CN115861314B - 一种无刷电机冲片筛选方法 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及一种无刷电机冲片筛选方法，采集无刷电机冲片图像，利用神经网络提取出存在毛刺缺陷的无刷电机冲片灰度图；提取灰度图中的硅钢槽；根据硅钢槽中的像素点之间的灰度值差和像素点之间的距离得到硅钢槽区域的灰度差异；根据硅钢槽与相邻硅钢槽相同位置的像素点之间的欧式距离得到硅钢槽的槽间距离均衡度；根据硅钢槽的面积、周长得到形状特征；利用灰度差异、槽间距离均衡度、形状特征构建无刷电机冲片硅钢槽特征值矩阵；根据矩阵中每个特征值的信息熵得到每个特征值的权重；利用特征值及特征值的权重，对硅钢槽进行聚类分割，得到存在毛刺缺陷的硅钢槽和正常硅钢槽，提高了毛刺缺陷的检测精度。

Description

一种无刷电机冲片筛选方法

技术领域

本申请涉及图像处理领域，具体涉及一种无刷电机冲片筛选方法。

背景技术

定子冲片是用于直流无刷电机上的关键组成零件，定子冲片能够充分利用永磁磁场，改善电机启动性能，又能够防止电机定子铁芯中出现槽口效应，定子冲片多为硅钢材料，冲片包含多个硅钢槽，毛刺缺陷是硅钢槽上的一种常见的缺陷，存在毛刺的硅钢槽会造成铁芯的磨损、升温、电流增加、效率降低，影响着无刷电机的质量，因此在定子冲片安装到无刷电机前应该对其进行严格的筛选，筛选出存在毛刺缺陷的硅钢槽，然后进行针对性的毛刺去除处理，现有技术是通过神经网络的筛选出存在毛刺缺陷的定子冲片，但是，神经网络仅仅能对毛刺缺陷进行初步筛选，无法进一步判断具体哪个硅钢槽上存在毛刺缺陷，对存在毛刺缺陷的硅钢槽的检测精度不高。

发明内容

针对神经网络仅仅能对毛刺缺陷进行初步筛选，无法进一步判断具体哪个硅钢槽上存在毛刺缺陷，对存在毛刺缺陷的硅钢槽的检测精度不高的问题，本方面提供一种无刷电机冲片筛选方法：

获取待检测无刷电机冲片中的具有毛刺缺陷的无刷电机冲片灰度图；

提取无刷电机冲片灰度图中的所有硅钢槽，根据每个硅钢槽中每个像素点之间的灰度值差和欧式距离得到每个硅钢槽的灰度差异；

根据每个硅钢槽与相邻硅钢槽中相同位置的像素点之间的欧式距离得到每个硅钢槽的槽间距离均衡度；

根据每个硅钢槽的面积、周长得到每个硅钢槽的形状特征；

将每个硅钢槽的灰度差异、槽间距离均衡度、形状特征作为该硅钢槽的特征值，构建每个无刷电机冲片灰度图的硅钢槽特征值矩阵；

利用无刷电机冲片灰度图的硅钢槽特征值矩阵中每种特征值的信息熵得到每种特征值的权重；

利用每个硅钢槽的每种特征值和每种特征值的权重，计算出聚类度量距离，根据聚类度量距离对硅钢槽进行聚类分割，并根据每类硅钢槽的傅里叶描述子的余弦相似度之和，筛选出存在毛刺缺陷的硅钢槽。

所述根据每个硅钢槽中每个像素点之间的灰度值差和欧式距离得到每个硅钢槽的灰度差异的方法为：

在每个硅钢槽中，将每个像素点与其他像素点的灰度值的差值、每个像素点与其他像素点之间的欧式距离相乘，并进行累加，得到的值作为每个硅钢槽的灰度差异。

所述根据每个硅钢槽与相邻硅钢槽中相同位置的像素点之间的欧式距离得到每个硅钢槽的槽间距离均衡度的方法为：

将每个硅钢槽区域中的每个像素点，与其左侧相邻硅钢槽区域中对应位置的像素点作为一对像素点，计算每一对像素点之间的欧式距离，将每一对像素点之间的欧式距离的均值作为第一槽间距离；

