CN118218269A - 一种全自动轴承检测系统及方法 - Google Patents
一种全自动轴承检测系统及方法 Download PDFInfo
- Publication number
- CN118218269A CN118218269A CN202410534178.8A CN202410534178A CN118218269A CN 118218269 A CN118218269 A CN 118218269A CN 202410534178 A CN202410534178 A CN 202410534178A CN 118218269 A CN118218269 A CN 118218269A
- Authority
- CN
- China
- Prior art keywords
- detection
- bearing
- outer circle
- module
- full
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000007599 discharging Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims description 57
- 230000007547 defect Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 17
- 238000007373 indentation Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000007664 blowing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 7
- 230000007306 turnover Effects 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 241000221535 Pucciniales Species 0.000 claims 3
- 238000013519 translation Methods 0.000 description 13
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000034656 Contusions Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 201000001371 inclusion conjunctivitis Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 206010044325 trachoma Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种全自动轴承检测系统和检测方法,所述全自动轴承检测系统,包括检测设备和与所述检测系统电性连接的控制系统;所述检测设备包括依次排布的上料区、端面检测模块、外圆检测模块、内圆检测模块、下料区,以及同时与所述端面检测模块、外圆检测模块和内圆检测模块连接的不合格下料模块;所述控制系统包括控制箱和设于控制箱表面的触摸屏,所述检测系统还包括检测稳定性η≥99.6%的轴承检测卷积神经网络模型。所述全自动轴承检测系统和检测方法能够全自动高效检测且检测结果准确。
Description
技术领域
本发明属于轴承检测技术领域,具体涉及一种全自动轴承检测系统及方法。
背景技术
在机械系统中,轴承作为支承和减少摩擦的关键部件,其性能直接关系到整个机械设备的运转效率和寿命。因此,对轴承进行定期检测和维护是确保设备可靠运行的必要条件。现有技术中,常见的轴承检测技术包括振动分析、声音识别、温度监测、油液分析等。尽管这些技术在轴承状态监测中发挥了重要作用,但仍然存在一些缺点。例如一些轴承检测技术依赖于传感器数据,可能会受到外部环境因素的干扰,如温度、湿度变化等,从而影响检测的准确性。而且,轴承检测还存在一定的复杂性,因为即使收集到了大量的数据,如何有效地分析和解释这些数据,提取有用的信息,仍然是一个挑战。此外,轴承检测过程中目前或多或少地还需要人工参与,效率低下。
发明内容
本发明针对现有技术存在的不足,提供了一种能够全自动高效检测且检测结果准确的轴承检测系统及方法。
本发明所述的一种全自动轴承检测系统,包括检测设备和与所述检测系统电性连接的控制系统;
所述检测设备包括依次排布的上料区、端面检测模块、外圆检测模块、内圆检测模块、下料区,以及同时与所述端面检测模块、外圆检测模块和内圆检测模块连接的不合格下料模块;所述控制系统包括控制箱和设于控制箱表面的触摸屏,所述检测系统还包括检测稳定性η≥99.6%的轴承检测卷积神经网络模型;
