为提升汽车齿轮制造中缺陷识别的精度与效率,满足工业对0.5 mm×0.5 mm以上缺陷的高精度检测需求,文章设计了集成面阵与线阵相机的硬件系统,结合YOLOv8s(You Only Look Once version 8 small)模型改进方案,构建了包含图像灰度化、...为提升汽车齿轮制造中缺陷识别的精度与效率,满足工业对0.5 mm×0.5 mm以上缺陷的高精度检测需求,文章设计了集成面阵与线阵相机的硬件系统,结合YOLOv8s(You Only Look Once version 8 small)模型改进方案,构建了包含图像灰度化、混合滤波去噪、Curvelet变换增强、四方向Scharr边缘检测、感兴趣区域(Region of Interest,ROI)提取的全流程检测框架。采用加权平均法优化灰度转换,融合高斯滤波与加权中值滤波实现噪声抑制与细节保留;改进YOLOv8s模型,新增高分辨率小目标检测层并引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)注意力机制,强化微小缺陷特征提取能力。实验过程中,系统以每秒12个齿轮的节拍完成检测,单次检测耗时58.76 ms,在100件样本测试中实现漏检率1%、误检率4%的性能提升,优于传统方法。结果表明,该技术能够解决黑皮齿面与齿底缺陷同质化识别问题,在保证检测精度的同时满足工业产线的实时性要求,为基于机器视觉的变速器齿轮表面缺陷检测提供技术参考。展开更多
文摘为提升汽车齿轮制造中缺陷识别的精度与效率,满足工业对0.5 mm×0.5 mm以上缺陷的高精度检测需求,文章设计了集成面阵与线阵相机的硬件系统,结合YOLOv8s(You Only Look Once version 8 small)模型改进方案,构建了包含图像灰度化、混合滤波去噪、Curvelet变换增强、四方向Scharr边缘检测、感兴趣区域(Region of Interest,ROI)提取的全流程检测框架。采用加权平均法优化灰度转换,融合高斯滤波与加权中值滤波实现噪声抑制与细节保留;改进YOLOv8s模型,新增高分辨率小目标检测层并引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)注意力机制,强化微小缺陷特征提取能力。实验过程中,系统以每秒12个齿轮的节拍完成检测,单次检测耗时58.76 ms,在100件样本测试中实现漏检率1%、误检率4%的性能提升,优于传统方法。结果表明,该技术能够解决黑皮齿面与齿底缺陷同质化识别问题,在保证检测精度的同时满足工业产线的实时性要求,为基于机器视觉的变速器齿轮表面缺陷检测提供技术参考。