将每个硅钢槽区域中的每个像素点，与其右侧相邻硅钢槽区域中对应位置的像素点作为一对像素点，计算每一对像素点之间的欧式距离，将每一对像素点之间的欧式距离的均值作为第二槽间距离；

将第一槽间距离和第二槽间距离的乘积作为每个硅钢槽区域的槽间距离均衡度。

所述根据每个硅钢槽的面积、周长得到每个硅钢槽的形状特征的方法为：

将每个硅钢槽的面积和每个硅钢槽的周长相除，得到的值作为每个硅钢槽的形状特征。

所述每个无刷电机冲片灰度图的硅钢槽特征值矩阵：

每一行为一个硅钢槽，每一列为每个硅钢槽的每一个特征值。

所述利用无刷电机冲片灰度图的硅钢槽特征值矩阵中每种特征值的信息熵得到每种特征值的权重的方法为：

公式中，

为第q种特征值的权重，

为第q种特征值的信息熵，

为特征值种类总数。

所述筛选出存在毛刺缺陷的硅钢槽的具体方法为：

选取k个缺陷系数F最大的硅钢槽作为初始聚类中心；

获取选取的每个硅钢槽的每种特征值，即每个硅钢槽的缺陷系数、槽间距离均衡度、形状特征；

根据每个硅钢槽的每种特征值及每种特征值的权重，得到每个硅钢槽到初始聚类中心的度量距离；

根据每个硅钢槽到初始聚类中心的度量距离和初始聚类中心进行K-means聚类分割，将硅钢槽为两类；

利用傅里叶描述子获取两类硅钢槽中每个硅钢槽的傅里叶描述子，分别计算两个分类结果中所有硅钢槽的傅里叶描述子的余弦相似度之和，将余弦相似度之和较小的类别作为存在毛刺缺陷的硅钢槽。

所述获取待检测无刷电机冲片中的具有毛刺缺陷的无刷电机冲片灰度图的方法为：

采集无刷电机冲片图像并进行预处理；

将预处理后的无刷电机冲片图像进行归一化处理，利用Labelme软件对图片进行标签的标注，存在缺陷冲片图像和正常冲片图像的标签人为设定分别是0和1，神经网络结构为SENet，损失函数为交叉熵；

神经网络的训练是将预处理后的无刷电机冲片图像输入神经网络，通过神经网络的输出存在毛刺缺陷的无刷电机冲片灰度图。

本发明的有益效果是：

根据每个硅钢槽区域的像素点之间的灰度值差和像素点之间的欧式距离得到每个硅钢槽区域的灰度差异，该灰度差异反映了硅钢槽上的灰度变化情况，变化越剧烈，越可能是缺陷；根据硅钢槽与相邻硅钢槽间距离的变化情况得到槽口距离均衡度，该槽口距离均衡度反映了相邻硅钢槽间距的变化情况，均衡度越大，越可能存在毛刺缺陷；根据硅钢槽的周长和面积计算形状特征，反映了硅钢槽的形状变化，形状特征越小越可能是毛刺缺陷；将灰度差异、距离均衡度和硅钢槽的形状特征作为硅钢槽的特征值，根据特征值对k-means聚类算法进行改进，在存在毛刺缺陷的冲片中筛选出存在毛刺缺陷的硅钢槽，对存在毛刺缺陷的硅钢槽进行了准确的筛选，提高了对毛刺缺陷筛选的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种无刷电机冲片筛选方法的流程示意图；

图2是本发明的一种无刷电机冲片筛选方法中的硅钢槽示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种无刷电机冲片筛选方法的实施例，如图1所示，包括：

