机器学习在端子产品缺陷检测中的应用研究

摘 要 本文针对传统端子产品质量检测方法过于落后，围绕端子缺陷系统如何构建和端子缺陷检测算法进行介绍。传统端子缺陷检测是人工检测，容易受到外界因素影响，且检测效率较为低下。本文研究并设计的检测系统基于单片机系统，排除了外界的干扰，能够采集端子产品生产过程中承受的压力曲线，通过数据分析处理后判断其是否存在缺陷。在此缺陷端子检测系统中，缺陷端子识别准确率很高，且系统的检测效率远远高于传统人工检测。

关键词 缺陷检测;单片机;机器学习

引言

接线端子现如今被广泛应用到各个领域，在传递电信号方面起到连接作用，一个合格的接线端子产品能给生产和使用带来诸多便利，避免许多麻烦。端子产品缺陷检测的目的就是检测出带有缺陷的接线端子，避免缺陷端子被应用到生产和生活中。缺陷端子种类有很多，例如压着端子变形、端子深压、端子浅打、端子氧化等。不同种类的缺陷端子在被应用后容易造成严重程度不同的恶劣后果。为杜绝缺陷端子流出，提升端子缺陷检测的效率，本文设计了缺陷端子产品检测系统，完成缺陷端子产品检测方法的更新换代。

1端子产品缺陷检测系统介绍

端子产品缺陷检测系统的控制核心是单片机，相当于整个系统大脑，主要功能是控制压力传感器和光电开关进行压力数据的采集[1]，并与上位机进行串口通信。压力传感器相当于整个系统的感觉器官，负责采集端子产品在生产过程中每时每刻的压力数据，而后经过AD转换被单片机存储在内存中。光电开光和单片机相互配合，其采集端子机开始工作时的工作信号传输至单片机，而后单片机控制压力传感器进行压力数据的采集工作。在完成压力数据的采集后，单片机通過串口与上位机进行数据通信，并将压力数据上传至上位机。上位机则对压力数据进行数据处理分析，在获得此次压力数据的特征值后通过机器学习分类模型对其进行判断，获得此次端子产品是否存在缺陷的结论。

整个端子缺陷检测系统具有很高的实时性，在能够保证缺陷端子产品检测准确率的情况下还能够具有很高的检测效率。系统的人机交互界面通过触摸屏实现，且系统能够存储所有已经完成采集的端子，并将其分类。在端子存在缺陷时，系统会发出警报提示用户，并自动保存数据，开始准备下一次的数据采集工作。压力数据采集部分与上位机部分通过串口进行连接，人机界面接收到的指令也通过串口由上位机传给单片机，从而完成指令的控制。

2系统设计

端子产品缺陷检测系统分为压力数据采集部分和上位机数据处理部分。压力数据采集部主要功能是采集压力数据，并将其通过串口传给上位机。上位机数据处理部分则是对接收到的压力数据进行处理，在经过机器学习分类模型对其进行判断，给出是否存在缺陷的检测结果。

2.1 压力数据采集部分

压力数据采集部分由单片机、压力传感器与广电开关组成，完成压力数据的采集与上传工作。这就要求系统的单片机要具有很高的数据处理速度，同时也要有较大的内存空间，综合考虑以上问题和性价比等后选择了STM32F407单片机。STM32F407ZGT6单片机的内核是Cortex_M4，内核最高主频能达到168MHz，具备浮点运算能力和增强的DSP处理指令，且具有高达1M字节的Flash内存和196K字节的SRAM内存，内部集成了3个ADC，可以独立使用，也可以两个或三个同时使用，同时使用时可大幅度提高采样频率，最高可达到2.4Mhz。同样STM32F407单片机也包含了串口通信模块，能够将单片机采集的电压数据上传至上位机PC。STM32F407单片机同时有很多种外部中断方式，能够被用来检测光电开关的状态，进行压力传感器的数据采集。

传感器是工业检测中进行数据采集的重要部件，压力传感器可以将其受到的压力信号按照一定的规律转变成电信号输出。压力传感器的品质决定了所采集数据是否准确、是否存在干扰噪声等，并且与整个检测平台的运行有着密切的联系，考虑到本文需要解决的是端子机平台测量压力的问题，本文选择了RHM240压电应变传感器，该传感器使用压电效应作为其工作原理，该传感器能够很好地测量动态的应力，能够检测出传感器所受到的极小的形变，并以电压信号形式将其输出，检测精度极高，非常适合被用于测量接线端子生产过程所受到的压力变化数据。

2.2 上位机数据处理部分

上位机在接收到压力数据后，需要对压力数据进行预处理。压力传感器采集的过程中可能不可避免地会受到外界环境的影响，因此所采集的压力数据中也会出现一些噪声数据，压力数据预处理的目的就是消除压力数据中的高频噪声，保留原始数据中的特征，本文选择使用小波降噪方法对压力数据进行预处理，其处理过程为：首先需要将压力数据信号用小波变化处理，通过将信号投影在频带上从而分离原始信号中不同频率部分的信号，之后选择合适的阈值对所有被分离后的信号进行滤波，再将所有已经滤波后的分离信号进行重构，重构完成后所获得的信号即是已经消除噪声的压力数据信号。

在压力数据信号完成去噪处理后，所得的压力数据中具备所有端子产品生产过程中的特征信息，压力数据曲线能够很好地表现出其中的特征，故选用曲线拟合的方法对压力数据曲线进行拟合，使用曲线拟合完成后的参数作为特征。这种特征提取方法相比于使用压力数据曲线中的集合特征有很多优点，例如更加直观、特征更精确和更稳定。

在完成压力数据特征提取之后，再通过机器学习分类模型对特征值进行分类，就能够获得本次端子产品是否存在缺陷的结论。但在使用机器学习分类模型前，需要对机器学习分类模型进行训练，使机器学习能够在有数据的前提下对其进行分类[2]。即在本系统使用前需要使用已有的端子是否存在缺陷的特征数据集对机器学习分类模型进行训练，只有经过学习的分类模型才具备将端子是否存在缺陷进行分类的能力，经过训练学习后的分类模型能够准确地辨别出本次端子是否存在缺陷，最终给出结论，将判定结果反馈至人机交互界面，并由其是否是缺陷端子判断是否触发警报，同时将本次的压力数据进行编号保存。

3结束语

端子产品缺陷检测系统能够应用到所有的端子机上，具有很强的实用性和适应性，改变端子和连接线类型只需要重新学习，很快就能够重新对端子产品进行检测。压力传感器具有便于安装的特点，能够方便的安装在各种类型的端子机上，能有效满足所有端子产品检测的需要。

参考文献

[1] 袁静，林远长，马楠，等.工业机器人检测系统研究[J].计量与测试技术，2015，42（6）：3-4.

[2] 崔春宇.基于随机森林的LTE网络覆盖评估研究[J].通讯世界， 2020，27（4）：75-76.

作者简介

陈晨（1996-），男，安徽六安人;毕业院校：安徽工业大学，专业：控制工程，学历：硕士研究生，现就职单位：安徽工业大学 电气与信息工程学院，研究方向：机器学习在端子产品分类方面。