停留位置的图像,并将图像传输给计算机;
(S5)计算机根据接收到的图像,判断微型振动马达是否存在视觉难以发现的缺陷。
10.根据权利要求9所述微型振动马达缺陷检测方法,其特征在于所述步骤(5)包括以下分步骤:
(S51)对图像进行去燥处理;
(S52)将去燥后的图像分割出若干检测区域;
(S53)根据设定的检测阈值对若干检测区域依次进行判别,任一区域检测结果大于阈值,判定为微型振动马达存在缺陷,并输出判别结果,本次判别结束,对下一个输入图像进行判断;否则进入步骤(54);
(S54)将不大于阈值的检测区域或微型振动马达图像中关注的部位提取出,并输入到训练好的VGG神经网络模型中,由VGG神经网络模型输出判断结果,本次判定结束,对下一个输入图像进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060463.XA CN109839384B (zh) | 2019-01-22 | 2019-01-22 | 用于微型振动马达缺陷检测的视觉检测仪及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060463.XA CN109839384B (zh) | 2019-01-22 | 2019-01-22 | 用于微型振动马达缺陷检测的视觉检测仪及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109839384A true CN109839384A (zh) | 2019-06-04 |
CN109839384B CN109839384B (zh) | 2020-04-17 |
Family
ID=66883962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910060463.XA Active CN109839384B (zh) | 2019-01-22 | 2019-01-22 | 用于微型振动马达缺陷检测的视觉检测仪及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109839384B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501641A (zh) * | 2019-08-23 | 2019-11-26 | Oppo(重庆)智能科技有限公司 | 电子设备的测试装置 |
CN111210412A (zh) * | 2019-12-31 | 2020-05-29 | 电子科技大学中山学院 | 一种包装检测方法、装置、电子设备及存储介质 |
CN111426690A (zh) * | 2020-03-23 | 2020-07-17 | 天津大学 | 一种硅片表面缺陷视觉检测装置及检测方法 |
CN112369350A (zh) * | 2020-11-10 | 2021-02-19 | 南通大学 | 生物触角感知研究机制用的生物固定微调装置及微调方法 |
CN113686872A (zh) * | 2021-08-06 | 2021-11-23 | 中国计量大学 | 集成电路芯片微纳尺度缺陷检测装置及方法 |
US11712758B2 (en) | 2020-10-23 | 2023-08-01 | Ford Global Technologies, Llc | Automated inspection and verification of electric motor weld quality |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001059468A2 (de) * | 2000-02-10 | 2001-08-16 | Siemens Aktiengesellschaft | Vorrichtung und verfahren zur automatischen analyse eindimensionaler signale, insbesondere von zündkurven |
CN101413924A (zh) * | 2007-09-18 | 2009-04-22 | 阿尔斯托姆科技有限公司 | 用于检测发电机转子齿中的裂缝的方法和设备 |
CN102608130A (zh) * | 2012-01-18 | 2012-07-25 | 西安麦诺兹视频科技有限公司 | 基于图像特征匹配技术的智能卡污渍检测***及检测方法 |
CN106018422A (zh) * | 2016-07-13 | 2016-10-12 | 河北工业大学 | 基于匹配的异形冲压件轮廓缺陷视觉检测***及方法 |
CN106197268A (zh) * | 2016-07-05 | 2016-12-07 | 苏州格莱威科环保科技有限公司 | 一种电动机转子的检测装置及检测方法 |
CN108037132A (zh) * | 2017-12-25 | 2018-05-15 | 华南理工大学 | 一种用于干电池浆层纸卷绕缺陷检测的视觉传感器***及方法 |
WO2018146479A1 (en) * | 2017-02-08 | 2018-08-16 | Sheffield Hallam University | Apparatus and method for assessment of a characteristic of a bone |
-
2019
- 2019-01-22 CN CN201910060463.XA patent/CN109839384B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001059468A2 (de) * | 2000-02-10 | 2001-08-16 | Siemens Aktiengesellschaft | Vorrichtung und verfahren zur automatischen analyse eindimensionaler signale, insbesondere von zündkurven |
CN101413924A (zh) * | 2007-09-18 | 2009-04-22 | 阿尔斯托姆科技有限公司 | 用于检测发电机转子齿中的裂缝的方法和设备 |
CN102608130A (zh) * | 2012-01-18 | 2012-07-25 | 西安麦诺兹视频科技有限公司 | 基于图像特征匹配技术的智能卡污渍检测***及检测方法 |
CN106197268A (zh) * | 2016-07-05 | 2016-12-07 | 苏州格莱威科环保科技有限公司 | 一种电动机转子的检测装置及检测方法 |
CN106018422A (zh) * | 2016-07-13 | 2016-10-12 | 河北工业大学 | 基于匹配的异形冲压件轮廓缺陷视觉检测***及方法 |
WO2018146479A1 (en) * | 2017-02-08 | 2018-08-16 | Sheffield Hallam University | Apparatus and method for assessment of a characteristic of a bone |
