文章出處：知識(shí)中心 網(wǎng)責(zé)任編輯： 洛陽(yáng)軸承 閱讀量： 發(fā)表時(shí)間：2022-02-28 09:31:34
針對(duì)軸承生產(chǎn)企業(yè)套圈生產(chǎn)過(guò)程中普遍存在端面缺陷的問(wèn)題與人工目檢的現(xiàn)狀，提出了基于機(jī)器視覺的軸承套圈端面缺陷在線檢測(cè)方法。首先，對(duì)套圈圖像預(yù)處理后進(jìn)行邊緣檢測(cè)，采用四連通域定位套圈端面區(qū)域；其次，采用最小二乘法擬合端面輪廓以判別外形缺陷，采用極坐標(biāo)變換將套圈環(huán)形端面拉伸成矩形，采用Sauvola局部二值化算法對(duì)矩形圖進(jìn)行缺陷分割，并通過(guò)坐標(biāo)系反變換與雙線性插值法將缺陷圖轉(zhuǎn)換回環(huán)形圖；最后，根據(jù)提取缺陷的圖像特征完成缺陷的識(shí)別與分類。現(xiàn)場(chǎng)測(cè)試表明，套圈端面檢測(cè)系統(tǒng)的整體識(shí)別準(zhǔn)確率達(dá)98.6%。
軸承是保證機(jī)械裝備回轉(zhuǎn)精度不可或缺的基礎(chǔ)部件，軸承套圈在經(jīng)過(guò)平面磨削加工后，其端面可能依然存在鍛廢、大小邊、磕碰傷、車廢、磨傷、黑皮等外觀缺陷。如果套圈端面存在缺陷，其作為外圓無(wú)心磨等后序工位的定位面，勢(shì)必影響加工精度和軸承的回轉(zhuǎn)精度，可能導(dǎo)致軸承使用過(guò)程中產(chǎn)生噪聲和振動(dòng)，從而加速磨損，甚至引發(fā)機(jī)器故障。另一方面，端面缺陷套圈進(jìn)入后續(xù)工序加工后剔除或成品進(jìn)入市場(chǎng)后召回，都會(huì)給企業(yè)帶來(lái)物資與人力成本的極大浪費(fèi)。因此，必須在平面磨削加工后將缺陷品剔除，避免流入后續(xù)工序。
目前，大多企業(yè)仍憑借質(zhì)檢員肉眼與主觀經(jīng)驗(yàn)對(duì)套圈進(jìn)行鑒定與判斷，質(zhì)檢結(jié)果易受人為因素影響，檢驗(yàn)標(biāo)準(zhǔn)難以保持一致，穩(wěn)定性差且易漏檢。機(jī)器視覺具有精度高、效率高、實(shí)時(shí)性好等優(yōu)點(diǎn)，是替代人工檢測(cè)的有效方法，例如：文獻(xiàn)[2]采用改進(jìn)Otsu方法進(jìn)行閾值化處理，利用八連通域標(biāo)記識(shí)別技術(shù)實(shí)現(xiàn)了軸承端面的非接觸檢測(cè)；文獻(xiàn)[3]利用紋理單元解決了空氣軸承表面變化的光照強(qiáng)度影響圖像采集的問(wèn)題。
在上述研究的基礎(chǔ)上，本文提出一種軸承套圈端面缺陷在線視覺檢測(cè)方法，采用四連通域、種子填充算法定位檢測(cè)區(qū)域，Sauvola局部二值化算法進(jìn)行圖像分割，并基于多特征的外觀缺陷識(shí)別方法判別缺陷。
1、光源選擇與檢測(cè)區(qū)域定位
1.1 光源選擇
光源是視覺檢測(cè)系統(tǒng)不可或缺的組成部分，直接關(guān)系到成像質(zhì)量。良好的照明方式可以凸顯目標(biāo)區(qū)域的特征，減輕圖像處理工作量。
端面缺陷檢測(cè)成像面為圓環(huán)形金屬端面，具有一定的鏡面發(fā)射效應(yīng)，且被測(cè)套圈尺寸跨度大，故采用球積分漫反射無(wú)影照明方式，照射面積大，光線集中且照射均勻，不會(huì)形成鏡面反射，如圖1所示。
圖1 球積分漫反射無(wú)影照明
Fig.1 Spherical integral diffuse reflection shadowless illumination
1.2 圖像預(yù)處理