所述η=0.4a+0.6b,其中a为漏检率,b为误判率;
所述漏检率=(人工复核系统漏检缺陷产品数量/检测产品总数)*100%;
所述误判率=(人工复核误判检测产品数量/检测产品总数)*100%;
所述轴承检测卷积神经网络模型由卷积神经网络模型经过训练之后得到,所述训练的具体过程包括准备数据集和训练;所述准备数据集包括收集足够多的缺陷图像样本,并将缺陷图像样本进行分类、图像预处理;所述训练包括选取框架并创建卷积神经网络模型、设置卷积神经网络模型的训练参数,以及评估性能;所述训练参数包括学习速率、批次大小和迭代次数。
进一步,本发明所述全自动轴承检测系统的缺陷图像样本数量为1000-2000个,所述缺陷图像样本的类别包括产品磕伤、产品刀纹、盖板变形、盖板破损、盖板盖反、盖板压痕、盖板划痕、盖板缺失、产品脏污、产品生锈、产品加工异常、内圆磕伤、内圆压痕、内圆脏污、内圆生锈、外圆磕伤、外圆划痕、外圆刀纹、外圆沙眼、外圆脏污、外圆黑线、外圆白线、外圆压痕、外圆生锈。
进一步,本发明所述全自动轴承检测系统的卷积神经网络模型的框架为MxNet,所述MxNet包括计算图构建、自动求导、优化器和各种类型的层,所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、DeepOCR模块,以及目标检测模块。
进一步,本发明所述全自动轴承检测系统的设置的卷积神经网络模型的学习速率为1e-4、批次大小为3~5、迭代次数为300~600、通道数为1,且包括对图像进行压缩、启用图像增强和高容量的设置,旋转步长为180°,镜像为Both。
进一步,本发明所述全自动轴承检测系统的图像预处理过程具体为过滤掉轴承之外区域的斑点、噪点及干扰因素;所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算与闭运算。
进一步,本发明所述全自动轴承检测系统的端面检测模块包括依次排布的正面检测工位、翻转机构和反面检测工位,所述正面检测工位和反面检测工位的上方均设有2D面阵相机,所述外圆检测模块包括外圆划痕检测工位和外圆黑线检测工位,且所述外圆划痕检测工位和外圆黑线检测工位的上方均设有2D线阵相机;所述内圆检测模块包括内圆检测工位和位于所述内圆检测工位上方的2D面阵相机。
进一步,本发明所述全自动轴承检测系统的外圆划痕检测工位、外圆黑线检测工位和内圆检测工位均包括平台、位于平台下方的顶升旋转机构,以及位于顶升旋转机构上方的定位装置,所述平台上开设有能够供所述顶升旋转机构进出的开口,所述顶升旋转机构包括气缸和与气缸连接的三个旋转电机;所述外圆划痕检测工位和外圆黑线检测工位的定位装置为杆状定位装置,所述杆状定位装置通过轴承的中心圆孔实现定位;所述内圆检测工位的定位装置为圆盘状定位装置,所述圆盘状定位装置中心处设有凹槽,所述2D面阵相机距离轴承上端面的距离为H,且满足关系式H=F*2r/h,其中F为2D面阵相机的镜头焦距,h为工业相机靶面尺寸。
进一步,本发明所述全自动轴承检测系统的平台上还设有能够由气缸驱动的卡爪型的轴承移动机构,所述不合格下料模块包括推料气缸和与所述推料气缸对应设置的不合格下料通道,所述不合格下料通道内设有柔性缓冲板,所述推料气缸包括三个,分别设于所述反面检测工位、外圆黑线检测工位和内圆检测工位。
进一步,本发明所述全自动轴承检测系统的上料区包括依次连通的滑道A、运输通道和等待通道,所述运输通道包括靠近所述滑道A的挡板和吹气装置、传输带,以及靠近所述等待通道的推料气缸A;所述下料区包括滑道B和方形的储料盘,所述储料盘靠近所述滑道B的角为A区,与A区对角线的角为C区,远离所述滑道B的一个角为B区,所述A区设有传感器A和推料机构,所述B区设有传感器B,所述传感器A和传感器B之间设有推料板,所述C区处设有传感器C。
一种基于上述任一项所述的全自动轴承检测系统的检测方法,其特征在于,所述检测方法具体包括如下步骤:
1)轴承经上料区进入端面检测模块,分别完成轴承正向端面检测和反面端面检测;不合格产品进入不合格下料模块,合格产品继续进入步骤2);
2)通过外圆检测模块进行轴承外圆曲面检测;不合格产品进入不合格下料模块,合格产品继续进入步骤3);
3)通过内圆检测模块进行轴承内圆曲面检测;不合格产品进入不合格下料模块,合格产品进入下料区。
与现有技术相比,本发明具有以下有益的技术效果:
本发明所述的全自动轴承检测系统和检测方法,其中全自动轴承检测系统借助轴承检测卷积神经网络模型来实现对轴承大量缺陷样本的整合标注、推理与结果输出,结合本发明所述检测设备,在实现轴承全自动检测的基础上,检测准确率达99.95%,稳定性可以达到99.6%以上。