CN108037132A (zh) * | 2017-12-25 | 2018-05-15 | 华南理工大学 | 一种用于干电池浆层纸卷绕缺陷检测的视觉传感器***及方法 |
Non-Patent Citations (2)
Title |
---|
JING LIU等: "Dynamic modeling for rigid rotor bearing systems with alocalized defect considering additional deformations at thesharpedges", 《JOURNAL OFSOUNDANDVIBRATION》 * |
陈毅等: "基于改进VGG卷积神经网络的前方车辆目标检测", 《数字制造科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501641A (zh) * | 2019-08-23 | 2019-11-26 | Oppo(重庆)智能科技有限公司 | 电子设备的测试装置 |
CN111210412A (zh) * | 2019-12-31 | 2020-05-29 | 电子科技大学中山学院 | 一种包装检测方法、装置、电子设备及存储介质 |
CN111210412B (zh) * | 2019-12-31 | 2024-03-15 | 电子科技大学中山学院 | 一种包装检测方法、装置、电子设备及存储介质 |
CN111426690A (zh) * | 2020-03-23 | 2020-07-17 | 天津大学 | 一种硅片表面缺陷视觉检测装置及检测方法 |
US11712758B2 (en) | 2020-10-23 | 2023-08-01 | Ford Global Technologies, Llc | Automated inspection and verification of electric motor weld quality |
CN112369350A (zh) * | 2020-11-10 | 2021-02-19 | 南通大学 | 生物触角感知研究机制用的生物固定微调装置及微调方法 |
CN112369350B (zh) * | 2020-11-10 | 2021-12-14 | 南通大学 | 生物触角感知研究机制用的生物固定微调装置及微调方法 |
CN113686872A (zh) * | 2021-08-06 | 2021-11-23 | 中国计量大学 | 集成电路芯片微纳尺度缺陷检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109839384B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109839384A (zh) | 用于微型振动马达缺陷检测的视觉检测仪及检测方法 | |
CN109357630B (zh) | 一种多类型工件批量视觉测量***及方法 | |
US6134343A (en) | System or method for detecting defect within a semi-opaque enclosure | |
JP3822242B2 (ja) | スライド及び試料の調製品質を評価するための方法及び装置 | |
CN102192911B (zh) | 一种基于机器视觉的金属瓶盖质量检测*** | |
CN1960602B (zh) | 自动检测、修补及自动标记印刷电路板的装置及方法 | |
CN108765416A (zh) | 基于快速几何对准的pcb表面缺陷检测方法及装置 | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN110216080A (zh) | 一种基于图像对比的pcb加工产线的质量监控*** | |
CN109974582A (zh) | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 | |
CN101014850A (zh) | 利用反射和荧光图像检查电路的***和方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测***及检测方法 | |
GB2284048A (en) | Method for examining the surface of a workpiece | |
CN114136975A (zh) | 一种微波裸芯片表面缺陷智能检测***和方法 | |
CN111474179A (zh) | 镜片表面清洁度检测装置及方法 | |
CN110096980A (zh) | 字符检测识别*** | |
CN106908444A (zh) | 一种基于图像处理的圆锥滚子轴承端面识别***及方法 | |
CN114820475B (zh) | 边缘识别方法、***、晶圆加工装置及晶圆与加工台同心状态确定方法 | |
Telljohann | Introduction to building a machine vision inspection | |
CN109632815A (zh) | 表面缺陷在线检测***及方法 | |
CN111815705A (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
Smruthi et al. | Hardware Implementation of Machine Vision System for Component Detection | |
CN115830053B (zh) | 一种基于机器视觉的帘线钢镶嵌样边缘定位方法及*** | |
Zhang et al. | Development of the HALCON software-based harness number identification | |
KR102618194B1 (ko) | Ai와 자동제어 기술을 접목한 반도체 패키지 기판 가공홀 3d 자동 공정검사 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 261, East Section of Feiyun Avenue, Mianyang City, Sichuan Province, 621000 Applicant after: Sichuan Anhe Precision Electronics and Electrical Appliances Co., Ltd. Applicant after: Sichuan University Address before: No. 261, East Section of Feiyun Avenue, Mianyang City, Sichuan Province, 621000 Applicant before: SICHUAN ANHE PRECISION ELECTRONIC ELECTRICAL APPLIANCES CO., LTD. Applicant before: Sichuan University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |