基于树莓派的齿轮表面缺陷检测系统设计

李长齐，王 菡，罗 昊

(1.保山学院大数据学院，云南保山 678000；2.马来西亚博特拉大学，马来西亚吉隆坡 43400)

0 引言

由于人在工作时会受到主观因素和外部环境的影响，工作效率会大幅度波动，导致人工检测的速度和质量难以保证，因此传统的人工检测方案在制造业生产中已无法满足需求。随着数字图像处理技术理论的发展，将机器视觉与深度学习相结合的产品缺陷检测解决方案被越来越多的厂家采用[1]，提高了工厂自动化程度，促进了工业的智能化发展。但是研发一套价格便宜、性能稳定的缺陷检测系统依旧是值得研究的问题[2]。在网络架构上，卷积神经网络(CNN)在人脸识别[3]、字符识别[4]、图像处理[5]、自然语言处理[6]等研究领域存在着大量成功的应用案列，如乔丽等[7]使用CNN进行键盘缺陷检测。在硬件设计上，韩雪[8]等使用树莓派设计了塑料纽扣次品检测系统，许艳[9]等发表了基于树莓派的元器件检测设计论文。

齿轮是机械设计领域必不可少的零件，但是生产线上出品的齿轮可能出现表面缺陷等质量问题，因此研发齿轮表面缺陷检测系统对于保证齿轮出厂的合格率至关重要，同时还能够弥补人工检测的不足，所以设计一套齿轮表面缺陷检测系统具有重要的意义。

文章采用厂商提供的齿轮表面缺陷图像，选出3种主要的缺陷种类：表面脏污、断齿和表面裂纹，进行识别分析。3种缺陷样本如图1所示。本文针对这3种常见的出厂缺陷进行检测设计，不考虑其他类型的缺陷。

1 系统总体设计

图2为系统总体框图。基于树莓派的齿轮表面缺陷检测系统由光电检测模块、图像采集模块、缺陷检测模块、次品剔除模块和电源模块组成。通过光电传感器件探测目标位置是否存在齿轮，通过传感器的输出电平触发树莓派4B控制CCD相机实时采集齿轮表面图像，图像返回给树莓派4B进行缺陷检测，剔除模块根据检测结果去除缺陷齿轮，电源模块为树莓派4B供电。

图2 系统总体框图

2 硬件设计

系统硬件由树莓派4B开发板、光电传感模块、图像采集模块、剔除模块和电源模块组成，树莓派4B作为主控平台协调多个模块共同实现齿轮表面缺陷次品的检测功能。

2.1 树莓派4B平台

树莓派4B作为系统的主控平台，搭载缺陷检测算法，协调多个外部设备的运行，共同实现次品检测任务。树莓派4B是一种基于BCM2711的卡片式电脑，具有丰富的外接接口，支持多种操作系统，支持python、C/C++等多种语言编程，具有价格低，开发周期短等优点。

2.2 光电检测模块

光电检测模块的任务是检测齿轮的位置，触发树莓派控制相机采集齿轮表面图像，系统使用对射式光电传感器，它的原理是如果待检位置存在目标则会阻断发射器的光线进入接收器，从而判断待检位置存在目标。系统采用PM-TF15/30型光电传感器，具有安装简单、使用寿命长等优点。

2.3 图像采集模块

CCD(charge couple device)工业相机是具有电荷耦合器件的摄像机，具有体积小、灵敏度高、功耗低、寿命长、畸变小等优点，常应用于工业生产中。系统采用MV-GE502C/M型相机，像素为500万，焦距可调，使用USB3.0接口与树莓派连接。

2.4 剔除模块

剔除模块电路如图3所示。P2为树莓派4B外扩GPIO接口排插，由于树莓派硬件CPU部分原理图未开源，设计了外扩GPIO与外设连接的原理图。树莓派GPIO16引脚连接D2三极管基极，通过三极管驱动继电器K1，D1为保护二极管。通过GPIO36引脚检测光电传感器信号，由于PM-TF15/30型光电传感器的输出电压为5 V，而GPIO引脚标准电压为3.3 V，使用2 kΩ、3 kΩ的电阻R2、R3组建分压电路。

图3 剔除模块电路图

2.5 电源模块

由于树莓派4B开发板功率为5 V/600～3 000 mA、CCD相机功率为5 V/200 mA，设计了电源电路如图4所示。AC 220 V市电通过电源变压器T1转化为AC 18 V，全桥整流器D12将AC 18 V转化为低压直流电，C1对低压直流电进行稳压，U1、U2降压稳压芯片将低压直流电转化为5 V直流电，L为输出电感，D9、D10为电源指示灯，P1为输出电压的接线端子，因为LM2576-5V最大输出电流为3 000 mA，因此，并联2路输出。

3 缺陷检测算法

根据齿轮表面图像的纹理信息特征进行缺陷检测。设计的缺陷检测算法如图5所示。首先对图像进行双边滤波，得到质量良好的图像，然后将滤波后的图像通道进行转换，并提取图像的纹理特征，最后使用训练完成的分类器对图像进行分类，判断齿轮表面是否存在缺陷。

3.1 双边滤波

一般得到原始图像后，会对图像进行滤波去噪处理以获得更高质量的图像，但是常用的滤波方法在对

图4 电源模块原理图

图5 缺陷检测算法流程图

图像进行去噪的同时会不可避免地模糊边缘信息，这样会造成细节信息尤其是纹理信息和边缘信息丢失，导致后续检测出现极低的准确率。使用双边滤波能够在滤波去噪的同时很好地保留图像的边缘及纹理信息。1998年，Tomasi等设计了基于高斯滤波器的改进算法，即双边滤波器[10]。

它将图像的像素值相似度和空间邻近度进行非线性组合，这样在保证平滑图像的同时又能够充分保留图像的边缘信息。双边滤波器核函数由空间域核函数与像素范围域核函数构成。其中，空间域核函数公式为

(1)

式中：(k，l)为模板窗口中心像素点的位置；(i，j)为除模板窗口外像素点的位置；σd为该位置二维高斯函数的标准差。

像素范围域核函数公式为

(2)

式中：f(x，y)为待滤波的图像在点(x，y)处的灰度值；σr为该位置二维高斯函数的标准差。

将上述2个核函数相乘得到双边滤波器的表达式：

(3)

3.2 通道转换

HSV颜色模型由色调(Hue)、饱和度(Saturation)和明度(Value)3个参数组成。图6为HSV色彩空间模型。与传统的RGB色彩空间相比，HSV颜色模型可以表达出更接近于人的眼睛所感知的色彩，因此HSV颜色模型在数字图像处理领域的应用范围更加广泛。RGB色彩空间中R表示红色、G表示绿色、B表示蓝色，取三者中的最大值记为MAX=max{R、G、B}，取三者中的最小值记为MIN=min{R、G、B}，从而可得两种颜色空间的转换公式为：

(4)

(5)

V=max(R,G,B)

(6)

图6 HSV色彩空间模型

3.3 特征提取

局部二值模式(LBP)是用来表达图像局部特征的算子，它具有灰度不变性的优点，在人脸识别和目标检测项目中使用的比较多[11]。它的原理为：将图像窗口中心灰度值与其T-1邻域内像素灰度值进行比较得到结果0或1，将比较结果放入相应的邻域位置，按逆时针方向将比较结果进行二进制编码，然后解码为十进制数作为窗口中心的LBP特征值。式(7)、式(8)为编码公式。

(7)

(8)

式中：(xc，yc)为窗口中心位置的坐标；T为除窗口中心点外的像素数量(一般为8)；it为T邻域中第t个像素的灰度值；S(x)为符号函数；ic为窗口中心点像素值。