圖像捕獲過(guò)程中存在的噪聲與干擾會(huì)降低圖像質(zhì)量，增加后續(xù)邊緣檢測(cè)與圖像分割的難度因此，需要對(duì)原始圖像進(jìn)行一定的預(yù)處理，消除圖像中的噪聲與干擾，均值濾波、高斯濾波、中值濾波的對(duì)比效果如圖2所示。由于端面環(huán)形區(qū)域外為背景區(qū)域，灰度值較低，均值濾波處理后的環(huán)形區(qū)域明暗對(duì)比變?nèi)酰瑘D像也變得模糊；中值濾波處理后的端面邊緣部分被黑色區(qū)域影響，邊緣細(xì)節(jié)丟失；而高斯濾波由于加權(quán)平均的特點(diǎn)，在去除噪聲的同時(shí)可以很好地保留圓環(huán)及其邊緣的細(xì)節(jié)。針對(duì)套圈端面區(qū)域與背景區(qū)域?qū)Ρ容^大，并且需要檢測(cè)出細(xì)小缺陷的特點(diǎn)，選取大小為3×3，標(biāo)準(zhǔn)差為1的濾波窗口進(jìn)行高斯濾波。
圖2 不同濾波方式效果圖
Fig.2 Effect diagram by different filtering methods
1.3 邊緣檢測(cè)
邊緣檢測(cè)是通過(guò)識(shí)別圖像中亮度發(fā)生明顯變化的部分確定需要識(shí)別圖像邊緣的位置。區(qū)域內(nèi)灰度突變反映了圖像的重要變化，是價(jià)值極高的圖像特征。針對(duì)本研究，邊緣檢測(cè)可以很好地完成套圈端面區(qū)域與背景區(qū)域的劃分，更容易實(shí)現(xiàn)檢測(cè)區(qū)域的定位，為下一步處理做好準(zhǔn)備工作。
常用的邊緣檢測(cè)算子包括Canny 算子、Sobel算子與Laplacian算子。Sobel算子對(duì)噪聲和灰度漸變的邊緣適應(yīng)能力較強(qiáng)，但對(duì)圖像有平滑處理功能，適用于對(duì)精度要求不高的場(chǎng)合；Laplacian算子對(duì)噪聲的抗干擾能力較差，會(huì)將無(wú)效像素視為邊緣點(diǎn)，但會(huì)突出邊緣的對(duì)比度，適用于圖像銳化場(chǎng)景；Canny算子具備錯(cuò)誤率低，定位能力強(qiáng)，邊緣像素響應(yīng)單一等特性，被稱為最優(yōu)秀的邊緣檢測(cè)器。3種算子的對(duì)比如圖3所示，Canny算子的抗噪聲干擾能力更強(qiáng)，對(duì)邊緣的定位能力較強(qiáng)，能檢測(cè)出真正的弱邊緣。因此，本文選取高低閾值比率為2:1的Canny 算子提取套圈端面圓環(huán)的2條輪廓。
圖3 各算子邊緣檢測(cè)效果對(duì)比
Fig.3 Comparison of edge inspection effects of various operators
1.4 端面定位
檢測(cè)區(qū)域定位有2種方法：1)對(duì)邊緣輪廓進(jìn)行最小二乘法擬合得到大小圓圓心與半徑，根據(jù)像素點(diǎn)是否在小圓外、大圓內(nèi)進(jìn)行端面定位；2)利用四連通域法進(jìn)行端面區(qū)域定位。大量試驗(yàn)表明，由于鏡頭畸變和套圈端面倒角的影響，第1種方法偶爾會(huì)出現(xiàn)實(shí)際端面點(diǎn)沒有包含在擬合端面內(nèi)的情況，造成誤檢或漏檢，因此本文利用四連通域法進(jìn)行端面區(qū)域定位。
坐標(biāo)(x，y)處的像素點(diǎn)Р有上下左右4個(gè)相鄰像素，坐標(biāo)分別為(x，y-1)，(x，y+1) ，(x-1，y) ，( x +1，y)，這4個(gè)像素點(diǎn)表示Р的四鄰域，用N4(P)表示。點(diǎn)P的4個(gè)對(duì)角點(diǎn)與四鄰域一起稱為Р的八鄰域，用N8(P)表示，其中4個(gè)對(duì)角點(diǎn)的坐標(biāo)分別為(x-1，y-1 )，(x-1，y+1) , (x+1，y-1)，(x+1 ，y+1)。四鄰域與八鄰域的示意圖如圖4所示，圖中灰色區(qū)域表示Р點(diǎn)鄰域。如果2個(gè)像素鄰接，則稱這2個(gè)像素是連通的，圖4a中灰色區(qū)域與Р點(diǎn)為四連通。
圖4 四鄰域與八鄰域示意圖
Fig.4 Diagram of P point four neighborhood and eight neighborhood
