羅立浩，鄭日榮，何小敏，許 亮

(廣東工業(yè)大學 自動化學院，廣州 510006)

基于機器視覺的電機換向器質(zhì)量在線檢測系統(tǒng)開發(fā)

羅立浩，鄭日榮，何小敏，許 亮

(廣東工業(yè)大學 自動化學院，廣州 510006)

電機換向器質(zhì)量檢測是換向器生產(chǎn)線中的一個重要工序，但其仍采用人工方式，存在檢測效率低、漏檢率高等問題；針對此問題，運用圖像處理和機器視覺技術(shù)，開發(fā)換向器質(zhì)量在線視覺檢測系統(tǒng)；該系統(tǒng)針對生產(chǎn)過程工藝多變，造成形狀檢測標準不一致問題，提出自適應(yīng)學習模板方法；在軸孔孔徑檢測，提出基于Freeman鏈碼改進的孔徑快速檢測算法；在端面缺陷中，提出基于改進視覺注意力模型的端面缺陷檢測方法；實驗結(jié)果表明，系統(tǒng)檢測精度達到99.80%，漏檢率為0%，F(xiàn)-measure值為99.89%；該系統(tǒng)能夠快速有效檢測換向器存在的外觀質(zhì)量問題，可滿足換向器在線質(zhì)量檢測需求。

換向器質(zhì)量；機器視覺；圖像處理；在線檢測

0 引言

電機換向器的質(zhì)量檢測是換向器生產(chǎn)線中的一個重要工序。目前仍采用人工檢測方式，依賴于人的經(jīng)驗和主觀判斷，很難提供一個穩(wěn)定、準確和可靠的檢測結(jié)果。此外，檢測工序占生產(chǎn)線全部勞動力的25%左右，導(dǎo)致生產(chǎn)成本增加；而且人工檢測的效率低、誤檢率和漏檢率高，長期工作對人眼也有較大傷害。因此，利用機器視覺技術(shù)，開發(fā)換向器質(zhì)量視覺檢測系統(tǒng)是一個必然選擇。

通過對換向器實際生產(chǎn)過程的研究分析，外觀質(zhì)量主要存在以下幾種：分度不均存在偏鉤(圖1(a))；彎鉤外徑不合格(圖1(b))；鉤槽存在銅屑或電木碎屑異物(圖1(c))；存在斷鉤(圖1(d))；孔徑偏大或者偏小(圖1(e))；端面存在銅粉(圖1(f))；端面存在電木缺損(圖1(g))；端面存在裂痕(圖1(h))；端面存在多種缺陷(圖1(i))。

圖1 在線采集換向器圖像

機器視覺技術(shù)對產(chǎn)品檢測一直是研究的熱點，在工業(yè)零件、紡織產(chǎn)品、電子產(chǎn)品、食品、藥品等方面均有應(yīng)用。文獻[1]介紹了形狀匹配問題的基本概念和難點，對近年來最新出現(xiàn)的形狀表示與形狀匹配的方法進行了詳盡的介紹。文獻[2]提出一種結(jié)合輪廓點空間關(guān)系特征的多尺度形狀特征描述子，通過分析不同尺度下參考點與其他采樣點之間的位置關(guān)系，利用對應(yīng)角度信息來對形狀進行表示。文獻[3]介紹的一種基于Freeman鏈碼的新字符識別方法，利用近似字符串匹配和識別的字符串比較，同時使用單詞查找樹的高效搜索，具有更少的復(fù)雜性。文獻[4-5]提出了一種基于Freeman鏈代碼輪廓跟蹤或發(fā)現(xiàn)弧線圈的算法。文獻[6-8]研究了視覺注意力模型及其改進方法。Wang等[5]闡述了通過信息內(nèi)容權(quán)重結(jié)合多尺度結(jié)構(gòu)相似的方法來達到最好的圖像總體性能。Guo等[7]對地面目標探測無人機平臺的目標檢測方法提出了基于視覺注意力模型，并應(yīng)用于復(fù)雜地形背景目標探測，該方法的計算很簡單，適合工程應(yīng)用。Lin[8]提出了一個基于視覺注意力模型圖像質(zhì)量改進方法，該算法是利用調(diào)整暴露水平的輸入圖像，然后創(chuàng)建幾個中間結(jié)果進行融合，可以獲得良好的視覺質(zhì)量的合成圖像。文獻[9]利用機器視覺技術(shù)設(shè)計的電機換向器參數(shù)檢測系統(tǒng)，實現(xiàn)了對電機換向器不合格零件進行自動識別與快速抓取。Hong-Dar Lin[10]基于機器視覺設(shè)計了一套檢測LED環(huán)氧基樹脂半球表面微小缺陷的檢測系統(tǒng)，利用頻域中增強圖像缺陷特征的方法。HaoShen[11]基于機器視覺設(shè)計了一套新的圖像識別照明系統(tǒng)，用于各種類型缺陷的軸承缺陷檢查；Anders Landstrom[12]提出了基于機器視覺的方法用于檢測鋼板裂縫缺陷，設(shè)計了一套全自動檢測鋼板材料裂縫的系統(tǒng)。