步骤一：获取待检测无刷电机冲片中的具有毛刺缺陷的无刷电机冲片灰度图；

该步骤的目的是，利用工业相机采集无刷电机冲片的图像，并对图像进行预处理，利用神经网络预处理后的图像进行初步筛选。

其中，采集无刷电机冲片图像的方法为：

在无刷电机冲片的生产车间内安装工业CCD相机，由于无刷电机冲片图像的质量对后续筛选结果有较大影响，图像质量受到采集环境、光照等因素影响，为了提高冲片图像的质量，减少采集环境和光照因素的影响，在生产完成的无刷电机冲片上方安装一个环形的LED光源，使得采集图像上的光照满足均匀分布，利用工业CCD相机获取冲片模具生产的无刷电机冲片，获取图像为RGB图像；

采集完成后，对图像进行预处理：

为消除环境的干扰和图像噪声，提高后续筛选的准确度，对采集得到的无刷电机冲片图像进行预处理，本发明中采用双边滤波去噪技术，在保留边缘信息的同时消除噪声干扰。

其中，利用神经网络提取出存在毛刺缺陷的无刷电机冲片图的方法为：

利用神经网络对采集的无刷电机冲片图像进行缺陷的判断，将预处理后的图片进行归一化处理，目的是为了方便模型训练，借助Labelme软件对图片进行标签的标注，存在缺陷冲片图像和正常冲片图像的标签人为设定分别是0和1，神经网络结构为SENet，损失函数为交叉熵，神经网络的训练是将预处理后的图片输入神经网络，通过神经网络的输出判断哪个无刷电机冲片是存在毛刺缺陷的，可提取出具有毛刺缺陷的无刷电机冲片灰度图；

需要说明的是，目前国内外电机冲片主要是由0.5毫米或者0.35毫米的硅钢片制作而成，筛选的目的是为了分区质量好的冲片和质量差的冲片，从无刷电机冲片的生产过程来看，在无刷电机冲片的冲头边缘和模具边缘处的刃口由于长期磨损的缘故，会产生较差的分料效果，导致冲片上的槽口处的截面是不规则的，其次电机冲片模具之间的间隙因太大或太小导致的不均匀都会导致硅钢片被深拉，冲裁位置的斜度增加，使得硅钢片上容易产生细长的毛刺。除此之外，无刷电机冲片的存放一般通过堆叠的方式，这种方式很容易在摆放移动过程中造成冲片之间的磨损，如果安装了质量差的冲片到无刷电机内部，那么无刷电机在运行时对弧形键槽会造成更大的冲击力和磨损，这些因素都会影响到高温吹风机的正常使用。

因此在将无刷电机冲片安装到无刷电机内部之前，本发明首先对大量生产的无刷电机冲片进行初步的筛选，初步筛选的目的是将存在毛刺缺陷的冲片与正常的冲片区分开，提取出存在毛刺缺陷的无刷电机冲片。

步骤二：提取无刷电机冲片灰度图中的所有硅钢槽，根据每个硅钢槽中每个像素点之间的灰度值差和欧式距离得到每个硅钢槽的灰度差异；根据每个硅钢槽与相邻硅钢槽中相同位置的像素点之间的欧式距离得到每个硅钢槽的槽间距离均衡度；根据每个硅钢槽的面积、周长得到每个硅钢槽的形状特征；

该步骤的目的是，对于步骤一获取的存在毛刺缺陷的无刷电机冲片进行图像特征分析，分析毛刺缺陷导致不同的硅钢槽区域之间的不一致性，包括距离变化，图像特征，形状特征，分析不同的硅钢槽区域之间的不一致性，得到用于表征每个硅钢槽区域的不同的特征值，根据特征值构建矩阵进行后续分析。