邊緣檢測(cè)提取的輪廓基于八鄰域連接且圖像為二值圖，因此可以利用種子填充算法定位檢測(cè)區(qū)域，操作步驟如圖5所示：
1)在端面區(qū)域內(nèi)找到一個(gè)前景像素點(diǎn)Р作為初始種子，設(shè)初始種子為(xmin+(rmax-rmin)/2，ymin）即可，將Р點(diǎn)壓入棧中并做好標(biāo)記。
2)將Р點(diǎn)彈出棧頂，遍歷Р點(diǎn)的上下左右4個(gè)鄰域點(diǎn)，如果Р點(diǎn)的鄰域點(diǎn)不是輪廓點(diǎn)(像素值為0)或未被標(biāo)記，則將該鄰域點(diǎn)壓入棧中并做好標(biāo)記。
3)彈出棧頂鄰域點(diǎn)，遍歷該鄰域點(diǎn)的上下左右4個(gè)鄰域點(diǎn)，如果該鄰域點(diǎn)的4個(gè)鄰域點(diǎn)不是輪廓點(diǎn)或未被標(biāo)記，則將該鄰域點(diǎn)壓入棧中并做好標(biāo)記。
4)重復(fù)第3步，直到棧為空，所有鄰域點(diǎn)均被標(biāo)記。
圖5 四鄰接連通域法進(jìn)行端面定位
Fig.5 Four adjacent connection domain method for end face positioning
至此，便已成功提取端面連通域，此連通域即套圈端面區(qū)域(圖6)，后續(xù)的缺陷檢測(cè)只需處理套圈端面區(qū)域內(nèi)的圖像，為節(jié)省后續(xù)運(yùn)算時(shí)間奠定基礎(chǔ)。
圖6 端面區(qū)域定位結(jié)果
Fig.6 Positioning result of end face area
2、缺陷檢測(cè)
本研究將套圈缺陷分為外形缺陷(大小邊、磕碰傷)和外觀缺陷(車廢、磨傷等端面損傷)。
2.1 外形缺陷判別
對(duì)于外形缺陷，用最小二乘法計(jì)算所提取2條套圈端面輪廓的大、小圓圓心，通過(guò)圓心距離進(jìn)行判定。如圖7所示：如果大、小圓的圓心距離dc超過(guò)設(shè)定的閾值Dmax，則將其判定為大小邊缺陷；如果外圓圓心最短距離dout與外圓半徑rout的差值Δout超過(guò)設(shè)定的閾值Dout，則將其判定為外圓磕碰傷缺陷；如果內(nèi)圓圓心最長(zhǎng)距離din與內(nèi)圓半徑rin的差值Δin超過(guò)設(shè)定的閾值Din，則將其判定為外圓磕碰傷缺陷；
圖7 外形缺陷判別
Fig.7 Discrimination of shape defects
2.2 外觀缺陷判別
2.2.1 圖像坐標(biāo)系轉(zhuǎn)換
套圈端面是一個(gè)圓環(huán)，直接進(jìn)行圖像分割會(huì)被套圈外的黑色區(qū)域嚴(yán)重干擾而無(wú)法正確提取缺陷，因此需要將提取的套圈端面進(jìn)行坐標(biāo)系變換，將端面圓環(huán)拉伸成便于后續(xù)處理的矩形。局部分割算法可以在變換后的矩形中進(jìn)行，提取缺陷后再將圖像從極坐標(biāo)系變換至直角坐標(biāo)系。
如圖8所示，點(diǎn)P的x，y坐標(biāo)分別表示其距離原點(diǎn)O的水平距離與垂直距離；點(diǎn)P'的坐標(biāo)u，v分別表示點(diǎn)Р在圖8a中相對(duì)圓心(rx，ry)的極角與極徑。
圖8 直角坐標(biāo)系轉(zhuǎn)極坐標(biāo)系
Fig.8 Conversion from Cartesian coordinate system to polar coordinate system
為避免變換后的矩形圖像長(zhǎng)寬比過(guò)大并提高圖像處理速度，指定變換后的矩形長(zhǎng)為L，寬為H，設(shè)定極角比例因子μθ為2π/L，極徑比例因子μl為(R-r)/H。對(duì)于直角坐標(biāo)系Р點(diǎn)到極坐標(biāo)系P'點(diǎn)的轉(zhuǎn)換，數(shù)學(xué)對(duì)應(yīng)關(guān)系為