本文針對換向器檢測需求，采用機器視覺技術(shù)，開發(fā)換向器質(zhì)量在線視覺檢測系統(tǒng)。該系統(tǒng)針對換向器生產(chǎn)工藝多變，導(dǎo)致檢測標準不一致而存在高誤檢率和低適應(yīng)性的問題，提出自適應(yīng)學習方法；在軸孔孔徑測量使用基于Freeman鏈碼改進的孔徑快速檢測算法；在端面缺陷中提出改進視覺注意力模型的檢測新方法。

1 系統(tǒng)結(jié)構(gòu)

換向器質(zhì)量可分為兩類：1)形狀、軸孔檢測，包括鉤型是否存在斷鉤和扭曲現(xiàn)象，鉤槽是否存在異物(銅屑或電木碎屑)，軸孔直徑是否滿足要求。2)端面缺陷檢測，頂/底端面是否存在電木缺損、裂紋或銅粉；根據(jù)上述檢測項目設(shè)計總體系統(tǒng)框架如下，系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 系統(tǒng)結(jié)構(gòu)示意圖

系統(tǒng)由圖像采集系統(tǒng)、圖像處理系統(tǒng)和PLC控制系統(tǒng)組成。其工作原理是換向器由傳送機構(gòu)輸送到檢測位置，觸發(fā)相機采集圖像和光源工作，相機將采集圖像傳至計算機，由計算機視覺檢測軟件系統(tǒng)對圖像處理，并把檢測結(jié)果送到控制系統(tǒng)，控制系統(tǒng)執(zhí)行相應(yīng)的機械動作。

視覺系統(tǒng)由光學照明系統(tǒng)、工業(yè)相機、光學鏡頭組以及相關(guān)輔助設(shè)備構(gòu)成。視覺系統(tǒng)設(shè)計的主要問題是相機和光源選型和位置設(shè)定。

綜合考慮換向器檢測的速度和精度，工業(yè)相機選用德國AVT公司的Guppy PRO F_503B工業(yè)數(shù)字攝像機，采用CMOS成像傳感器，具有2588×1940高分辨率；光學鏡頭的型號為M2514-MP2百萬像素定焦鏡頭；相機通過FWB X2-PCIE1X E220圖像采集卡和1394b數(shù)據(jù)線與計算機連接。根據(jù)相機焦距和成像原理，設(shè)定相機安裝高度為鏡頭到檢測平面垂直距離120 mm。

針對形狀和軸孔檢測的需求，為了提取換向器的輪廓，在傳送結(jié)構(gòu)下方安裝背光源。而為實現(xiàn)高精度檢測，就必須減少圖像采集時出現(xiàn)虛邊現(xiàn)象，故選用型號為LTS-2PFT5050-W背光源，該背光源是東莞樂視公司生產(chǎn)的一種平行背光源，內(nèi)部增加了特殊設(shè)計的平行膜，能夠使背光發(fā)出平行的光源，特別適合高精度的測量等場合；在端面缺陷檢環(huán)節(jié)，選擇與相機同側(cè)光源方式。根據(jù)實驗與測試分析得出，當環(huán)形光源為復(fù)色光時，圖像會產(chǎn)生色差，而色差對缺陷檢測有一定影響；當采用單色環(huán)形光，則可以避免色差。同時考慮到換向器電木顏色特征最終選擇東莞樂視公司的LTS-RN10045-G綠色環(huán)形光源，該光源由高亮LED陣列特殊設(shè)計而成，光線夾角為45度。根據(jù)環(huán)形光源的尺寸和光線夾角，設(shè)定安裝高度為光源到檢測平面垂直距離50 mm。

