针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证。实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7%以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求。

智能制造中,实现CNC集成视觉检测的难点是实时性和准确性。面向复杂的曲轴类工件,提出了一种基于骨架特征的曲轴快速辨识方法;首先结合改进的FDMA算法和改进的不变矩算法,给出了曲轴图像骨架化以及曲轴骨架特征描述方法;然后采用支持向量机,实现曲轴种类辨识;最后,提出了CNC集成CCD快速辨识系统的方案及工作原理。实验验证结果表明基于骨架特征的辨识方法计算量小,辨识速度快,辨识精度高,适用于拓扑结构相差较大的工件辨识。