得到Р點(diǎn)與P'點(diǎn)的對(duì)應(yīng)坐標(biāo)后，便可以將P'點(diǎn)的灰度值設(shè)置為Р點(diǎn)最鄰近插值，其關(guān)系式為
式中：f'(u，v)為矩形P'點(diǎn)的像素值；f(x，y)為原圖中Р點(diǎn)的最鄰近插值。
圓環(huán)拉伸成矩形的轉(zhuǎn)換效果如圖9所示，將圓環(huán)拉伸成矩形后，對(duì)矩形圖的缺陷進(jìn)行提取。
圖9 坐標(biāo)系轉(zhuǎn)換效果圖
Fig.9 Coordinate system conversion effect diagram
在矩形圖中利用圖像分割提取缺陷后，為便于判定，需要將缺陷轉(zhuǎn)換到圓環(huán)中，極坐標(biāo)系轉(zhuǎn)換為直角坐標(biāo)系的對(duì)應(yīng)關(guān)系為
同理，得到P點(diǎn)與P'點(diǎn)的對(duì)應(yīng)坐標(biāo)后，便可以將Р點(diǎn)的灰度值設(shè)置為P'點(diǎn)灰度值，即
由于轉(zhuǎn)成極坐標(biāo)系時(shí)會(huì)造成部分像素點(diǎn)丟失，在重新轉(zhuǎn)換為直角坐標(biāo)系時(shí)不一定會(huì)有對(duì)應(yīng)的像素點(diǎn)，而如果直接選取與坐標(biāo)值距離最近的像素點(diǎn)進(jìn)行轉(zhuǎn)換可能會(huì)造成失真，因此，在尋找P'點(diǎn)像素值時(shí)需要運(yùn)用雙線性插值進(jìn)行轉(zhuǎn)換。
雙線性插值是在水平方向與垂直方向運(yùn)用2次線性插值的方法。如圖10所示，P'點(diǎn)為轉(zhuǎn)換后的未知點(diǎn)，其坐標(biāo)(u，v)不一定為整數(shù)值，距其最近的4個(gè)整數(shù)點(diǎn)為Q11(u1，v1)，Q12(u1，v2)，Q21( u2，v1 )，Q22(u2，v2)。首先，在v軸方向根據(jù)P'點(diǎn)的v軸坐標(biāo)值進(jìn)行插值，在Q11，Q12中插人R1點(diǎn)，在Q2l，Q22中插入R2點(diǎn)；然后，根據(jù)P'點(diǎn)的u軸坐標(biāo)值與插入的R1點(diǎn)、R2點(diǎn)在u軸方向插入P'點(diǎn)。P'點(diǎn)像素值的計(jì)算公式為
式中：f'(x)為x點(diǎn)的像素值。
圖10 雙線性插值原理圖
Fig.10 Bilinear interpolation principle diagram
通過(guò)雙線性插值將拉伸后的矩形(圖9b)重新轉(zhuǎn)換為圓環(huán)的效果如圖11所示。
圖11 雙線性插值轉(zhuǎn)換效果圖
Fig.11 Bilinear interpolation conversion effect diagram
2.2.2 圖像分割
圖像分割是指利用圖像中的灰度、紋理、空間等特征，將圖像細(xì)分為子區(qū)域并突出這些子區(qū)域?qū)ψ陨淼南嗨菩约皩?duì)其他子區(qū)域的不連續(xù)性，最終提取出感興趣的區(qū)域。圖像分割的效果直接決定了后續(xù)特征分析的難度與檢測(cè)系統(tǒng)的質(zhì)量。因此，需要針對(duì)檢測(cè)目標(biāo)找到最合適的分割方法。
經(jīng)過(guò)大量試驗(yàn)對(duì)比，選擇Sauvola局部二值化算法12進(jìn)行圖像分割。計(jì)算以點(diǎn)(x，y)為中心的窗口模板內(nèi)的灰度均值m(x，y)與標(biāo)準(zhǔn)方差σ(x，y) ，則點(diǎn)(x，y)的閾值T(x，y)為
式中：R為標(biāo)準(zhǔn)方差的動(dòng)態(tài)范圍，本文檢測(cè)對(duì)象為八位灰度圖，故R取128；k為調(diào)整系數(shù)，Sauvola算法的優(yōu)點(diǎn)在于k的微小變化不會(huì)顯著影響二值化的結(jié)果。