本发明所述方法的能够在3秒内完成一个检测节拍的处理,高效率不仅能够提升处理速度,还能减少等待时间,增加生产吞吐量,是实现现代化生产和自动化控制的重要技术指标之一。
另外,系统采用了深度学习算法,解决了传统视觉算法中的缺陷类型多、检测背景复杂、缺陷难以分割、产品类型难以兼容等痛点问题。
同时,采用线阵相机对轴承的外圆进行检测、采用内壁检测镜头对轴承的內圆进行检测,相对于传统面阵相机配普通C口镜头而言,这些配置可以得到更加稳定可靠的成像效果,使得缺陷分割过程事半功倍,进而提升系统的可靠性。
附图说明
图1为本发明所述全自动轴承检测设备的俯视示意图;
图2为本发明所述轴承检测卷积神经网络模型的训练过程示意图;
图3为本发明所述顶升旋转机构结构示意图;
图4为本发明所述全自动轴承检测设备的主视示意图;
图5为本发明所述上料区的结构图示意图;
图6为本发明所述下料区的结构示意图;
其中:100、上料区,200、端面检测模块,300、外圆检测模块,400、内圆检测模块,500、下料区,600、不合格下料模块,700、平台,800、顶升旋转机构,900轴承;
101、运输通道,102、等待通道,103、挡板,104、吹气装置,105、传输带,106、推料气缸A;
201、正面检测工位,202、翻转机构,203、反面检测工位;
301、外圆划痕检测工位,302、外圆黑线检测工位;401、内圆检测工位;
501、滑道B,502、储料盘,503、传感器A,504、推料机构,505、传感器B,506、推料板,507、传感器C;
601、不合格下料通道,701、轴承移动机构,801、杆状定位装置,802、圆盘状定位装置。
具体实施方式
具体实施方式一:
一种全自动轴承检测系统,包括检测设备和与所述检测系统电性连接的控制系统;
所述检测设备包括依次排布的上料区、端面检测模块、外圆检测模块、内圆检测模块、下料区,以及同时与所述端面检测模块、外圆检测模块和内圆检测模块连接的不合格下料模块;所述控制系统包括控制箱和设于控制箱表面的触摸屏,所述检测系统还包括检测稳定性η≥99.6%的轴承检测卷积神经网络模型;
所述η=0.4a+0.6b,其中a为漏检率,b为误判率;
所述漏检率=(人工复核系统漏检缺陷产品数量/检测产品总数)*100%;
所述误判率=(人工复核误判检测产品数量/检测产品总数)*100%;
所述轴承检测卷积神经网络模型由卷积神经网络模型经过训练之后得到,所述训练的具体过程包括准备数据集和训练;所述准备数据集包括收集足够多的缺陷图像样本,并将缺陷图像样本进行分类、图像预处理;所述训练包括选取框架并创建卷积神经网络模型、设置卷积神经网络模型的训练参数,以及评估性能;所述训练参数包括学习速率、批次大小和迭代次数。
具体实施方式二:
一种基于上述具体实施方式一所述的全自动轴承检测系统的检测方法,所述检测方法具体包括如下步骤:
1)轴承经上料区进入端面检测模块,分别完成轴承正向端面检测和反面端面检测;不合格产品进入不合格下料模块,合格产品继续进入步骤2);
2)通过外圆检测模块进行轴承外圆曲面检测;不合格产品进入不合格下料模块,合格产品继续进入步骤3);
3)通过内圆检测模块进行轴承内圆曲面检测;不合格产品进入不合格下料模块,合格产品进入下料区。
在其它一些实施方式中,所述全自动轴承检测系统的缺陷图像样本数量为1000-2000个,所述缺陷图像样本的类别包括产品磕伤、产品刀纹、盖板变形、盖板破损、盖板盖反、盖板压痕、盖板划痕、盖板缺失、产品脏污、产品生锈、产品加工异常、内圆磕伤、内圆压痕、内圆脏污、内圆生锈、外圆磕伤、外圆划痕、外圆刀纹、外圆沙眼、外圆脏污、外圆黑线、外圆白线、外圆压痕、外圆生锈。
在其它一些实施方式中,所述全自动轴承检测系统的卷积神经网络模型的框架为MxNet,所述MxNet包括计算图构建、自动求导、优化器和各种类型的层,所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、DeepOCR模块,以及目标检测模块。
在其它一些实施方式中,所述全自动轴承检测系统的设置的卷积神经网络模型的学习速率为1e-4、批次大小为3~5、迭代次数为300~600、通道数为1,且包括对图像进行压缩、启用图像增强和高容量的设置,旋转步长为180°,镜像为Both。
在其它一些实施方式中,所述全自动轴承检测系统的图像预处理过程具体为过滤掉轴承之外区域的斑点、噪点及干扰因素;所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算与闭运算。
在其它一些实施方式中,所述全自动轴承检测系统的端面检测模块包括依次排布的正面检测工位、翻转机构和反面检测工位,所述正面检测工位和反面检测工位的上方均设有2D面阵相机,所述外圆检测模块包括外圆划痕检测工位和外圆黑线检测工位,且所述外圆划痕检测工位和外圆黑线检测工位的上方均设有2D线阵相机;所述内圆检测模块包括内圆检测工位和位于所述内圆检测工位上方的2D面阵相机。