2 檢測方法

換向器質(zhì)量視覺檢測方法主要涉及到換向器的圖像處理及缺陷識別分類，包括形狀、軸孔檢測，頂/底端面缺陷檢測。當換向器放于待檢裝置上，首先進行形狀軸孔檢測，然后移動位置再進行頂端面和底端面檢測，最后根據(jù)三次檢測后的綜合結(jié)果來判斷是否為合格產(chǎn)品，并分類。檢測算法流程如圖3所示。

圖3 換向器檢測算法流程圖

2.1 形狀、軸孔檢測

換向器的形狀檢測包括是否存在斷鉤、分度不均而導(dǎo)致的偏鉤、鉤槽存在異物。由于換向器種類多，不同批次的產(chǎn)品都存在一定的生產(chǎn)工藝誤差，而且檢測指標也不完全相同。如果按照傳統(tǒng)的模板法設(shè)計檢測標準，會造成系統(tǒng)誤檢率高且系統(tǒng)適應(yīng)性差。因此為了提高算法的適應(yīng)度以及獲取準確的檢測標準，本文提出采用自適應(yīng)學習法獲取用于檢測的特征數(shù)據(jù)。在檢測之前，先對每一種型號的換向器進行學習，通過學習獲取檢測數(shù)據(jù)，并對其進行編號，將每種型號換向器學習得到的檢測特征數(shù)據(jù)(檢測標準)保存到檢測特征庫，當在線檢測時，只需選擇對應(yīng)型號的檢測標準進行檢測。

2.1.1 鉤型檢測

本文針對形狀檢測中的鉤型檢測設(shè)計了一種基于自適應(yīng)學習的快速高效檢測算法。該算法先提取感興趣區(qū)域的換向器鉤型部分，接著計算每個彎鉤之間間距分度，最后與檢測特征庫中分度參數(shù)進行匹對，如圖4所示。

圖4 鉤型檢測方法流程圖

鉤型的具體檢測步驟如下：

步驟1：圖像預(yù)處理。首先對待檢換向器圖像采用中值濾波去除噪聲。

步驟2：提取感興趣區(qū)域。通過閾值分割方法得到換向器鉤型區(qū)域部分。

步驟3：斷鉤判斷。通過計算彎鉤區(qū)域的連通域個數(shù)可以判斷有無存在斷鉤，若存在斷鉤則結(jié)束檢測并輸出檢測結(jié)果；否則執(zhí)行步驟4。

步驟4：計算彎鉤間的分度。通過計算得到每相鄰兩個彎鉤的分度值，然后和檢測標準庫的分度參數(shù)進行比較，若存在偏大或者偏小則輸出存在分度不均(偏鉤)結(jié)果；否則輸出分度合格結(jié)果。

2.1.2 鉤槽檢測

本文針對形狀檢測中的鉤槽形狀檢測設(shè)計了一種基于矩形度的檢測算法。矩形度指矩形的相似度，該方法先取換向器的鉤槽部分并計算其矩形度，接著判斷每個鉤槽連通區(qū)域的矩形度。算法流程如圖5所示。

圖5 鉤槽檢測方法流程圖

鉤槽具體檢測步驟如下。

步驟1：圖像預(yù)處理。首先對待檢換向器圖像采用中值濾波去除噪聲。

步驟2：提取感興趣區(qū)域。采用不同閾值分割得到整個換向器區(qū)域和鉤型區(qū)域部分，接著采用圖像差分方法得到溝槽區(qū)域。

步驟3：計算矩形度。通過計算每個鉤槽區(qū)域的連通域矩形度，然后和設(shè)定矩形度閾值進行比較。若小于設(shè)定閾值，則表明鉤槽存在異物；否則輸出檢測是合格產(chǎn)品結(jié)果。實驗表明，矩形度經(jīng)驗值可設(shè)為0.95時，檢測效果最佳。