本步骤根据冲片的硅钢槽数量将冲片图分割为多个角度相等的扇形区域，并且每个扇形区域中只存在一个硅钢槽，如图2所示，分了12个扇形区域；将存在缺陷的冲片图片进行灰度化处理，得到冲片灰度图，利用冲片灰度图提取无刷电机冲片图像上述三个特征值，将冲片灰度图等角度分割，获取每个硅钢槽区域，此处的等角度分割是指根据无刷电机冲片中的硅钢槽数量将整个圆形冲片灰度图分割，以图2中为例，共有12个硅钢槽，那么就以30°为范围将冲片灰度图分割，每个区域中只存在一个硅钢槽，再以一个参考值取两个径向长度的半径，如图2所示，图中R是圆形冲片区域的半径，L是正常无缺陷硅钢槽的长度，两个径向半径的分别是

和

，黑色的区域为硅钢槽。

其中，根据每个硅钢槽中每个像素点之间的灰度值差和欧式距离得到每个硅钢槽的灰度差异的方法为：

在每个硅钢槽中，将每个像素点与其他像素点的灰度值的差值、每个像素点与其他像素点之间的欧式距离相乘，并进行累加，得到的值作为每个硅钢槽的灰度差异，计算方法为：

将灰度差异F作为图像特征，计算冲片中任意一个硅钢槽的灰度差异F:

式中，

是硅钢槽上像素点i的灰度值，

是像素点G的灰度值，

是像素点i，G之间的欧式距离，n是硅钢槽上像素点的数量；灰度差异F反映了每个硅钢槽内像素点的灰度变化大小以及像素点的位置分布，缺陷系数F越大，说明硅钢槽上的灰度变化越剧烈，越有可能是缺陷区域。

需要说明的是，计算灰度差异F的原因是，面积最小的圆与正常硅钢槽的顶点是相切的，也就是说如果某个硅钢槽边缘没有与圆2相切，那么此硅钢槽上必定存在缺陷，但是满足相切前提的硅钢槽不一定是正常无缺陷的，需要提取图像特征进行进一步的判断，在每个小区域内，由于缺陷的存在以及缺陷的种类不固定，硅钢槽的像素点和背景像素点之间存在不同的差异；

其中，根据每个硅钢槽与相邻硅钢槽中相同位置的像素点之间的欧式距离得到每个硅钢槽的槽间距离均衡度的方法为：

（1）将每个硅钢槽中的每个像素点，与其左侧相邻硅钢槽中对应位置的像素点作为一对像素点，计算每一对像素点之间的欧式距离，将每一对像素点之间的欧式距离的均值作为第一槽间距离；

公式中，

为第一槽间距离，

为像素点对的总数，

为第m对像素点，

为每个硅钢槽与左侧相邻硅钢槽之间第m对像素点之间的欧式距离，

为每个硅钢槽与左侧相邻硅钢槽中每一对像素点之间的欧式距离的均值，即

的均值；

（2）将每个硅钢槽中的每个像素点，与其右侧相邻硅钢槽中对应位置的像素点作为一对像素点，计算每一对像素点之间的欧式距离，将每一对像素点之间的欧式距离的均值作为第二槽间距离；

公式中，

为第二槽间距离，

为像素点对的总数，

第m对像素点，

为每个硅钢槽与右侧相邻硅钢槽之间第m对像素点之间的欧式距离，

为每个硅钢槽与右侧相邻硅钢槽中每一对像素点之间的欧式距离的均值，即

的均值；

（3）将第一槽间距离和第二槽间距离的乘积作为每个硅钢槽的槽间距离均衡度：

公式中，D为槽口距离均衡度，槽口距离均衡度反映了相邻硅钢槽之间槽间距离的变化情况，槽口距离均衡度D的值越大，对应的硅钢槽越有可能存在毛刺缺陷；

存在毛刺缺陷的硅钢槽的边缘是不规则的边缘，假设某一硅钢槽右边出现毛刺缺陷，此硅钢槽到右侧相邻硅钢槽之间欧式距离也是不均匀的，

就是一个较大的值。而相邻的如果是没有毛刺缺陷的硅钢槽，两个硅钢槽边缘之间的欧式距离是均匀变化的，那么差值就会较小，相应的，

就是一个很小的值；

需要说明的是，计算槽口距离均衡度是，利用canny边缘检测技术获取每个硅钢槽的边缘图像，在本发明中硅钢槽槽间距离通过每个槽与左右相邻的两个槽之间的欧式距离近似表征，如果是无缺陷的无刷电机冲片，那么硅钢槽之间各位置的槽间距离是固定不变的，而毛刺缺陷在冲片灰度图中表现出硅钢槽的边缘向外不规则变化，槽间距离也会随之变化，计算冲片灰度图中任意一个硅钢槽对应的槽间距离均衡度。

