基于机器视觉技术的齿轮表面缺陷检测方法研究

一、选题的背景与意义

随着现代科学技术的发展以及精密加工领域市场需求的提升，机械制造业正顺着时代的趋势朝着系统化、现代化和智能化的方向高速发展。工业界对齿轮工件的制造工艺有了越来越的要求，保证齿轮工件的低缺陷率已经成为保障机械及电子产品承载能力和工作性能的重要手段。但是齿轮工件的表面会由于人工操作不规范或装备磨损等原因产生各种各样的缺陷。这些缺陷首先会降低齿轮的美观，其次会对齿轮所配套工件的性能产生负面的作用。为了避免用户产生不理想的使用体验，节约生产商的维护成本，对齿轮表面进行缺陷检测是齿轮生产过程中的一个不可或缺的关键步骤。

AI+工业瑕疵检测已成为工业智能领域的重要应用场景，能够进一步提升工业检测效率和精度、降低人力成本。齿轮配件异常检测是工业瑕疵检测的痛点场景。齿轮传动装置是机械装备的重要基础件，与带链、摩擦、液压等传动方式相比，具有功率范围大、传动效率高、运动平稳、传动比准确、使用寿命长、结构紧凑等特点，同时安全、可靠、性价比优越的优点，决定了它在通用机械装备领域中的不可替代性。齿轮作为一种典型的动力传递器件，其质量的好坏直接影响着机械产品的性能。

目前机器视觉行业依然由少数国际龙头垄断。美国康耐视(Cognex)及日本基恩士(Keyence)几乎垄断全球 50%以上的视觉检测市场，两者均基于核心零部件和技术（操作系统、传感器等）提供相应解决方案。国内机器视觉检测方案虽已有长足发展，但与世界巨头相比仍存较大差距。因此，齿轮异常检测任务对于提升我国工业质检效率，保障产品质量具有重要意义。

二、国内外研究发展现状

机器视觉技术是以机械取代人类眼睛来完成相应的视觉工作，主要是通过电脑计算机来模拟人们的眼球的视觉效果。该技术是利用CMOS、CCD作为核心部件，拍摄被测物体的图像，并对其进行图像处理，最终提取出被测物体的各种特性（例如长度、面积、角度等），以此实现对被测物体的检测和识别。该系统可以在一定程度上完成众多的繁杂和困难的检测项目，从而极大地提高企业以及工厂的运转效率和加快自动化进程。

视觉系统的构造在特定的需要上会有差异，但是整个系统的处理过程却没有很大差别。

机器视觉结合机械、计算机、光学等多种学科，创始于二十世纪五十年代，那时主要是完成图片分析、光学字符识别等工作。六十年代，Roberts提出了一种类似于楔形体、立方体的三维结构，并对目标的形态和空间关系进行了描述，为进一步的研究提供了新的思路。

Marr于七十年代中期提出了Marr视觉理论，其理论中心为三维立体影像重构。Marr所提出的一系列的视觉学理论对机器视觉技术的发展起到了重要的促进作用。在八十年代中期，广大研究人员纷纷投入到机器视觉领域里，研发出各种新设备和新技术。视觉系统的一般处理过程从九十年代起，机器视觉发展成了一门新兴技术，逐渐被广泛地应用于军事、航空航天、农业、生物医学、工业、交通等领域，它作为新的技术具有以下特征：

① 非接触性：不会接触被测对象，所以在检测时不会对被测对象造成磨损，这对众多细小、精密、脆弱的零件有着重大的意义。 ② 高效性：机器视觉系统可以实现快速的数据处理和自动化的检测，大大提高了效率。 ③ 高精度：机器视觉系统可以达到人眼无法达到的高精度检测，保证了产品的质量。 ④ 可靠性：机器视觉系统可以长时间稳定工作，减少了人为因素的干扰，提高了检测的可靠性。 ⑤ 灵活性：机器视觉系统可以根据不同的需求进行调整和改变，具有很高的灵活性和可扩展性。

在国外，机器视觉技术已经得到了广泛的应用，特别是在工业领域中。美国、日本、德国等发达国家已经形成了比较成熟的机器视觉产业链。其中，美国康耐视和日本基恩士是全球机器视觉领域的龙头企业，其视觉检测设备和技术在全球范围内占据着很大的市场份额。在中国，机器视觉技术起步较晚，但近年来得到了快速发展。国内的机器视觉企业主要分布在南京、深圳等地，其中南京地区是国内机器视觉产业的重要基地之一。同时，国内的机器视觉企业也在不断地研发新产品和新技术，致力于将机器视觉技术应用到更多的领域中。

在齿轮表面缺陷检测方面，国外已经有很多相关的研究。例如，美国的Kato等人提出了一种基于图像处理的齿轮缺陷检测方法，利用灰度共生矩阵和灰度均值进行特征提取，最终实现了对齿轮表面缺陷的自动检测。德国的Hans-Werner等人也研究了齿轮表面缺陷检测技术，利用角度分割和小波变换进行特征提取，实现了对齿轮表面缺陷的检测和分类。另外，日本的Suzuki等人也提出了一种基于深度学习的齿轮缺陷检测方法，通过神经网络训练实现了对齿轮表面缺陷的自动识别。

国内也有一些关于齿轮表面缺陷检测的研究。例如，南京航空航天大学的王伟等人提出了一种基于小波变换的齿轮表面缺陷检测方法，通过小波变换提取特征并利用支持向量机进行分类，实现了对齿轮表面缺陷的自动检测。南京理工大学的陈建华等人也研究了齿轮表面缺陷检测技术，提出了一种基于图像处理和神经网络的缺陷检测方法，实现了对齿轮表面缺陷的准确检测。

总体来说，国内外研究发展现状表明，机器视觉技术已经成为齿轮表面缺陷检测的重要手段，同时也为机器视觉技术在工业领域的应用提供了重要的实践基础。但是，由于齿轮表面缺陷检测的复杂性和多样性，目前仍需要进一步的研究和探索，以提高检测的准确性和效率。

三、研究内容和方法

本文的研究目的是针对齿轮表面缺陷检测这一问题，提出一种基于机器视觉技术的检测方法，以实现对齿轮表面缺陷的自动检测和识别。具体研究内容和方法如下：

数据采集和预处理

本研究采用的是高清晰度的齿轮表面图像，为了提高检测的准确性，需要对采集到的图像进行预处理。首先对图像进行去噪处理，消除图像中的噪声干扰。其次对图像进行灰度化处理，将彩色图像转化为灰度图像，以便于后续的处理。最后对图像进行滤波处理，提高图像的清晰度和对比度，以便于检测和识别齿轮表面缺陷。

特征提取和分类

本研究采用的是基于深度学习的特征提取和分类方法。首先利用卷积神经网络(CNN)对齿轮表面图像进行特征提取，提取出图像的高层特征。然后将提取到的特征输入到支持向量机(SVM)分类器中，实现对齿轮表面缺陷的分类和识别。在特征提取和分类过程中，需要对卷积神经网络和支持向量机进行适当的调参，以提高分类的准确性和效率。

实验结果分析和评价

本研究将所提出的方法应用于齿轮表面缺陷检测中，并通过实验对其进行评价和分析。实验中采用的数据集包括了不同类型和程度的齿轮表面缺陷图像，以便于对所提出的方法进行全面的评价和比较。实验结果将从准确率、召回率、F1值等多个指标进行评价和分析，以验证所提出的方法的可行性和有效性。

四、预期成果与意义

通过本研究的实施和实验，预期可以得到以下成果：

提出一种基于机器视觉技术的齿轮表面缺陷检测方法，能够实现对齿轮表面缺陷的自动检测和识别。
针对所提出的方法进行实验和评价，能够得到较高的准确率和效率，证明所提出的方法的可行性和有效性。
本研究的实施和成果对于提高我国机器视觉技术的水平，推动工业智能化和自动化进程，具有重要的意义。

总之，本研究的实施将会为齿轮表面缺陷检测提供一种新的思路和方法，同时也为机器视觉技术在工业领域的应用提供了新的实践基础和参考。