微电机是工业自动化进程中不可或缺的基础工业产品,主要由电机定子、转子和齿轮箱组成,电机转子运转带动齿轮箱转动,通过输出轴传递高转矩。本文以齿轮箱中的齿轮组件为研究对象,齿轮组件包括输出轴、摩擦片、铆接件,输出轴用于传递高转矩并与其他设备装配,摩擦片与铆接件用于轴向固定齿轮,因此对齿轮组件进行质量检测十分必要。由于齿轮组件尺寸微小,最大极限尺寸约为18mm×10mm×10mm,检测难度大,采用高精度的检测仪器或者人工进行质量检测难以满足自动化、高效率等要求。本文引入机器视觉技术,通过非接触式检测,实现齿轮组件的质量检测,有利于企业进行转型升级,提高柔性化与自动化程度。本文主要研究内容如下:1.微电机齿轮组件质量检测平台的总体方案设计。齿轮组件质量检测内容包括输出轴的尺寸检测、摩擦片的残缺检测以及铆接件的缺陷检测。本文将质量检测平台分为尺寸检测平台与缺陷检测平台,对相机、镜头、光源进行分析选型,完成光学成像方案设计;根据图像采集硬件的工作距离与安装方式等,完成检测平台的机械结构设计。2.输出轴尺寸检测算法设计。根据尺寸检测要求,划定感兴趣区域,采用Canny算子与双线性插值法提取出输出轴的亚像素边缘。引入Tukey权重函数改进标准的最小二乘法,减少离群点影响,使各边缘的拟合直线更为准确,通过计算两拟合直线间的距离获得各尺寸的像素距离。采用刻度尺进行相机标定,确定像素与实际长度之间的关系,得到各尺寸的物理长度。将尺寸检测系统的测量数据与游标卡尺的测量数据进行对比,并对同一尺寸进行重复测量,验证检测系统的准确性与稳定性。3.摩擦片残缺检测算法设计。通过图像二值化、连通区域标记、目标区域提取对摩擦片的灰度图进行图像预处理,提取出摩擦片边界区域;采用闭运算消除边界区域上的缝隙,并将边界区域转化为亚像素轮廓;采用基于Tukey的最小二乘法完成摩擦片轮廓的圆拟合,找出轮廓上像素点到圆心的最小距离,将最小距离与半径进行比较来判断摩擦片是否残缺。经过试验,该检测算法的准确率达到98%。4.铆接件缺陷检测算法设计。研究分析深度学习的目标检测网络,确定基于YOLOv4算法来实现铆接件缺陷的分类识别。针对YOLOv4算法网络层数深、占用计算机资源大问题,采用轻量级深度卷积神经网络Mobile Net V3代替CSPDarknet53,采用深度可分离卷积替换PANet中3×3普通卷积,完成YOLOv4算法的轻量化改进。针对正负样本不平衡问题,对YOLOv4的置信度损失函数进行改进,并针对不同尺度的先验框,提出一种多尺度损失函数。通过翻转、添加噪声、缩放等方式扩充图像样本的数据集,采用图像标注工具Label Img完成铆接件图像数据集的制作。采用Py Torch深度学习框架搭建网络,完成YOLOv4算法和改进的YOLOv4算法的训练与预测,通过对比分析改进前后模型的m AP与FPS发现,改进后的YOLOv4算法的m AP提高了9.6%,FPS提高了24%。