2.1.3 軸孔檢測

換向器軸孔孔徑檢測需要確定孔徑是否為圓和孔徑半徑。本文通過分析圓和Freeman鏈碼的特點并結(jié)合應(yīng)用需求，提出一種結(jié)合圓特性和Freeman鏈碼快速檢測軸孔孔徑算法。該算法根據(jù)圓既是中心對稱圖形又是軸對稱圖形且具有旋轉(zhuǎn)不變性的特點，結(jié)合Freeman鏈碼的特性，可在減少計算量同時快速判斷是否為圓和計算圓半徑。

本文選取的是八方位鏈的編碼方式，具體算法步驟如下：創(chuàng)建8個動態(tài)的二維數(shù)組Ai(i=0,1,2,3,4,5,6,7)，分別存儲8個Freeman鏈碼方向所對應(yīng)的坐標值；將得到的邊緣圖像選取一個參考點用八方位Freeman鏈碼去遍歷所有的點，直到回到初始點；得到每個點對應(yīng)的方向編碼，并將上述8個方向的對應(yīng)編碼的坐標值存儲到相應(yīng)的數(shù)組中。由于得到的輪廓可能存在凹或凸變形，所以8個方向數(shù)組元素個數(shù)不一定相同，假定用numi,i∈{0,1,...,7}表示編碼的方向出現(xiàn)的次數(shù)，即8個數(shù)組的元素個數(shù)，根據(jù)圓的Freeman鏈碼具有的對稱性分別計算兩個對應(yīng)點之間的距離：

水平方向：

45°方向：

垂直方向：

135°方向：

其中：xi,yi和xj,yj為不同方向?qū)?yīng)實際坐標值，其中距離最大值dmax和最小值dmin為：

(1)

圖6 基于Freeman鏈碼軸孔檢測

具體步驟如下。

步驟1：圖像預(yù)處理。本文采用一種改進中值濾波器策略對圖像進行去噪處理。噪聲點是在其領(lǐng)域像素內(nèi)的極值，而邊緣點則不是，利用這個特性來改進中值濾波，使得能夠較好的濾除噪聲點又能保證邊緣的灰度值。具體是逐行掃描圖像上的每個像素值，判斷該像素是否在濾波器窗口內(nèi)領(lǐng)域像素的極值；若滿足則采用普通中值濾波器對該像素值進行處理；若不是則不予處理。接著對圖像進行閾值化處理。

步驟2：輪廓提取。圓的檢測結(jié)果精度很大程度上取決于邊緣的提取結(jié)果，本文采用Canny算子提取軸孔輪廓。

步驟3：計算圓的相似度。對軸孔輪廓進行Freeman鏈碼編碼并計算圓的相似度s，判斷是否滿足s≥S，若是則執(zhí)行步驟4，否則結(jié)束檢測，輸出軸孔檢測不合格結(jié)果。

步驟4：計算軸孔的半徑。計算軸孔的半徑值，然后和學習得到的標準軸孔半徑參數(shù)進行比較，若存在偏大/小則輸出存在軸孔偏大/小結(jié)果；否則輸出軸孔合格的結(jié)果。

2.2 頂(底)端面缺陷檢測

對于頂端面和底端面缺陷檢測項目相同，所采用算法也相同。本文采用改進視覺注意力模型的表面缺陷檢測方法，該方法的流程如圖7所示。

圖7 端面缺陷檢測方法流程圖

算法實現(xiàn)如下。

2.2.1 圖像預(yù)處理

使用中值濾波消除圖像高斯噪聲信號，然后運用開運算對圖像的進行背景估計，通過將源圖像與背景估計圖像進行差分得到差分圖像，最后利用gamma值灰度級變換增強圖像亮度。

2.2.2 特征提取

本文運用一種改進的Itti/Koch顯著性圖模型提取換向器端面缺陷特征，該算法通過中心圍繞算子，多尺度圖像特征結(jié)合成拓撲顯著性圖，分析并提取目標圖像中各個特征，具體可從亮度、邊緣、方向三個方向進行金字塔特征建模。

亮度特征建模，首先采用高斯濾波器對輸入圖像進行濾波和采樣，將高斯核矩陣中心與源圖像矩陣對應(yīng)累計求和，可計為第0級金字塔，然后以2為步長進行降采樣處理得到第1級金字塔的近似值。然后進行迭代運算，可得到下一級高斯金字塔。

方向特征建模采用Gabor濾波器，該濾波器很好地描述對應(yīng)于空間位置、空間頻率(尺度)及方向選擇性的局部結(jié)構(gòu)信息，能夠在頻域的不同尺度，不同方向上提取相關(guān)特征。

邊緣特征建模采用Robert算子，該算子使用x和y方向偏導(dǎo)數(shù)計算模板，計算每個點梯度幅值，最后通過邊緣金字塔操作，得到不同分辨率的圖像。

2.2.3 中心提取

中心提取是利用計算模型中細尺度與粗尺度之間的差值，通過中心圍繞算子計算各個方向的特征圖來實現(xiàn)。中心圍繞算子定義為Θ，公式(3)分別用于計算亮度、方向與邊緣特征圖。

(3)

2.2.4 缺陷區(qū)分度融合算子

Itti模型采用的線性加權(quán)融合算子是一種簡單的圖像融合方法，在融合過程，會損失很多信息。因此，本文提出一種基于缺陷區(qū)分度的融合算子。缺陷區(qū)分度ξ定義為缺陷區(qū)域與圖像中其他區(qū)域的區(qū)分程度，較大的ξ值反映了缺陷區(qū)域灰度值大、面積也較大而非缺陷區(qū)域的灰度值和面積較小。根據(jù)較大的ξ值，有較高的權(quán)重，在圖像融合過程中，貢獻也大，缺陷區(qū)分度融合算子可定義為：

(4)

(5)

(6)

2.2.5 缺陷檢測

通過前面的處理基本排除了干擾信息，可采用WTA神經(jīng)網(wǎng)絡(luò)[13]檢測出顯著性圖中包含的缺陷信息。該方法是先建立一個WTA神經(jīng)元線，然后將顯著性圖的作為激勵輸入，從而在最顯著位置的神經(jīng)元電位會迅速增加產(chǎn)生響應(yīng)，而所有的WTA神經(jīng)元都是線性無關(guān)，直到一個首先達到閾值并且獲得激發(fā)響應(yīng)，則該位置就是缺陷存在的區(qū)域。

2.3 評估標準

機器視覺中評價一個視覺系統(tǒng)性能標準有：精度，查全率和F-measure。精度表示正確率，指所有合格換向器中正確檢測為合格換向器占所有合格換向器的比例。而查全率反映了被正確檢測的合格換向器占檢測為合格換向器的比重。精度P和查全率R計算公式如下：

(7)

其中:TP是指正確判定為合格換向器的個數(shù)，F(xiàn)P是指合格換向器被誤檢為有不合格換向器的個數(shù)，F(xiàn)N是指不合格換向器被漏檢為合格換向器的個數(shù)。

F-measure則是精度和查全率的加權(quán)調(diào)和平均，它是精度和查全率的評估指標，用于綜合反映整體的性能。F-measure計算公式如下：

(8)

其中:α是一個正的實數(shù)，代表精度和查全率的系數(shù)權(quán)重，這里設(shè)置為0.8，表示查全率的權(quán)重大于精度的權(quán)重。

3 實驗結(jié)果

為驗證本文所提出方法的準確性，搭建換向器檢測實驗環(huán)境，并隨機抽取在線生產(chǎn)換向器產(chǎn)品分三組，分別有樣本573個、1 850個和2 143個作為測試樣本進行系統(tǒng)算法測試，實驗結(jié)果見表1。

表1 檢測結(jié)果

根據(jù)上述測試數(shù)據(jù)結(jié)果顯示，該系統(tǒng)的漏檢率為0%，誤檢率低于0.81%，誤檢率主要出現(xiàn)在鉤槽存在異物，造成原因是在生產(chǎn)換向器的過程導(dǎo)致細小雜物落入鉤槽中，從而產(chǎn)生誤檢。