在其它一些实施方式中,所述全自动轴承检测系统的外圆划痕检测工位、外圆黑线检测工位和内圆检测工位均包括平台、位于平台下方的顶升旋转机构,以及位于顶升旋转机构上方的定位装置,所述平台上开设有能够供所述顶升旋转机构进出的开口,所述顶升旋转机构包括气缸和与气缸连接的三个旋转电机;所述外圆划痕检测工位和外圆黑线检测工位的定位装置为杆状定位装置,所述杆状定位装置通过轴承的中心圆孔实现定位;所述内圆检测工位的定位装置为圆盘状定位装置,所述圆盘状定位装置中心处设有凹槽,所述2D面阵相机距离轴承上端面的距离为H,且满足关系式H=F*2r/h,其中F为2D面阵相机的镜头焦距,h为工业相机靶面尺寸。
在其它一些实施方式中,所述全自动轴承检测系统的平台上还设有能够由气缸驱动的卡爪型的轴承移动机构,所述不合格下料模块包括推料气缸和与所述推料气缸对应设置的不合格下料通道,所述不合格下料通道内设有柔性缓冲板,所述推料气缸包括三个,分别设于所述反面检测工位、外圆黑线检测工位和内圆检测工位。
在其它一些实施方式中,所述全自动轴承检测系统的上料区包括依次连通的滑道A、运输通道和等待通道,所述运输通道包括靠近所述滑道A的挡板和吹气装置、传输带,以及靠近所述等待通道的推料气缸A;所述下料区包括滑道B和方形的储料盘,所述储料盘靠近所述滑道B的角为A区,与A区对角线的角为C区,远离所述滑道B的一个角为B区,所述A区设有传感器A和推料机构,所述B区设有传感器B,所述传感器A和传感器B之间设有推料板,所述C区处设有传感器C。
实施例1:
如图1-6所示,一种全自动轴承检测系统,包括检测设备和与所述检测系统电性连接的控制系统;
所述检测设备包括依次排布的上料区100、端面检测模块200、外圆检测模块300、内圆检测模块400、下料区500,以及同时与所述端面检测模块200、外圆检测模块300和内圆检测模块400连接的不合格下料模块600。
在本实施例1中,所述全自动轴承检测系统的上料区100包括依次连通的滑道A、运输通道101和等待通道102,所述运输通道101包括靠近所述滑道A的挡板103和吹气装置104、传输带105,以及靠近所述等待通道102的推料气缸A 106。轴承900经滑道A滚动进入运输通道101,且被挡板103拦截之后轴承900平方,其下端面接触传输带105继续由传输带105带动往前移动,轴承900经过位于传输带105正上方的吹气装置104时,轴承900表面的灰尘等杂质被清理干净,然后进入等待通道102等待检测。
所述全自动轴承检测系统的端面检测模块200包括依次排布的正面检测工位201、翻转机构202和反面检测工位203,所述正面检测工位201和反面检测工位203的上方均设有2D面阵相机。在本实施例1中,翻转机构202包括旋转机构、与旋转机构可拆卸连接的第一夹持部,以及第二夹持部,所述第二夹持部与旋转机构之间还设有平移机构,所述平移机构的一端与所述旋转机构可拆卸连接,其另一端与第二夹持部活动连接,所述第一夹持部和第二夹持部的自由端各自包括平面A和平面B,所述平面A和平面B平行相对设置且分别邻接轴承的上、下端面。
在本实施例1中,在所述正面检测工位201和反面检测工位203上距离轴承900端面130mm还设有蓝色同轴光源,且上述两个工位采用相机为1000W分辨率彩色相机,镜头为16mm镜头,视野为65mm*76mm,工作距离为280mm。检测轴承900上、下端面缺陷时,2D面阵相机的单次检测时间约为400ms,上、下端面检测和翻转的总时间需保证在3S以内。
所述外圆检测模块300包括外圆划痕检测工位301和外圆黑线检测工位302,且所述外圆划痕检测工位301和外圆黑线检测工位302的上方均设有2D线阵相机;所述内圆检测模块400包括内圆检测工位401和位于所述内圆检测工位上方的2D面阵相机。
所述全自动轴承检测系统的外圆划痕检测工位301、外圆黑线检测工位302和内圆检测工位401均包括平台700、位于平台700下方的顶升旋转机构800,以及位于顶升旋转机构800上方的定位装置,所述平台700上开设有能够供所述顶升旋转机构800进出的开口,所述顶升旋转机构800包括气缸和与气缸连接的三个旋转电机;在本实施例1中,所述气缸通过连轴器与三个旋转电机转动连接。所述外圆划痕检测工位301和外圆黑线检测工位302的定位装置为杆状定位装置801,所述杆状定位装置801通过轴承900的中心圆孔实现定位;所述内圆检测工位401的定位装置为圆盘状定位装置802,所述圆盘状定位装置802中心处设有凹槽,所述2D面阵相机距离轴承900上端面的距离为H,且满足关系式H=F*2r/h,其中F为2D面阵相机的镜头焦距,h为工业相机靶面尺寸。在本实施例1中,2D面阵相机的靶面尺寸为1”,对应的芯片尺寸为:8.487*14.1312mm。