其中，根据每个硅钢槽的面积、周长得到每个硅钢槽的形状特征的方法为：

为了更精准的区分存在毛刺缺陷的硅钢槽，需要进一步的根据边缘检测结果计算形状特征S，出现毛刺缺陷的硅钢槽的边缘呈现阶段性的剧烈变化，而其余区域的硅钢槽边缘变化的特点是较为分散的，因此本发明计算硅钢槽的形状特征S,计算方法为：

式中，

是每个硅钢槽的面积，

是硅钢槽的周长，形状特征S表征了每个硅钢槽的形状变化，形状特征S的值越小，对应的硅钢槽越有可能是毛刺缺陷。

步骤三：将每个硅钢槽的灰度差异、槽间距离均衡度、形状特征作为该硅钢槽的特征值，构建每个无刷电机冲片灰度图的硅钢槽特征值矩阵；利用无刷电机冲片灰度图的硅钢槽特征值矩阵中每种特征值的信息熵得到每种特征值的权重；

该步骤的目的是，将每个硅钢槽区域的缺陷系数、槽间距离均衡度、形状特征作为三个特征值构建矩阵，并根据每个特征值的熵计算每个特征值的权重。

其中，将每个硅钢槽的灰度差异、槽间距离均衡度、形状特征作为该硅钢槽的三种特征值，构建每个无刷电机冲片灰度图的硅钢槽特征值矩阵

的方法为：

本发明利用冲片的槽间距离均衡度D，缺陷系数F，形状特征S构建无刷电机冲片状态矩阵J,按照上述步骤获取每张存在缺陷的无刷电机冲片灰度图中每个硅钢槽对应的三个特征值，将三个特征值作为矩阵中的元素（参数值）：

其中，

是指第i个硅钢槽的第j个特征值，矩阵中每一行代表一个硅钢槽，每一列代表每个硅钢槽的一个特征值，特征值总数为3，因此m=3，n表示第n个硅钢槽；

需要说明的是，该矩阵每一行为一个硅钢槽，每一列为每个硅钢槽的每一个特征值；

为了方便后续的计算，对每个参数按照下述公式进行归一化处理，得到无刷电机冲片对应的归一化特征矩阵

：

公式中，

为矩阵

中的最小元素，

为矩阵

中的最大元素，利用该公式将矩阵

中的每个元素进行归一化处理；

其中，利用无刷电机冲片灰度图的硅钢槽特征值矩阵中每种特征值的信息熵得到每种特征值的权重的方法为：

在得到无刷电机冲片对应的归一化特征矩阵

后，利用信息熵获取每个缺陷特征的权重大小，计算第q个特征值的权重

：

式中，

是特征矩阵

中的第p行第q列的参数值，对应的是第p个硅钢槽的第q个特征值，

是第q个特征值的熵，

是第q个特征值的权重，

，

的计算方法为：

公式中，

反映了第q个特征值的信息量，

的值越大，说明此特征的信息量就越大，不确定程度就越高，用来判断硅钢槽存在毛刺缺陷的有用程度就越低，特征q就越不重要，

。

反映了特征q的重要程度，

越小，说明特征q越不重要，在聚类过程中的应该赋予较小的权重。

步骤四：利用每个硅钢槽的每种特征值和每种特征值的权重，计算出聚类度量距离，根据聚类度量距离对硅钢槽进行聚类分割，并根据每类硅钢槽的傅里叶描述子的余弦相似度之和，筛选出存在毛刺缺陷的硅钢槽。