利用Sauvola局部二值化算法對(duì)車廢、磨傷、無(wú)缺陷但光照不均這3種情況進(jìn)行分割試驗(yàn)，調(diào)整系數(shù)k取0.08，分割效果如圖12所示。
圖12 Sauvola算法的分割效果
Fig.12 Segmentation effect by Sauvola algorithm
2.2.3 基于多特征的外觀缺陷識(shí)別
在完成缺陷分割后，由于生產(chǎn)狀況、光照不均等外部因素的影響，有可能存在噪聲區(qū)域或偽缺陷區(qū)域，需要對(duì)分割后的圖像進(jìn)行圖像特征統(tǒng)計(jì)與分析，根據(jù)分析結(jié)果進(jìn)行缺陷判別。
如圖12a所示，車廢缺陷區(qū)域與端面正常區(qū)域相比，其灰度值較低且一般沿著圓周方向分布于端面上。因此，選取區(qū)域面積S、區(qū)域輪廓長(zhǎng)度L、最小外接矩形主軸至圓心距離D作為車廢缺陷的判別特征。判別示意圖如圖13所示。
提取出缺陷區(qū)域后可以計(jì)算出該缺陷的最小外接矩形與該外接矩形的主軸直線公式，Ax+By+C=0于是小圓圓心(x0，y0)至主軸直線的距離D為
圖13 缺陷最小外接矩形主軸至圓心距離計(jì)算示意圖
Fig.13 Calculation diagram of distance from main axis of minimum circumscribed rectangle to center of defect
提取出缺陷后，計(jì)算該缺陷的區(qū)域面積S與區(qū)域輪廓長(zhǎng)度L，如果缺陷面積與輪廓長(zhǎng)度皆未超過(guò)設(shè)定閾值，則視為無(wú)此類型缺陷轉(zhuǎn)而進(jìn)行下一缺陷的識(shí)別；否則進(jìn)一步計(jì)算最小外接矩形主軸至小圓圓心的距離，由于車廢細(xì)化后呈圓弧形，故圓心至主軸的距離會(huì)大于小圓半徑，所以將小圓半徑設(shè)為距離閾值TD，若距離D超過(guò)閾值TD，則將此套圈判定為車廢缺陷。
如圖12b所示，磨傷缺陷均分布在端面邊緣靠近大圓處，形狀近似月牙形,且灰度值比端面正常區(qū)域低，因此同樣需要對(duì)磨傷缺陷進(jìn)行特征分析。由于磨傷缺陷邊緣靠近圓心一側(cè)近似于一條直線，可以用Hough線變換將這條直線擬合出來(lái)。如圖14所示，直線在極坐標(biāo)系中的表達(dá)式為
圖14 直線在直角坐標(biāo)系與極坐標(biāo)系中的表示
Fig.14 Representation of straight lines in Cartesian coordinate system and polar coordinate system
對(duì)于(14)式，可以理解為過(guò)點(diǎn)(x0，y0)的直線集有以下表達(dá)式
則在極坐標(biāo)系的極徑、極角平面中，由(15)式所得曲線中的任一點(diǎn)都表示一條過(guò)點(diǎn)(x0，y0)的直線。
將圖像中所有的點(diǎn)(xi，yi)代入(14)式中，如圖15所示，如果多個(gè)不同的點(diǎn)在極坐標(biāo)系中得到的曲線相交，便意味著這些點(diǎn)可以連成一條直線。如果同時(shí)相交的數(shù)量超過(guò)了設(shè)定的閾值，則對(duì)該直線進(jìn)行擬合。
圖15 極徑極角平面中多條曲線相交
Fig.15 Intersection of multiple curves in polar radius and polar angle plane
找出磨傷缺陷邊緣的直線后，計(jì)算缺陷區(qū)域與正常區(qū)域的灰度差進(jìn)行判別，判別示意圖如圖16所示。利用Sauvola算法分割出磨傷缺陷后，在缺陷邊緣靠近圓心一側(cè)利用Hough線變換擬合出直線L1，再將直線向靠近圓心方向平移一定距離(本文取8個(gè)像素)得到直線L2，在原圖像端面上提取直線L1遠(yuǎn)離圓心一側(cè)的區(qū)域S1，以及直線L1與L2之間的區(qū)域S2，計(jì)算2塊區(qū)域灰度值均值的差值，差值超過(guò)設(shè)定闕值即可判定為磨傷缺陷。