在本实施例1中,在所述外圆划痕检测工位301和外圆黑线检测工位302上还分别设有距离轴承900 100-150mm的白色线性光源,且上述两个工位采用相机为1000W分辨率彩色相机,镜头为50mm线阵镜头,视野为50mm,工作距离为200mm。所述白色线性光源包括相互垂直设置的两个,且与轴承900端面平行设置的白色线性光源距离轴承900端面100mm,另一个平行轴承900中心轴设置的白色线性光源距离轴承外圆面150mm。在检测轴承外圆缺陷时,需要产品连续匀速旋转,线阵相机连续触发。
所述内圆检测工位401采用相机为1000W分辨率彩色相机,镜头为RF365B镜头,视野为24mm*24mm,工作距离为9~15mm。检测内圆缺陷时,需将轴承900放在背光上面,2D面阵相机触发,检测内圆缺陷。
所述全自动轴承检测系统的平台700上还设有能够由气缸驱动的卡爪型的轴承移动机构701。在本实施例1中,所述轴承移动机构701包括条型支架和能够驱动所述条型支架的平移机构,所述条型支架上并排设有一个卡爪A和八个卡爪B,工位的数量为十个;所述卡爪A为前端设有V型开口的矩形块,所述卡爪B为前端设有圆弧形开口的矩形块,所述V型开口和圆弧形开口的两端均为弧形凸起;所述平移机构包括与所述条型支架可拆卸连接的左右平移机构和与所述左右平移机构可拆卸连接的前后平移机构。所述平移机构驱动的条型支架的运动轨迹为向前→向右→向后→向左→向前,循环往复运动。且离所述卡爪A最远的卡爪B的外侧能够借助所述左右平移机构的从左往右的向右的移动将轴承推送至指定的最右侧的工位。
所述下料区500包括滑道B 501和方形的储料盘502,所述储料盘502靠近所述滑道B 501的角为A区,与A区对角线的角为C区,远离所述滑道B 501的一个角为B区,所述A区设有传感器A 503和推料机构504,所述B区设有传感器B 505,所述传感器A 503和传感器B504之间设有推料板506,所述C区处设有传感器C 507。
所述不合格下料模块600包括推料气缸和与所述推料气缸对应设置的不合格下料通道601,所述不合格下料通道601内设有柔性缓冲板,所述推料气缸包括三个,分别设于所述反面检测工位203、外圆黑线检测工位302和内圆检测工位401。在本实施例1中,所述不合格下料通道601与废料收集箱连通,所述柔性缓冲板与不合格下料通道601的内壁两侧铰接,受轴承900下落产生的冲力发生翻转,从而起到一定的缓冲作用。在本实施例1中,所述推料气缸包括三个,分别设于所述反面检测工位203、外圆黑线检测工位302和内圆检测工位401的正后方。
在本实施例1中,所述滑道A和滑道B 501的坡度范围为8-30度。
在本实施例1中,所述控制系统包括控制箱和设于控制箱表面的触摸屏,所述检测系统还包括检测稳定性η≥99.6%的轴承检测卷积神经网络模型;
所述η=0.4a+0.6b,其中a为漏检率,b为误判率;
所述漏检率=(人工复核系统漏检缺陷产品数量/检测产品总数)*100%;
所述误判率=(人工复核误判检测产品数量/检测产品总数)*100%。
下表1为采用本发明所述全自动轴承检测系统进行实际生产时,现场采集的数据统计。可以看出,在机器视觉检测系统中,漏检率与误判率是判断系统稳定性的两项重要指标;漏检率是指实际存在的缺陷或目标未被检测到的比例。换句话说,漏检率衡量了系统未能正确识别出实际存在的缺陷的能力。漏检率越低,说明系统对于缺陷的检测能力越强。误判率是指系统错误地将无缺陷区域识别为有缺陷的比例。误判率衡量了系统在正常区域中产生误报的程度。误判率越低,说明系统对于正常区域的判断越准确。
表1 现场采集的数据表
所述轴承检测卷积神经网络模型由卷积神经网络模型经过训练之后得到,所述训练的具体过程包括准备数据集和训练;所述准备数据集包括收集足够多的缺陷图像样本,并将缺陷图像样本进行分类、图像预处理;所述训练包括选取框架并创建卷积神经网络模型、设置卷积神经网络模型的训练参数,以及评估性能;所述训练参数包括学习速率、批次大小和迭代次数。
所述全自动轴承检测系统的缺陷图像样本数量为1000-2000个,所述缺陷图像样本的类别包括产品磕伤、产品刀纹、盖板变形、盖板破损、盖板盖反、盖板压痕、盖板划痕、盖板缺失、产品脏污、产品生锈、产品加工异常、内圆磕伤、内圆压痕、内圆脏污、内圆生锈、外圆磕伤、外圆划痕、外圆刀纹、外圆沙眼、外圆脏污、外圆黑线、外圆白线、外圆压痕、外圆生锈。
所述全自动轴承检测系统的卷积神经网络模型的框架为MxNet,MxNet是一个灵活且高效的深度学习框架,支持多种编程语言和硬件平台。
所述MxNet包括计算图构建、自动求导、优化器和各种类型的层,其中计算图构建如下:
MxNet使用计算图来表示神经网络模型的结构和计算过程。计算图由一系列的节点(Node)和边(Edge)组成,其中节点表示操作(例如加法、乘法、激活函数等),边表示数据流向。在MxNet中,计算图可以是静态的也可以是动态的,这取决于用户的需求和选择。
自动求导:
MxNet通过自动求导机制来计算神经网络模型中各个参数的梯度。用户只需要定义模型的前向传播过程,MxNet会自动构建计算图并根据反向传播算法计算梯度。这使得用户可以更加方便地进行梯度下降优化,而不必手动编写梯度计算代码。
优化器:
MxNet提供了多种优化器,如随机梯度下降(SGD)、动量法(Momentum)、Adam等,用于更新模型参数以最小化损失函数。优化器的选择对于模型的训练速度和效果具有重要影响,用户可以根据实际情况选择最适合的优化器。
层类型:
MxNet内置了丰富的层类型,包括全连接层、卷积层、池化层、循环神经网络(RNN)层、长短期记忆网络(LSTM)层等。这些层类型可以灵活组合和堆叠,构建各种复杂的神经网络模型。此外,MxNet还支持自定义层类型,用户可以根据自己的需求编写自定义的层。
并行计算:
为了充分利用硬件资源加速模型训练过程,MxNet支持并行计算。用户可以将计算图中的操作分配到多个GPU或多个服务器上并行执行,从而提高训练速度和效率。
所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、DeepOCR模块,以及目标检测模块。当前轴承检测系统所采用的模块为目标检测。其中,每一种缺陷类型检测的参数有所不同,具体如下表2。
表2 卷积神经网络模型的参数设置情况
所述全自动轴承检测系统的图像预处理过程具体为过滤掉轴承之外区域的斑点、噪点及干扰因素;所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算与闭运算。
图像剪切部分在原始图像获取过程中,可以调整相机视野的ROI区域,将其余轴承之外的干扰区域进行初步过滤;以下为轴承端面检测之前的图像预处理过程举例说明:
首先,相机端设置ROI区域,裁剪掉相机视野的多余部分,得到包含轴承的ROI图像(图像中有很多噪点);然后依次对图像进行二值化处理、断开图像连通域、筛选出需要检测的区域;最后对筛选出来区域进行推理检测,得到检测结果。
在本实施例1中,具体采用型号为RTX4070的GPU进行轴承检测卷积神经网络模型的训练;所述控制系统采用TensorFlow Lite Converter将轴承检测卷积神经网络模型转换为推理文件,并保存到本地。方便模型的调用。
实施例2:
如图1-6所示,一种基于实施例1的全自动轴承检测系统的检测方法,具体包括如下步骤:
S1:轴承900由滑道A滚入运输通道101,通过挡板103和传输带105的共同作用,将轴承900由外圆面朝下变为端面朝下并通过推料气缸A 106到达等待通道102,等待检测。
S2:轴承900进入正面检测工位201进行轴承正向端面检测。检测内容包括黑色盖板或金属盖板上表面是否存在破损、鼓包、划痕、气泡、生锈、磕碰伤、刀纹、盖板缺失、密封异常、盖板盖反、盖板未安装到位、脏污等缺陷。
S3:轴承正面检测完成后,通过翻转机构20进行翻转,然后进入反面检测工位203进行轴承反向端面检测,检测缺陷内容与正面相同。
S4:顶升旋转机构800启动,3个旋转电机一起旋转,带动轴承900连续旋转,在外圆划痕检测工位301、外圆黑线检测工位302和内圆检测工位401分别完成轴承外圆和轴承内圆的检测。检测内容包括外圆磕伤、外圆划痕、外圆刀纹、外圆沙眼、外圆脏污、外圆黑线、外圆白线、外圆压痕、外圆生锈、内圆磕伤、内圆压痕、内圆脏污、内圆生锈等缺陷。检测外圆时,杆状定位装置801定位轴承900的中心圆孔。检测内圆时,中部凹陷的圆盘状定位装置802带有磁性,定位轴承900的外圆。检测完成后,旋转电机停止旋转,气缸下降,轴承900传输至下一工位。
S5:轴承900检测完成后,通过滑道B 501及轴承900自身的重力,轴承900会自动滚动到储料盘502,传感器A 503感应到轴承900到位后,推料机构504进行推料。当单排轴承900满料后,传感器B 505会感应到满料信号,通过这一信号控制系统控制推料板506推料。传感器C 507用于感应整个储料盘502是否满料,如果传感器C 507感应到满料信号,控制系统控制整个检测设备处于暂停状态,并发出警报。
在本实施例2中,轴承900通过轴承移动机构701或移动工装从等待通道102进入端面检测模块200,并从一个检测工位依次到下一个检测工位,只至最后进入滑道B 501。
本发明是通过上述具体实施例进行说明的,本领域技术人员应当明白,在不脱离本发明范围的情况下,还可以对本发明进行各种变换和等同替代。本发明说明书中未详细说明部分为本领域技术人员公知技术。另外,针对特定情形或具体情况,可以对本发明做各种修改,而不脱离本使用新型的范围。因此,本发明不局限于所公开的具体实施例,而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (10)