该步骤的目的是，利用k-means聚类算法对无刷电机冲片状态矩阵中的特征值和权重，进行聚类分割，将毛刺缺陷硅钢槽和正常硅钢槽区分开。

其中，筛选出存在毛刺缺陷的硅钢槽的具体方法的方法为：

（1）随机选取k个缺陷系数最大F的硅钢槽作为初始聚类中心：

，

是指第k个初始聚类中心的缺陷系数F，

是指第k个初始聚类中心的槽间距离均衡度，

是指第k个初始聚类中心的形状特征，k的经验值取10。

（2）根据上述硅钢槽的三个特征值和特征值的权重计算结果获取本发明在聚类过程中的度量距离I，计算每个硅钢槽

到第j个聚类中心

的度量距离

：

式中，

是特征缺陷系数的权值，

是第p个硅钢槽

的缺陷系数的值，

是第j个聚类中心

缺陷系数的值，

是特征槽间距离均衡度的权值，

是第p个硅钢槽的槽间距离均衡度的值，

是第j个聚类中心

槽间距离均衡度的值，

是特征形状特征的权值，

是第p个硅钢槽的形状特征的值，

是第j个聚类中心

形状特征的值。

本方法是根据初始聚类中心和硅钢槽的聚类度量I进行k-means的聚类分割，聚类停止条件是每个类不再发生变化，得到存在毛刺缺陷的硅钢槽和正常硅钢槽的分类结果，使用k-means聚类算法对特征矩阵中的参数值进行聚类，聚类的目的是将存在缺陷的无刷电机冲片中存在毛刺缺陷的硅钢槽筛选出来；

需要说明的是，正常硅钢槽之间几乎不存在差异，它们的轮廓信息是接近一致的，而存在毛刺缺陷的硅钢槽由于毛刺缺陷的大小和外形的不一致会导致不同的硅钢槽的轮廓信息之间存在一定的差异，也就是说k-means聚类得到的两种分类结果中，属于正常硅钢槽的类内差异较小，而对应存在毛刺缺陷硅钢槽的类内差异较大；

（3）本发明对于k-means聚类的结果，利用傅里叶描述子获取两类硅钢槽中每个硅钢槽的傅里叶描述子，进一步的，分别计算两种分类结果中傅里叶描述子的差异，傅里叶描述子是一个向量，本发明利用余弦相似度用于评估两个向量之间的差异，余弦相似度越小，两个傅里叶描述子的差异越大，对应硅钢槽轮廓信息差异越大，分别计算两个分类结果中所有傅里叶描述子的余弦相似度之和，认为余弦相似度之和较小的类别对应的是存在毛刺缺陷的硅钢槽。

进一步的，根据硅钢槽的聚类结果进行无刷电机冲片具体的筛选，根据上述步骤，得到存在毛刺缺陷的硅钢槽结果，根据存在毛刺缺陷的硅钢槽序号找到对应的无刷电机冲片，并利用最小外接矩形标定硅钢槽上的毛刺位置，对于所有标定位置后的无刷电机冲片灰度图，统计每张冲片灰度图中所有标定位置对应的最小外接矩形之和，利用最大类间方差法获取统计结果中的分割阈值，对比每个无刷电机冲片灰度图与阈值的大小，根据对比结果，将大于阈值的冲片借助机械手拾取到质检不合格的区域，将小于阈值的无刷电机冲片拾取到二次冲模区域进行后续的去毛刺处理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种无刷电机冲片筛选方法，其特征在于，该方法包括：