由于直接提取图像LBP特征进行缺陷检测在后续试验中检测的效果并不理想，因此提出了基于HSV空间的LBP特征加权融合提取方法。图7为算法的示意图。首先为了获取更多齿轮表面颜色和纹理特征，加强LBP特征的表达能力，在3×3的窗口上对H、S、V三通道的特征进行提取，为了体现3种通道分量对LBP特征贡献度的不同并且归一化LBP特征，采用加权的方式对三通道特征分量进行融合。经过多次实验发现3个通道的分量按照0.5∶0.1∶0.4的关系相加在一起，后续缺陷检测的效果最好。式(9)为三通道特征加权融合的规则。

LBP=0.5LBPH+0.1LBPS+0.4LBPV

(9)

图7 基于HSV空间的LBP特征加权融合提取算法示意图

3.4 分类器训练与测试

首先对样本进行处理，从厂家得到的齿轮样本图片经过样本扩充，得到表1所示各类样本的数量。

表1 各类样本数量 张

视觉几何群网络(VGG)是牛津大学计算机视觉实验室为了解决ImageNet中的1 000类图像分类和定位问题提出的网络结构[12]。VGG16是其中具有代表性的网络架构。为了实现齿轮表面图像准确分类，对VGG16结构进行了改造，由于样本图片大小为600×600，因此将输入层扩大为600×600，由于输出结果一共4类，因此输出层大小减小为1×4，网络中的隐藏层和池化层以及激活函数和损失函数沿用原始VGG16网络参数。

训练集和测试集样本的数量按照3∶1的比例划分。训练初期时较大的学习率可以加速模型收敛，但是在后期训练中却可能导致模型不能充分收敛甚至不能收敛。过小的学习率虽然有助于模型后期的充分收敛，但会导致整个训练过程收敛缓慢。本文采用学习率随迭代次数增加而衰减的方式设置学习率，训练初期设置较大的学习率0.000 5，每迭代10次学习率衰减为上个学习率的1/10，共设置n次迭代次数。当迭代次数达到n次，则认为本次训练结束。以保证误差尽可能小的同时加快模型收敛速度。

设置不同迭代次数得到了图像分类的准确率，结果如表2所示。可以看出，随着迭代次数的增加，模型的误差不断减小，但测试集上的分类错误率却先减后增，这表明在不断增加迭代次数过程中，模型出现了过拟合现象。因为Sigmoid函数在小输入情况下具有线性特征，但是由于迭代次数的增加，权值不断增加，Sigmoid函数的非线性特征开始显现，最终训练后期决策面过度复杂。

表2 训练集与测试集数据

为了获得最高的准确率，采用序号为2的模型参数作为预训练模型，再对模型进行多次训练。最终在迭代次数为46时，得到准确率最高的模型，准确率为96.56%。

4 实验结果与分析

根据以上方法，进行线上实验，使用了527个样本，其中表面脏污齿轮106个，断齿齿轮187个，表面裂纹齿轮112个，正常齿轮122个，进行试验。试验结果如表3所示。

由表3可得，4种检测结果正确率最高的为正常样本的98.36%，最低的为表面裂纹样本的87.50%，耗时最长的为表面裂纹类型的1 440 ms，平均准确率和平均耗时时间分别为94.50%和1 435 ms。说明设计的系统在齿轮表面缺陷检测准确率和速度上具有实用意义，能够为工业齿轮表面缺陷检测方案设计提供借鉴。

表3 齿轮表面缺陷检测结果

5 结论

本文以齿轮表面缺陷人工检测效率低的问题为出发点，设计了基于树莓派的齿轮表面缺陷检测系统。设计了缺陷检测算法，完成了硬件设计分别对齿轮表面脏污、断齿、表面裂纹和正常4种类型检测结果的正确率和消耗时间进行了分析，平均正确率和时间分别为94.50%和1 435 ms。说明设计的系统能够基本满足企业对齿轮缺陷检测的需求，对提高企业生产效率、降低生产成本、提升产品质量具有重要意义。