1.一种全自动轴承检测系统,其特征在于,包括检测设备和与所述检测系统电性连接的控制系统;
所述检测设备包括依次排布的上料区、端面检测模块、外圆检测模块、内圆检测模块、下料区,以及同时与所述端面检测模块、外圆检测模块和内圆检测模块连接的不合格下料模块;所述控制系统包括控制箱和设于控制箱表面的触摸屏,所述检测系统还包括检测稳定性η≥99.6%的轴承检测卷积神经网络模型;
所述η=0.4a+0.6b,其中a为漏检率,b为误判率;
所述漏检率=(人工复核系统漏检缺陷产品数量/检测产品总数)*100%;
所述误判率=(人工复核误判检测产品数量/检测产品总数)*100%;
所述轴承检测卷积神经网络模型由卷积神经网络模型经过训练之后得到,所述训练的具体过程包括准备数据集和训练;所述准备数据集包括收集足够多的缺陷图像样本,并将缺陷图像样本进行分类、图像预处理;所述训练包括选取框架并创建卷积神经网络模型、设置卷积神经网络模型的训练参数,以及评估性能;所述训练参数包括学习速率、批次大小和迭代次数。
2.根据权利要求1所述的全自动轴承检测系统,其特征在于,所述缺陷图像样本数量为1000-2000个,所述缺陷图像样本的类别包括产品磕伤、产品刀纹、盖板变形、盖板破损、盖板盖反、盖板压痕、盖板划痕、盖板缺失、产品脏污、产品生锈、产品加工异常、内圆磕伤、内圆压痕、内圆脏污、内圆生锈、外圆磕伤、外圆划痕、外圆刀纹、外圆沙眼、外圆脏污、外圆黑线、外圆白线、外圆压痕、外圆生锈。
3.根据权利要求2所述的全自动轴承检测系统,其特征在于,所述卷积神经网络模型的框架为MxNet,所述MxNet包括计算图构建、自动求导、优化器和各种类型的层,所述卷积神经网络模型包括分类识别模块、异常检测模块、基于轴对称矩形的对象检测模块、基于自由矩形的对象检测模块、语义分割模块、实例分割模块、DeepOCR模块,以及目标检测模块。
4.根据权利要求3所述的全自动轴承检测系统,其特征在于,设置的卷积神经网络模型的学习速率为1e-4、批次大小为3~5、迭代次数为300~600、通道数为1,且包括对图像进行压缩、启用图像增强和高容量的设置,旋转步长为180°,镜像为Both。
5.根据权利要求4所述的全自动轴承检测系统,其特征在于,所述图像预处理过程具体为过滤掉轴承之外区域的斑点、噪点及干扰因素;所述图像预处理过程采用的算法包括图像剪切、二值化、阈值分割、开运算与闭运算。
6.根据权利要求5所述的全自动轴承检测系统,其特征在于,所述端面检测模块包括依次排布的正面检测工位、翻转机构和反面检测工位,所述正面检测工位和反面检测工位的上方均设有2D面阵相机,所述外圆检测模块包括外圆划痕检测工位和外圆黑线检测工位,且所述外圆划痕检测工位和外圆黑线检测工位的上方均设有2D线阵相机;所述内圆检测模块包括内圆检测工位和位于所述内圆检测工位上方的2D面阵相机。
7.根据权利要求6所述的全自动轴承检测系统,其特征在于,所述外圆划痕检测工位、外圆黑线检测工位和内圆检测工位均包括平台、位于平台下方的顶升旋转机构,以及位于顶升旋转机构上方的定位装置,所述平台上开设有能够供所述顶升旋转机构进出的开口,所述顶升旋转机构包括气缸和与气缸连接的三个旋转电机;所述外圆划痕检测工位和外圆黑线检测工位的定位装置为杆状定位装置,所述杆状定位装置通过轴承的中心圆孔实现定位;所述内圆检测工位的定位装置为圆盘状定位装置,所述圆盘状定位装置中心处设有凹槽,所述2D面阵相机距离轴承上端面的距离为H,且满足关系式H=F*2r/h,其中F为2D面阵相机的镜头焦距,h为工业相机靶面尺寸。
8.根据权利要求7所述的全自动轴承检测系统,其特征在于,所述平台上还设有能够由气缸驱动的卡爪型的轴承移动机构,所述不合格下料模块包括推料气缸和与所述推料气缸对应设置的不合格下料通道,所述不合格下料通道内设有柔性缓冲板,所述推料气缸包括三个,分别设于所述反面检测工位、外圆黑线检测工位和内圆检测工位。
9.根据权利要求8所述的全自动轴承检测系统,其特征在于,所述上料区包括依次连通的滑道A、运输通道和等待通道,所述运输通道包括靠近所述滑道A的挡板和吹气装置、传输带,以及靠近所述等待通道的推料气缸A;所述下料区包括滑道B和方形的储料盘,所述储料盘靠近所述滑道B的角为A区,与A区对角线的角为C区,远离所述滑道B的一个角为B区,所述A区设有传感器A和推料机构,所述B区设有传感器B,所述传感器A和传感器B之间设有推料板,所述C区处设有传感器C。
10.一种基于权利要求1~9任一项所述的全自动轴承检测系统的检测方法,其特征在于,所述检测方法具体包括如下步骤:
