作者：刘磊, 陈爱军, 彭伟康, 胡佳成

作者单位：中国计量大学计量测试工程学院, 浙江 杭州 310018

关键词：ABS齿圈;SVM模型;表面缺陷检测;图像处理;特征提取

摘要：

针对目前汽车零部件制造行业采用人工目测法进行ABS齿圈出厂检测引起的效率低、速度慢等问题，该文提出一种ABS齿圈表面缺陷视觉检测方法。首先提取齿圈表面缺陷图像的几何特征、灰度特征和纹理特征，构建特征向量，运用主成分分析法对测试样本特征数据进行降维处理，获得新的主成分，再利用自适应粒子群算法对SVM模型的关键参数进行优化，最后采用多项式核函数的SVM模型作为最佳分类模型对968型号的ABS齿圈进行检测实验，并与BP神经元网络模型检测结果进行对比。实验结果表明，采用多项式核函数的SVM齿圈表面缺陷检测模型实验效果最佳，检测正确准确率高达99.4%。

ABS ring gear surface defect visual inspection method
LIU Lei, CHEN Aijun, PENG Weikang, HU Jiacheng
College of Metrology and Measurement Engineering,China Jiliang University, Hangzhou 310018, China
Abstract: At present, the automotive parts manufacturing industry uses manual visual inspection to inspect the ABS ring gear. It causes problems such as low efficiency and slow speed. Aiming at this problem, this paper proposes a visual detection method for ABS ring gear surface defects. Firstly, the geometrical features, grayscale features and texture features of the surface image of the ring gear are extracted, and the feature vector is constructed. The principal component analysis method is used to reduce the dimension of the test sample feature data to obtain a new principal component. The adaptive particle swarm optimization algorithm is used to optimize the key parameters of the SVM model. Finally, the SVM model of the polynomial kernel function is used as the best classification model to test the 968 model ABS ring gear. The experimental results are compared with those of the BP neural network model. The comparison results show that the SVM ring surface defect detection model with polynomial kernel function has the best experimental results, with a correct detection rate of 99.4%.
Keywords: ABS ring gear;SVM model;surface defect detection;image processing;feature extraction
2019, 45(8):145-150  收稿日期: 2019-05-15;收到修改稿日期: 2019-06-04
基金项目: 国家质检总局科技计划项目（2017IK106）
作者简介: 刘磊(1995-),男,浙江武义县人,硕士研究生,专业方向为图像处理、深度学习
参考文献
[1] 罗雍惠. ABS齿圈和传感器的应用与研究[J].中国高新技术企业, 2010(24):15-16
[2] 陈少平.基于机器视觉的零件表面缺陷检测[D].南昌:南昌航空大学, 2011.
[3] 杨加东,谢明,王丽华,等.基于BP神经网络的表面缺陷检测分类[J].机床与液压, 2017, 45(16):160-164
[4] 吴静,柳世考,邓堃.基于改进BP神经网络的故障诊断方法[J].工业仪表与自动化装置, 2007(3):45-48
[5] 郭慧,徐威,刘亚菲.基于支持向量机的钢板表面缺陷检测[J].东华大学学报(自然科学版), 2018, 44(4):635-639
[6] 涂宏斌,周新建.基于支持向量机的轴承表面缺陷检测[J].现代制造工程, 2006(9):90-92
[7] 向阳,陈黎,张晓龙.基于支持向量机的带钢表面缺陷识别研究[J].工业控制计算机, 2012, 25(8):99-101
[8] 王鹏,郭朝勇,刘红宁.基于支持向量机的枪弹外观缺陷识别与分类[J].计算机工程与科学, 2016, 38(9):1943-1949
[9] 汪晓玲.基于SVM的银行客户个人信用评估研究[D].西安:西北工业大学, 2007.
[10] 和麟,梁丽嫒,黄潇瑶,等.基于粒子群优化SVM的飞机发电机故障诊断[J].计算机测量与控制, 2013, 21(12):3237-3239
[11] 黄忠棋.基于BP神经网络的墙地砖缺陷检测技术研究[J].微型机与应用, 2014(23):81-83
[12] 刘佳男.基于机器视觉的水果表面缺陷识别方法的研究[D].无锡:江南大学, 2012.
[13] 王德晔,李永安.基于PCA算法的办公建筑能耗影响因子分析[J].建筑节能, 2018, 46(12):40-42
[14] SHEN H, LI S, GU D, et al. Bearing defect inspection based on machine vision[J]. Measurement, 2012, 45(4):719-733