一种机械零件缺陷检测方法及系统与流程

本发明涉及机械零件检测领域，具体涉及一种机械零件缺陷检测方法及系统。

背景技术：

随着生产技术的进步，机械零件的产量不断升高，大多制造商仍使用人工进行机械零件质量的检测。人工检测易受检测员身体状况影响，所以长时间目视检测容易出现漏检率、误检率上升等问题。如何实现机械零件的自动检测成为一个亟待解决的技术问题。

技术实现要素：

为解决上述问题，本发明提供了一种机械零件缺陷检测方法及系统，利用超声波探伤技术和图像识别技术可以实现快速、准确率高的机械零件缺陷检测。

为实现上述目的，本发明采取的技术方案为：

一种机械零件缺陷检测方法，包括如下步骤：

s1、机械零件由机械零件放置槽内通过三翼旋转门上落于传送带上，经超声波探伤仪检测后输送至图像采集模块实现机械零件俯视图、仰视图、前视图、后视图、左视图、右视图的采集；

s2、基于bp神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；

s3、采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，然后基于dsod算法实现图像中缺陷的检测，基于inceptionv3深度模型输出缺陷识别结果；

s4、基于lssvm根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；

s5、通过数字输出模块输出最终分类信息至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。

进一步地，每隔3-6s通过单片机控制三翼旋转门开关允许1颗机械零件通过。

进一步地，所述图像采集模块包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，其中，上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，且每个摄像头对应的采集的背景均采用纯色背景。

进一步地，所述bp神经网络模型采用inceptionv2深度神经网络，将超声波探伤检测结果、机械零件缺陷信息分别作为inceptionv2深度神经网络的输入端和输出端。

进一步地，所述传送带以0.05m/s的速度向前传动。

本发明还提供了一种机械零件缺陷检测系统，包括机械零件放置槽，机械零件放置槽的出料口内装有三翼旋转门，机械零件放置槽的下端设有传送带，在传送带上设有一超声波探伤仪和四对摄像头，四对摄像头包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，下摄像头设置在传送带下方，上摄像头、左摄像头、右摄像头、前摄像头、后摄像头均设置在一矩形罩内，该矩形罩通过气缸可升降设置在传送带的上方，上摄像头设置在矩形罩的内顶面，左摄像头、右摄像头设置矩形罩的左右两侧内壁，前摄像头、后摄像头设置在矩形罩的前后两侧内壁，且上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，每个摄像头对应的采集的背景均采用纯色背景，四对摄像头均连接有与计算机，计算机内载数据分析系统，并通过数字输出模块输出计算机最终分类信息，驱动传送带出料端机械零件分选电磁阀进行机械零件的区分。

进一步地，所述数据分析系统包括：

超声波探伤识别模块，用于基于bp神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；

图像预处理模块，用于采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声；

图像缺陷识别模块，用于基于dsod算法实现图像中缺陷的检测，基于inceptionv3深度模型输出缺陷识别结果；

机械零部件分类模块，用于基于lssvm根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；

数字输出模块，用于将最终分类信息输送至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。

进一步地，超声波探伤仪设置在传送带左右两侧。

本发明具有以下有益效果：

利用超声波探伤技术和图像识别技术可以实现了快速、准确率高的机械零件缺陷检测。

附图说明

图1本发明实施例一种机械零件缺陷检测方法的流程图。

图2为本发明实施例一种机械零件缺陷检测系统的结构示意图。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种机械零件缺陷检测方法，包括如下步骤：

s1、机械零件由机械零件放置槽内通过三翼旋转门上落于传送带上，传送带以0.05m/s的速度向前传动，每隔3-6s通过单片机控制三翼旋转门开关允许1颗机械零件通过；经超声波探伤仪检测后输送至图像采集模块实现机械零件俯视图、仰视图、前视图、后视图、左视图、右视图的采集；

s2、基于bp神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；

s3、采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，然后基于dsod算法实现图像中缺陷的检测，基于inceptionv3深度模型输出缺陷识别结果；

s4、基于lssvm根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；

s5、通过数字输出模块输出最终分类信息至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。

本实施例中，所述图像采集模块包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，其中，上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，且每个摄像头对应的采集的背景均采用纯色背景。所述bp神经网络模型采用inceptionv2深度神经网络，将超声波探伤检测结果、机械零件缺陷信息分别作为inceptionv2深度神经网络的输入端和输出端。

如图2所示，本发明实施例提供了一种机械零件缺陷检测系统，包括机械零件放置槽1，机械零件放置槽1的出料口内装有三翼旋转门3，机械零件放置槽的下端设有传送带，在传送带上设有一超声波探伤仪4和四对摄像头5，超声波探伤仪4设置在传送带左右两侧，四对摄像头5包括上摄像头、下摄像头、左摄像头、右摄像头、前摄像头、后摄像头，下摄像头设置在传送带下方，上摄像头、左摄像头、右摄像头、前摄像头、后摄像头均设置在一矩形罩内，该矩形罩通过气缸可升降设置在传送带的上方，上摄像头设置在矩形罩的内顶面，左摄像头、右摄像头设置矩形罩的左右两侧内壁，前摄像头、后摄像头设置在矩形罩的前后两侧内壁，且上摄像头与下摄像头、左摄像头与右摄像头、前摄像头与后摄像头均错开设置，每个摄像头对应的采集的背景均采用纯色背景，四对摄像头5均连接有与计算机6，计算机内载数据分析系统，并通过数字输出模块输出计算机最终分类信息，驱动传送带出料端机械零件分选电磁阀进行机械零件的区分。

本实施例中，所述数据分析系统包括：

超声波探伤识别模块，用于基于bp神经网络模型实现超声波探伤仪检测结果的评估，输出对应的机械零件缺陷信息；

图像预处理模块，用于采用双边滤波和分段线性变换算法分别进行图像去噪和图像增强预处理；采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声；

图像缺陷识别模块，用于基于dsod算法实现图像中缺陷的检测，基于inceptionv3深度模型输出缺陷识别结果；

机械零部件分类模块，用于基于lssvm根据所述机械零件缺陷信息和缺陷识别结果实现机械零部件的分类；

数字输出模块，用于将最终分类信息输送至分选电磁阀，驱动分选电磁阀进行机械零部件的区分。

本具体实施通过机械零件放置槽、三翼旋转门、传送带、超声波探伤仪以及图像采集模块的设计实现了机械零件的单个高效检测，结合了超声波探伤技术和图像识别技术，大大提高了识别结果的准确率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。