获取待检测无刷电机冲片中的具有毛刺缺陷的无刷电机冲片灰度图；

提取无刷电机冲片灰度图中的所有硅钢槽，根据每个硅钢槽中每个像素点之间的灰度值差和欧式距离得到每个硅钢槽的灰度差异；

根据每个硅钢槽与相邻硅钢槽中相同位置的像素点之间的欧式距离得到每个硅钢槽的槽间距离均衡度；

根据每个硅钢槽的面积、周长得到每个硅钢槽的形状特征；

将每个硅钢槽的灰度差异、槽间距离均衡度、形状特征作为该硅钢槽的特征值，构建每个无刷电机冲片灰度图的硅钢槽特征值矩阵；

利用无刷电机冲片灰度图的硅钢槽特征值矩阵中每种特征值的信息熵得到每种特征值的权重；

利用每个硅钢槽的每种特征值和每种特征值的权重，计算出聚类度量距离，根据聚类度量距离对硅钢槽进行聚类分割，并根据每类硅钢槽的傅里叶描述子的余弦相似度之和，筛选出存在毛刺缺陷的硅钢槽。

2.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述根据每个硅钢槽中每个像素点之间的灰度值差和欧式距离得到每个硅钢槽的灰度差异的方法为：

在每个硅钢槽中，将每个像素点与其他像素点的灰度值的差值、每个像素点与其他像素点之间的欧式距离相乘，并进行累加，得到的值作为每个硅钢槽的灰度差异。

3.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述根据每个硅钢槽与相邻硅钢槽中相同位置的像素点之间的欧式距离得到每个硅钢槽的槽间距离均衡度的方法为：

将每个硅钢槽区域中的每个像素点，与其左侧相邻硅钢槽区域中对应位置的像素点作为一对像素点，计算每一对像素点之间的欧式距离，将每一对像素点之间的欧式距离的均值作为第一槽间距离；

将每个硅钢槽区域中的每个像素点，与其右侧相邻硅钢槽区域中对应位置的像素点作为一对像素点，计算每一对像素点之间的欧式距离，将每一对像素点之间的欧式距离的均值作为第二槽间距离；

将第一槽间距离和第二槽间距离的乘积作为每个硅钢槽区域的槽间距离均衡度。

4.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述根据每个硅钢槽的面积、周长得到每个硅钢槽的形状特征的方法为：

将每个硅钢槽的面积和每个硅钢槽的周长相除，得到的值作为每个硅钢槽的形状特征。

5.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述每个无刷电机冲片灰度图的硅钢槽特征值矩阵：

每一行为一个硅钢槽，每一列为每个硅钢槽的每一个特征值。

6.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述利用无刷电机冲片灰度图的硅钢槽特征值矩阵中每种特征值的信息熵得到每种特征值的权重的方法为：

公式中，

为第q种特征值的权重，

为第q种特征值的信息熵，

为特征值种类总数。

7.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述筛选出存在毛刺缺陷的硅钢槽的具体方法为：

选取k个缺陷系数F最大的硅钢槽作为初始聚类中心；

获取选取的每个硅钢槽的每种特征值，即每个硅钢槽的缺陷系数、槽间距离均衡度、形状特征；

根据每个硅钢槽的每种特征值及每种特征值的权重，得到每个硅钢槽到初始聚类中心的度量距离；

根据每个硅钢槽到初始聚类中心的度量距离和初始聚类中心进行K-means聚类分割，将硅钢槽为两类；

利用傅里叶描述子获取两类硅钢槽中每个硅钢槽的傅里叶描述子，分别计算两个分类结果中所有硅钢槽的傅里叶描述子的余弦相似度之和，将余弦相似度之和较小的类别作为存在毛刺缺陷的硅钢槽。

8.根据权利要求1所述的一种无刷电机冲片筛选方法，其特征在于，所述获取待检测无刷电机冲片中的具有毛刺缺陷的无刷电机冲片灰度图的方法为：

采集无刷电机冲片图像并进行预处理；

将预处理后的无刷电机冲片图像进行归一化处理，利用Labelme软件对图像进行标签的标注，存在缺陷冲片图像和正常冲片图像的标签人为设定分别是0和1，神经网络结构为SENet，损失函数为交叉熵；

神经网络的训练是将预处理后的无刷电机冲片图像输入神经网络，通过神经网络的输出存在毛刺缺陷的无刷电机冲片灰度图。

Images