1)轴承经上料区进入端面检测模块,分别完成轴承正向端面检测和反面端面检测;不合格产品进入不合格下料模块,合格产品继续进入步骤2);
2)通过外圆检测模块进行轴承外圆曲面检测;不合格产品进入不合格下料模块,合格产品继续进入步骤3);
3)通过内圆检测模块进行轴承内圆曲面检测;不合格产品进入不合格下料模块,合格产品进入下料区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410534178.8A CN118218269A (zh) | 2024-04-30 | 2024-04-30 | 一种全自动轴承检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410534178.8A CN118218269A (zh) | 2024-04-30 | 2024-04-30 | 一种全自动轴承检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118218269A true CN118218269A (zh) | 2024-06-21 |
Family
ID=91502444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410534178.8A Pending CN118218269A (zh) | 2024-04-30 | 2024-04-30 | 一种全自动轴承检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118218269A (zh) |
-
2024
- 2024-04-30 CN CN202410534178.8A patent/CN118218269A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109724984B (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CA2699269C (en) | Shearographic imaging machine | |
CN112452801A (zh) | 一种高效率的玻璃瓶缺陷在线检测装置及其工作方法 | |
CN113578764B (zh) | 一种基于物联网的无纺布生产检测装置 | |
CN110208269B (zh) | 一种玻璃表面异物与内部异物区分的方法及系统 | |
CN212301356U (zh) | 一种轮毂焊缝视觉检测装置 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN111537520A (zh) | 一种基于机器视觉的饮料瓶缺陷检测系统 | |
CN111672773A (zh) | 基于机器视觉的产品表面缺陷检测系统及检测方法 | |
CN111551559A (zh) | 一种基于多目视觉系统的lcd液晶屏缺陷检测方法 | |
CN113894055A (zh) | 基于机器视觉的五金件表面缺陷检测分类系统及方法 | |
CN114252452A (zh) | 一种小型回转体外观缺陷和轮廓尺寸在线检测装置及方法 | |
CN115047015A (zh) | 一种在线式x射线无损探伤检测方法及其系统 | |
CN114740013A (zh) | 工件检测系统及方法 | |
US6232617B1 (en) | Apparatus for detecting surface defects on running metal strip | |
CN114527131A (zh) | 一种原料硅片的内外部缺陷在线检测设备及检测方法 | |
CN118218269A (zh) | 一种全自动轴承检测系统及方法 | |
CN113177925A (zh) | 一种无损检测水果表面缺陷的方法 | |
CN110632081A (zh) | 基于2d及3d视觉的轴承外观检测设备 | |
CN114677597B (zh) | 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统 | |
CN113058875B (zh) | 工件表面瑕疵自动检测系统 | |
CN114494922A (zh) | 一种基于深度学习的皮蛋裂纹检测分选系统和方法 | |
CN113640303A (zh) | 一种用于笔记本电脑的表面瑕疵检验设备及其检测方法 | |
JP3174732B2 (ja) | 等階級判別設備 | |
CN112067621A (zh) | 一种化工设备用筒体智能化检验设备及筒体检验方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |