基于BP神经网络的轮速传感器齿圈表面缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109886931A(43)申请公布日2019.06.14(21)申请号201910070920.3(22)申请日2019.01.25(71)申请人中国计量大学地址310018浙江省杭州市下沙高教园区学源街258号(72)发明人陈爱军齐淑雯刘磊赵彦龙(51)Int.Cl.G06T7/00(2017.01)权利要求书3页说明书5页附图4页(54)发明名称基于BP神经网络的轮速传感器齿圈表面缺陷检测方法(57)摘要本发明公开了一种基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，具体实施内容为：本发明方法采用事先确定感兴趣区域的方式，对轮速传感器齿圈表面图像进行处理，然后分析表面缺陷的几何特征、纹理特征、灰度特征，选取较为突出的6个特征，即像素总数、灰度均值、灰度方差、熵值、惯性矩、逆差矩，作为训练BP神经网络的特征向量，确定BP神经网络的基本训练参数，利用齿圈表面图像训练样本对搭建好的神经网络模型进行训练学习，然后利用训练好的BP神经网络模型对被测齿圈表面图像进行缺陷检测，并输出检测结果。该方法可用于机器替代人类对轮速传感器齿圈进行检测，解决了人眼识别、人工分类费时费力、误差大等问题。CN109886931ACN109886931A权利要求书1/3页1.基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1：获取轮速传感器齿圈的表面展开图像Src；步骤2：获取图像Src的感兴趣区域Roi；步骤3：对感兴趣区域图像Roi采用迭代法进行二值化处理，得到二值图像Sub；步骤4：对二值图像Sub进行滤波去噪得到结果图像Imp，然后进行取反得到图像Imn；步骤5：在取反图像Imn中先消除竖条，再去除毛刺，接着消去横条，最后进行缺陷区域提取得到缺陷区域图像Inn；如果存在缺陷区域，按照以下步骤继续判断缺陷的种类；如果没有检测到缺陷区域，则表明该齿圈没有缺陷；步骤6：提取缺陷区域图像的6个特征参数，即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩，构建特征向量，作为BP神经网络的输入；步骤7：搭建BP神经网络模型，设置参数包括：输入层结点数、输出层结点数、隐层结点数、期望误差、学习效率和传递函数；步骤8：在已经搭建好的BP神经网络模型中采用莱文贝格－马夸特算法对模型进行训练，使BP神经网络模型达到成熟；步骤9：将待测轮速传感器齿圈的图像进行预处理获得的6个特征参数输入到步骤8得到的训练成熟的BP神经网络模型中，实现轮速传感器齿圈表面缺陷的检测；至此，实现了轮速传感器齿圈表面缺陷的检测，即成。2.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤1中，具体按照以下过程实施：利用两个线阵光源斜向照射到待测的轮速传感器齿圈中心，采用旋转电缸带动齿圈匀速旋转的方法，由线阵CCD相机从侧面采集齿圈环形表面数据至上位机，得到齿圈表面展开原图像Src。3.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤3中，具体按照以下过程实施：假设感兴趣区域图像Roi的像素为f(x,y)，设定一个初始阈值Th，像素灰度值大于此阈值的像素归属像素集合A，像素灰度值小于等于此阈值的像素归属像素集合B，分别计算A、B集合的像素均值和，如式（1）和式（2）所示：（1）（2）其中，和分别表示集合A和集合B中的像素个数；更新阈值，然后判断当前计算阈值与上次计算阈值的差值是否满足约束条件，即两次阈值差值小于一个约束值T；若小于T，则当前阈值Th即为所求最佳阈值；否则，重新计算A、B集合的像素均值，直到满足给定的约束条件为止；将计算得到的阈值作为二值化处理分割的阈值，得到二值图像Sub。4.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特2CN109886931A权利要求书2/3页征在于，所述的步骤4中，具体按照以下过程实施：对二值图像Sub进行5×5窗口中值滤波去除噪声，得到滤波后的图像Imp，然后对图像Imp直接取反得到图像Imn。5.根据权利要求1所述的基于BP神经网络的轮速传感器齿圈表面缺陷检测方法，其特征在于，所述的步骤5中，具体按照以下过程实施：将图像Imn进行像素统计，把列方向上的像素点进行水平投影，对竖条的位置进行选取，选择利用归一化的方法设置阈值消除竖条，并设阈值为a；然后采用归一化方法对阈值进行选取消除毛刺，阈值设为b，得到图像Ima；在对采集到的所有合格图像中横条存在的位置进行统计，横条在竖直方向上投影的位置近似固定，采用这个经验数值来对图像进行消除横条的操作，得到仅含有缺陷信息的图像Inn；如果图像Inn中存在缺陷区域，按照以下步骤继续