基于机器视觉的零件表面缺陷检验系统开发 .pdfVIP

基于机器视觉的零件表面缺陷检验系统

开发

摘要

进入21世纪科技的快速发展，工业设备多实现自动化，机器代替了人工，

智能化成为一种不可避免的事情。但在工件检测方面，目前仍以人工为主。为了

实现智能化检测，人们开始了基于机器视觉的检测与研究。传统的人工检测在现

代工业存在些许问题，在零件检测中需要提出更好的检测方法。

本文搭建机器视觉检测成像系统，主要的工作原理是：将待测零件放在工作

平台上，在特定的光照环境下，通过相机和镜头所组成的图像摄取装置对目标物

体进行拍摄，将所拍摄的图像转换成图像信号并传输给图像采集卡，再由图像采

集卡传输给图像处理系统。

本文以工件为研究对象，利用东北大学数据集对模型进行训练，以及通过对

机器视觉检测成像的研究，搭建一组基于机器视觉的检测装置。本文研究内容主

要分为两个部分：机器视觉成像系统和零件表面缺陷检验结果与分析。

关键词：深度学习；机器视觉；零件表面缺陷；目标检测

第一章前言

1.1研究背景及意义

工业生产过程中，对零件的测量方式分为接触式测量方式和非接触式测量方

式。日常使用最为频繁的就是接触式测量，但存在效率低和精度不高的问题，同

时对人力的需求大。由于市面上常规的测量方法存在问题，因此本文致力于研究

新的检测方法。机器视觉为非接触式测量提供了一种既满足精度又可控制成本的

检测方式。

1.2机器视觉

1.2.1YOLO发展史

YOLO是一个end-to-end的目标检测卷积神经网络，属于单阶段目标探测器

且依赖于不同尺度的锚框。YOLO算法具体流程为：输入一个图像，利用特征提取

网络CSP提取其特征，输出其特征图；将图像分割成数个网格单元；使用当前目

标中心坐标所属的网络单元即特征上的锚框来预测当前目标，并输出预测特征图。

1.3本文研究及结果

本文以零件为研究对象，通过对机器视觉检测成像的研究，搭建一组基于机

器视觉的检测装置。本文研究内容主要分为两个部分：机器视觉成像系统和零件

表面缺陷检验结果与分析。

第二章YOLOv5算法的应用

2.1YOLOv5模型

YOLO模型是一种快速的对象检测模型，与同期的出现网络模型相比，在同等

空间尺寸下更加强大，且随着模型的迭代演变，模型的检查也更加稳定。YOLOv5

模型相较于YOLOv4推理速度更快，检测精度更高。YOLOv5可以在TeslaP100上

实现140帧/s的快速检测，能够满足工业生产线实时检测要求。同时YOLOv5最

小的权重文件大小只有27MB，因此该模型能够更简单、方便地在工业生产线中使

用，对零件表面进行缺陷检测。

2.2实验结果

2.2.1数据整理

实验所用数据集为东北大学宋克臣团队制作的钢材表面缺陷数据集（NEU-

DET），包含6种缺陷类型：裂纹、内含物、斑块、点蚀面、氧化轧皮、划痕，

共计1800张图片。图片的类别为灰度图。采集钢材表面缺陷的一种方法为：将

环形LED灯安装于待测钢材上方，在两光源的中心轴线上放置一台工业相机，对

钢材表面的缺陷进行照片采集。对相机采集到的图像进行预处理，消除高频噪声，

进行灰度变换。

数据集图片均使用LabelImg软件依次对缺陷标注真实框，得到格式为xml

的标签文件。将数据集的1800张图片其中训练集1770张，验证集30张。

2.2.2YOLOv5网络训练

网络学习模型的训练基于Pytorch的深度学习框架，其训练部分参数设置：

输入图片尺寸为像素200×200像素，迭代批量设置大小为16，总迭代次数为

300，动量为0.937，权重衰减系数为0.0005，选用自动锚点检测，采用Mosaic

数据增强策略，初始学习率为0.001。当迭代次数至200时，将学习率降低至

0.0001。大约在200次迭代后，模型收敛。网络训练的整个过程及结果都保存在

results文件中，并且可以通过Wandb(WeightsBiases)将模型在线可视化。文

中使用GIoU＿loss作为损失函数。如式（3-1）

式（3-1)

使用训练好的网络模型对瓷砖测试集进行预测，按照式（3-2）分别计算准

确率和召回率。

式（3-2)

T