系統(tǒng)現(xiàn)場測試，隨機收集在線生產(chǎn)的換向器作為樣本供系統(tǒng)檢測和人工檢測，通過評估標準可以評價該系統(tǒng)的系能。第一次隨機抽取在線生產(chǎn)的1052個換向器作為樣本一，此批樣品中存在著著1 012個合格品，40個存在質(zhì)量問題的不良品。表2為系統(tǒng)檢測結(jié)果，其中存在2個誤檢產(chǎn)品(FP)，不存在漏檢產(chǎn)品(FN)；表3為人工檢測結(jié)果，其中存在3個誤檢產(chǎn)品(FP)，存在6個漏檢產(chǎn)品(FN)。比較兩個表格數(shù)據(jù)，系統(tǒng)和人工檢測都有一定的誤檢率，雖然系統(tǒng)的精度只高于人工檢測精度的0.1%，但系統(tǒng)檢測查全率為100%，即不存在漏檢產(chǎn)品，確保良品中都是合格產(chǎn)品。此外，系統(tǒng)檢測的F-measure值也高于人工檢測，表明了該系統(tǒng)綜合性能較好。

表2 樣本一的系統(tǒng)檢測結(jié)果

表3 樣本一的人工檢測結(jié)果

第二次隨機抽取在線生產(chǎn)的3 214個換向器作為樣本二，此批樣品中存在著著3 138個合格品，76個存在質(zhì)量問題的不良品。表4為系統(tǒng)的檢測結(jié)果，其中存在6個誤檢產(chǎn)品(FP)，不存在漏檢產(chǎn)品(FN)；表5為人工檢測結(jié)果，其中存在14個誤檢產(chǎn)品(FP)，存在8個漏檢產(chǎn)品(FN)。比較兩個表格數(shù)據(jù)，系統(tǒng)和人工檢測都有一定的誤檢率，雖然系統(tǒng)的精度只高于人工檢測精度的0.26%，但系統(tǒng)檢測查全率為100%，即不存在漏檢產(chǎn)品，確保良品中都是合格產(chǎn)品。此外，系統(tǒng)檢測的F-measure值也高于人工檢測，表明了該系統(tǒng)綜合性能較好。

表4 樣本二的系統(tǒng)檢測結(jié)果

表5 樣本二的人工檢測結(jié)果

經(jīng)過上述數(shù)據(jù)得到比較直方圖，如圖8所示，從圖中可以得出人工檢測和系統(tǒng)檢測都存在一定的誤檢率，兩次檢測結(jié)果顯示系統(tǒng)檢測精度都高于人工檢測精度，即系統(tǒng)誤檢率較低，而造成系統(tǒng)誤檢的主要原因是鉤槽在生產(chǎn)過程中會落入細小異物等；此外，系統(tǒng)查全率都達到了100%，即不存在漏檢，確保檢測的合格品種不存在不良品；而且系統(tǒng)的F-measure值均高于人工，表明了該系統(tǒng)綜合性能較好。

圖8 系統(tǒng)檢測與人工檢測比較直方圖

4 結(jié)論

本文針對電機換向器外觀質(zhì)量采用人工檢測方式，存在效率低、速度慢、準確率低等問題，開發(fā)了基于機器視覺系的換向器質(zhì)量在線檢測系統(tǒng)。該系統(tǒng)針對形狀檢測提出了自適應(yīng)學習模板法；在軸孔測量，提出了基于Freeman鏈碼改進的孔徑快速檢測算法；針對端面多種缺陷問題，提出改進視覺注意力模型的端面缺陷檢測新方法。實驗結(jié)果表明，該系統(tǒng)在檢測精度達到99.80%以上，但漏檢率為0%，優(yōu)于人工檢測的漏檢率，保證了產(chǎn)品的良品質(zhì)量，且F-measure值高于人工值，表明該系統(tǒng)性能較優(yōu)，避免了人工只憑經(jīng)驗檢測而導(dǎo)致的漏檢換向器問題。而且包括機械結(jié)構(gòu)的動作時間和圖像采集、處理的時間總共不超過2S，且不受人為因素干擾。因此該系統(tǒng)可以代替換向器的人工在線檢測，對提高產(chǎn)品的良品率和生產(chǎn)效率有著重要的作用。

[1] 周 瑜,劉俊濤,白 翔.形狀匹配方法研究與展望[J].自動化學報.2012,38(6):889-910.

