[发明专利]一种基于机器视觉的轴承滚子倒角面缺陷检测方法

权利要求书

1.一种基于机器视觉的轴承滚子倒角面缺陷检测方法，其特征在于，包括以下步骤：

1)建立机器视觉采集系统，采集含倒角面缺陷的轴承滚子图像样本，并对缺陷位置进行标定，建立轴承滚子倒角面缺陷数据库；

2)建立基于深度卷积神经网络的深度学习算法目标检测模型，根据轴承滚子倒角面缺陷数据库中的图像样本对检测模型进行训练，得到适用于轴承滚子倒角面缺陷检测的网络模型；

3)使用视觉采集系统采集待检测滚子图像，利用基于计量模型的边缘检测算法提取滚子倒角面轮廓，利用训练后的缺陷检测网络模型，判断是否存在缺陷，若模型判定存在缺陷，对缺陷区域进行定位，筛选在倒角面轮廓线以内或者与轮廓线相交的区域为倒角面缺陷区域；

4)对缺陷区域进行复检，利用Blob分析算法提取缺陷区域的面积、灰度值特征，判断是否为误检区域，若不是误检区域，则将缺陷的类别和位置反馈给检测系统数据库，若是误检区域，则返回无缺陷结果。

2.根据权利要求1所述的一种基于机器视觉的轴承滚子倒角面缺陷检测方法，其特征在于，所述机器视觉采集系统包括：面阵相机、环外侧镜头、球积分光源和运动轴，其中，面阵相机与环外侧镜头连接，安装于轴承滚子垂直上方，球积分光源与运动轴连接，面阵相机、环外侧镜头和球积分光源的中轴线与轴承滚子中轴线重合，控制运动轴带动球积分光源，使轴承滚子倒角面处于球积分光源照射区域内，通过面阵相机采集轴承滚子倒角面图像。

3.根据权利要求1所述的一种基于机器视觉的轴承滚子倒角面缺陷检测方法，其特征在于，所述轴承滚子倒角面缺陷数据库，其建立过程为：

1)通过机器视觉采集系统采集轴承滚子倒角面图像，包括无缺陷图像和带缺陷图像；

2)将图像灰度化，采用阈值分割算法，从图像中分割提取待检测区域，将分割出的待检测区域图像进行缩放，并保存为图像样本；

3)选择含有缺陷的缩放倒角面图像样本，用矩形框标注缺陷区域，获得缺陷区域四个角的坐标值a_ij,b_ij,c_ij,d_ij,i＝1,2,3…,j＝1,2,3…,i表示图像样本的序号，j表示同一个图像样本中的标注框序号，保存所有标注框四个角的坐标值数据，每一组坐标值对应一个缺陷区域样本，建立轴承滚子倒角面缺陷样本数据库。

4.根据权利要求1所述的一种基于机器视觉的轴承滚子倒角面缺陷检测方法，其特征在于，步骤2)为：

网络模型采用CNN模型，由输入层、卷积层、池化层、全连接层和输出层组成，训练网络模型的过程为：

1)将标注后的缺陷图像样本进行缩放，并由输入层输入网络模型；

2)通过卷积层进行卷积运算提取缺陷图像样本的特征图，通过激活函数实现非线性运算来增强网络的图像特征拟合能力，计算获得缺陷图像样本特征图为：表示第l层卷积网络中第j个神经节点输出的特征图，f为激活函数，M_j为第j个节点特征图集合，是第l-1层的第i个特征图，为卷积核权值，为偏置项；

3)将卷积层提取的样本特征图输入池化层中，建立滑动窗口，在样本特征图上滑动进行平均池化，求取每个窗口的特征均值，然后将样本特征图输入全连接层，重新拟合变成一个全局特征图，获得特征y_j：y_j＝f(∑_iW_ij*x_i+b_j)，f为激活函数，W_ij表示相应神经元节点权重值，x_i为输入特征，b_j为偏置值；

4)网络模型输入m个缺陷样本,网络总体损失函数可以表示为：W代表网络模型的权重，b表示网络模型的偏置值，J(W,b；x⁽ⁱ⁾,y⁽ⁱ⁾)代表第i个缺陷样本损失函数，样本λ表示网络权重衰减项，n_l代表网络的层数，S_l代表第l层神经网络的神经节点数，x⁽ⁱ⁾为第i个缺陷样本的预测缺陷特征，y⁽ⁱ⁾为第i个缺陷样本的真实缺陷特征。通过迭代训练学习，从而修正网络的权重参数，减小损失函数，更新网络模型，直至训练结束，获得基于深度卷积神经网络的缺陷检测模型。