精密零件视觉外观检测方法研究

CORC > 自动化研究所 > 中国科学院自动化研究所 > 毕业生 > 博士学位论文

题名	精密零件视觉外观检测方法研究
作者	孙佳1,2
答辩日期	2018-05-28
授予单位	中国科学院研究生院
授予地点	北京
导师	乔红
关键词	摄像机标定表面瑕疵检测自动检测系统卷积神经网络零件测量
英文摘要	精密零件在众多工业领域都有非常重要的应用，如消费电子、医疗器械、航天航空、汽车船舶等等。这些精密零件的外观质量直接影响着最终产品的功能及可靠性。随着我国智能制造战略的推进，对精密零件生产的质量要求也越来越高。在很多应用领域都要求对精密零件外观进行100%全检，因此，对大批量生产精密零件的外观检测效率及检测效果均提出了更高的要求。目前，基于视觉的精密零件外观检测方法在工业领域中应用广泛，研究人员提出了多种针对不同目标的外观瑕疵检测算法及相应的检测系统。但是在实际应用中仍然存在很多亟需解决的问题，如检测准确率低、样本数量有限、算法泛化能力差等。本文针对精密零件外观检测问题中的视觉系统标定、快速零件检测、表面瑕疵检测等关键技术展开研究，主要的工作和贡献有：（1）针对精密零件外观检测视觉系统中摄像机内参数及手眼关系的标定问题，分别研究了基于标定板的视觉系统标定方法及自标定方法，并提出了基于两特征点的高效机器人视觉自标定方法。所提出的基于两特征点的自标定方法仅选取空间中两个特征点作为标定参考点，并将机器人视觉系统中的摄像机内参数的标定与机器人及摄像机的手眼标定过程结合在一起，通过控制机器人做三次平移运动和两次旋转运动即可线性求解出所有参数。通过实验验证，该方法在图像噪声等级为σ=5像素时，摄像机内参数的相对误差小于0.06%，手眼参数的相对误差小于2%；在机器人运动误差等级为0.1时，摄像机内参数的相对误差小于0.14%，手眼参数相对误差小于3%。所提出的基于两特征点的自标定方法在减少标定累积误差的同时，简化了机器人视觉系统的标定过程，从而提高了视觉系统的标定效率和灵活性，减少了对标定板等标志物的依赖。（2）针对精密零件外观检测系统中，对大批量生产的精密零件快速检测和捕捉的实时性及准确性要求，将人类的视觉注意机制引入到零件检测中，提出了基于视觉显著性检测的目标检测算法，将自上而下的特征提取与自下而上的显著性检测相结合，实现目标精密零件的快速精准定位。该方法根据离线先验知识对目标零件进行特征提取并创建样本模板，再对实时采集的待检精密零件图像进行自下而上的显著性检测缩小搜索范围，进而快速锁定检测目标。通过参数分析实验及对比实验可见，本文提出的基于视觉显著性的精密零件检测算法运行时间在4ms左右，当合理设置匹配阈值时，检测成功率可以达到100%。本文提出的基于视觉显著性的精密零件检测算法运行时间短，检测成功率高，能够满足实际应用中的效率与准确性要求。（3）针对精密零件表面瑕疵分割和提取困难等问题，提出了基于图像重构集合和深度卷积网络的精密零件表面瑕疵检测方法。该方法将训练数据集中的精密零件图像进行自适应多尺度及随轮廓局部提取后，创建重构图像集合，再进行卷积神经网络的训练。所提出的基于图像重构的卷积神经网络能够同时实现多种不同类型瑕疵的有效检测。该方法在精密零件的垫伤、划痕和麻点瑕疵的检测中，均达到了97%以上的检测效果。同时，为了解决缺少带标注的精密零件样本库的问题，本文采集了一万幅精密零件的外观样本图像并对其瑕疵类型进行标注，创建了精密零件表面瑕疵样本数据库。为后续精密零件表面瑕疵检测技术的研究提供了重要依据。（4）针对小样本精密零件的检测问题，提出了基于合成样本学习的精密零件检测方法，设计了基于合成样本的精密零件视觉外观检测系统。基于合成样本学习的精密零件检测方法利用少量真实样本作为种子样本创建出大量合成样本，对卷积神经网络进行精细训练。有效的解决了实际应用中仅有小样本数据进行检测网络训练的问题。通过实验验证，在垫伤、划痕和麻点的种子样本量分别为三十个时，所提出的方法对相应瑕疵类型检出率分别可以达到98.2%、99.1%及100%。结合前文所研究的内容，针对小尺寸精密零件的自动检测问题，设计了基于合成样本的精密零件视觉外观检测系统。该系统能够实现大批量生产的小尺寸精密零件全自动上料、快速捕捉、表面瑕疵检测以及关键尺寸测量等任务。该方案与现有检测手段相比，大大提高了检测效率，能够实时检测多种瑕疵。最后，总结了本文的研究成果，并对后续的研究工作进行分析和展望。
内容类型	学位论文
源URL	[http://ir.ia.ac.cn/handle/173211/20980]
专题	毕业生_博士学位论文
作者单位	1.中国科学院大学 2.中国科学院自动化研究所
推荐引用方式 GB/T 7714	孙佳. 精密零件视觉外观检测方法研究[D]. 北京. 中国科学院研究生院. 2018.