[2] Yang Y F, Zheng D C,Han M. A Shape Matching Method Using Spatial Features of Multi-scaled Contours[J].ACTA AUTOMATICA SINICA,2015,41(8):1405-1411.

[3] Samit Kumar Pradhan, SujoySarkar, Suresh Kumar Das. A Character Recognition Approach using Freeman Chain Code and Approximate String Matching [J]. International Journal of Computer Applications, 2013,13.

[4] Nitasha, Reecha Sharma.Extraction of Circle from Digital Images[J]. International Journal of Computer Applications & Information Technology，2012,8.

[5] Tang X N,Wang Y N.Visual Inspection and Classification Algorithm of Rail Surface Defect[J].Computer Engineering, 2013,39(3):25-30.

[6] Wang Z, Li Q. Information Content Weighting for Perceptual Image Quality Assessment[J]. IEEE Transactions on Image Processing,2011,20 (5):1185-1198.

[7] Guo C L, Zhang L M. A Novel Multiresolution Spatiotemporal Saliency Detection Model and Its Applications in Image and Video Compression[J]. IEEE Transactions on Image Processing,2010,19 (1):185-198.

[8] Lin G S, Ji X W. An image quality improvement method based on visual attention model[A]. 2015 IEEE International Conference[C].2015:366-367.

[9] 徐曉峰.基于機器視覺的電機換向器參數(shù)檢測系統(tǒng)設(shè)計[J].制造技術(shù)與機床.2014(1):79-82.

[10] Hong D L, Singa W C. Flaw detection of domed surfaces in LED packages by machine vision system[J]. Expert Systems with Applications,2011,38:15208-15216.

[11] Shen H, Li S, Gu D, et al. Bearing defect inspection based on machine vision[J]. Measurement, 2012, 45(4): 719-733.

[12] Anders Landstrom,Matthew J.Thurley.Morphology-Based Crack Detection for Steel Slabs[J]. IEEE Journal on Selected Topics in Signal Processing, 2012,6(7):866-875.

[13] 徐長青,許志聞,郭曉新.計算機圖形學(第2版) [M]. 北京：機械工業(yè)出版社,2010.

A Development of On-line Quality Defection System for Electric Machinery Commutator Using Machine Vision

Luo Lihao, Zheng Rirong, He Xiaomin, Xu Liang

(School of Automation , Guangdong University of Technology,Guangzhou 510006,China)

A quality detection is an important process in the production line of electric machinery commutator. The inspecting mode still dependent on human, leads low speed of detection and low accuracy. A system for on-line inspection quality of electric machinery commutator is developed using a machine vision technology. Aiming at the problems where exists different inspecting standards of commutator shape because of the production process, an approach of adaptive learning templet to detect the shape is proposed. An improved method to detect the diameter of axle hole is based on Freeman chain code. Aimming to defect flaw of end-surface of commutator, an approach based on a vision-attention model is proposed. Experimental results show that inspection accuracy of the proposed system reaches 99.80%, miss rate of 0%, and the F - measure value of 99.89%. The system can quickly and effectively detect appearance quality of the commutator, which can meet the needs of the commutator line quality inspection .

commutator quality; machine vision; image processing; on-line defect

2015-12-25；

2016-03-07。

國家自然科學基金(21176089，21376091)。

羅立浩(1990-)男，廣東梅州人，碩士研究生，主要從事機器視覺方向的研究。

許 亮，男，博士，高級工程師，主要從事機器視覺、物聯(lián)網(wǎng)、人工智能方向的研究。

1671-4598(2016)07-0056-06

10.16526/j.cnki.11-4762/tp.2016.07.016

TP39 文獻標識碼：A