設(shè)備能用于快速檢測和挑選類似下圖所示的多種規(guī)格圓柱形金屬連接件，一端有細深孔，孔內(nèi)有線徑0.2mm以下的多根細金屬絲呈一定規(guī)律排列，孔內(nèi)徑約1.0mm，孔深約5.0mm。能夠快速檢測孔內(nèi)金屬絲多達10種的缺陷，實現(xiàn)自動上料、分類下料，各種缺陷品的圖像可分類存儲。檢測指標達6δ標準，具有系統(tǒng)自診斷、手動模式、自動模式、分類計數(shù)、訂單完工自動停機、自動報警停機、開門斷電等功能。

細深孔零件示意圖

線簧孔接插件示意圖

自動挑選設(shè)備實物圖

1、技術(shù)指標

上料方式：振動上料；

有效檢測范圍：孔徑≥0.6mm，孔深≤5.5mm；

檢測效率：2.5秒/件；

漏檢率：≤3.4ppm（6δ標準，誤判為合格品的缺陷品占檢測總數(shù)的比率）

過檢率：≤8%（誤判為缺陷品的合格品占檢測總數(shù)的比率）

2、系統(tǒng)構(gòu)成

主要由振動上料機構(gòu)、送料運動機構(gòu)、細孔圖像采集單元、分類下料機構(gòu)、通信與控制系統(tǒng)、上位機及算法軟件組成，系統(tǒng)框圖如下所示。

系統(tǒng)框圖

軟件主要界面如下圖所示。

軟件界面

3、機器視覺技術(shù)識別

基于視覺圖像的缺陷檢測實質(zhì)上是一種圖像分類。圖像分類是計算機視覺、模式識別與機器學習領(lǐng)域中重要的研究方向。在大多數(shù)情況下，圖像分類的任務是根據(jù)圖像的內(nèi)容，在一組類別集合中找到符合圖像的類別。具體而言，通常是找到圖像一定的特征信息，然后根據(jù)這些特征信息區(qū)分不同的圖像，并將其劃分到對應的類別中。近年來，隨著機器學習理論研究的不斷深入和計算資源的快速增長，深度學習在各種機器學習和模式識別任務中得到了廣泛的應用。圖像分類是深度學習應用的領(lǐng)域之一，現(xiàn)在，深度神經(jīng)網(wǎng)絡，特別是卷積神經(jīng)網(wǎng)絡，在各種圖像分類模型成為了難以缺少的一部分。卷積神經(jīng)網(wǎng)絡是當前在圖像分類中應用廣泛的一種深度學習模型。

本項目的檢測算法采用基于卷積神經(jīng)網(wǎng)絡的深度學習算法，由分割和分類兩級網(wǎng)絡組成。通過收集和標注大量的合格品及各類缺陷品的圖像樣本來訓練算法模型再用于工件的檢測分類。

4、適用范圍

此系統(tǒng)或類似系統(tǒng)適用于各類細深孔的孔內(nèi)缺陷檢測和分類。