圖16 磨傷缺陷判別示意圖
Fig.16 Discrimination diagram of wear defects
3、試驗(yàn)結(jié)果及分析
為驗(yàn)證端面缺陷檢測(cè)算法的可靠性，在如圖17所示的檢測(cè)線上對(duì)軸承套圈端面進(jìn)行缺陷檢測(cè)，選取外徑150 mm、內(nèi)徑90 mm 的33118型軸承套圈樣本1 000個(gè)，其中合格品400個(gè)、外形缺陷樣品200個(gè)(含大小邊、磕碰傷)、車廢樣品200個(gè)、磨傷缺陷200個(gè)。
圖17 在線端面檢測(cè)系統(tǒng)
Fig.17 On-line inspection system for end face
在線檢測(cè)的統(tǒng)計(jì)結(jié)果見表1，由表可知：合格套圈出現(xiàn)9個(gè)誤檢，仔細(xì)觀察套圈表面并分析圖像特征發(fā)現(xiàn)套圈外邊緣在磨削過(guò)程中出現(xiàn)了砂輪花，使該部分區(qū)域灰度值偏低且表現(xiàn)相似于磨傷缺陷，故將其誤檢為磨傷缺陷，而砂輪花只影響端面美觀，因此這類誤檢可以接受；車廢套圈與磨傷套圈總共出現(xiàn)5個(gè)漏檢，分析后發(fā)現(xiàn)漏檢原因?yàn)槿毕葺^細(xì)微，即使是肉眼觀察也不易立刻察覺，此類問(wèn)題同樣可以接受；系統(tǒng)整體識(shí)別準(zhǔn)確率達(dá)98.60%，而且對(duì)于外徑小于150 mm套圈的檢測(cè)時(shí)長(zhǎng)小于600 ms，低于端面磨出料時(shí)長(zhǎng)，完全能夠滿足企業(yè)生產(chǎn)節(jié)拍和檢測(cè)要求。
表1 端面缺陷檢測(cè)測(cè)試結(jié)果
Tab.1 Inspection results of end face defects
另外，對(duì)不同型號(hào)的套圈也進(jìn)行了多次檢測(cè)，識(shí)別準(zhǔn)確率較高，誤漏檢率較低，響應(yīng)時(shí)間較短，并能實(shí)時(shí)統(tǒng)計(jì)被檢測(cè)套圈的型號(hào)、數(shù)量、合格率、缺陷種類等數(shù)據(jù)，滿足企業(yè)生產(chǎn)在線檢測(cè)要求，可以替代人工實(shí)現(xiàn)檢測(cè)。
4、結(jié)束語(yǔ)
本文研究并實(shí)現(xiàn)了套圈端面缺陷在線檢測(cè)算法，利用四連通域確定套圈端面區(qū)域，采用最小二乘法擬合套圈輪廓進(jìn)行大小邊和磕碰傷的判別；提出了圖像極坐標(biāo)變換將套圈環(huán)形拉伸為矩形，利用Sauvola算法進(jìn)行圖像局部閾值分割，通過(guò)極坐標(biāo)反變換與二次插值法將缺陷區(qū)域變換回環(huán)形區(qū)域，基于多特征的外觀缺陷判別方法能夠根據(jù)各類缺陷的特點(diǎn)對(duì)圖像特征進(jìn)行比較實(shí)現(xiàn)缺陷判別。試驗(yàn)表明該算法的檢測(cè)準(zhǔn)確率高，能夠有效減少漏檢或誤檢，并且能實(shí)時(shí)統(tǒng)計(jì)缺陷種類等數(shù)據(jù)。
（參考文獻(xiàn)略）
文章發(fā)表于2022年2期《軸承》
軸研所公眾號(hào) 軸承雜志社公眾號(hào)
Copyright ? 2019 洛陽(yáng)軸承研究所有限公司, All Rights Reserved 備案號(hào)：豫ICP備18028303號(hào)-3
豫公網(wǎng)安備 41030502000528號(hào)
營(yíng)銷熱線
0379-64367521
0379-64880626
13693806700
0379-64880057
0379-64881181
當(dāng)前位置：
返回