一種無刷電機衝片篩選方法與流程
2024-04-13 00:16:05
1.本技術涉及圖像處理領域，具體涉及一種無刷電機衝片篩選方法。
背景技術：
2.定子衝片是用於直流無刷電機上的關鍵組成零件，定子衝片能夠充分利用永磁磁場，改善電機啟動性能，又能夠防止電機定子鐵芯中出現槽口效應，定子衝片多為矽鋼材料，衝片包含多個矽鋼槽，毛刺缺陷是矽鋼槽上的一種常見的缺陷，存在毛刺的矽鋼槽會造成鐵芯的磨損、升溫、電流增加、效率降低，影響著無刷電機的質量，因此在定子衝片安裝到無刷電機前應該對其進行嚴格的篩選，篩選出存在毛刺缺陷的矽鋼槽，然後進行針對性的毛刺去除處理，現有技術是通過神經網絡的篩選出存在毛刺缺陷的定子衝片，但是，神經網絡僅僅能對毛刺缺陷進行初步篩選，無法進一步判斷具體哪個矽鋼槽上存在毛刺缺陷，對存在毛刺缺陷的矽鋼槽的檢測精度不高。
技術實現要素：
3.針對神經網絡僅僅能對毛刺缺陷進行初步篩選，無法進一步判斷具體哪個矽鋼槽上存在毛刺缺陷，對存在毛刺缺陷的矽鋼槽的檢測精度不高的問題，本方面提供一種無刷電機衝片篩選方法：獲取待檢測無刷電機衝片中的具有毛刺缺陷的無刷電機衝片灰度圖；提取無刷電機衝片灰度圖中的所有矽鋼槽，根據每個矽鋼槽中每個像素點之間的灰度值差和歐式距離得到每個矽鋼槽的灰度差異；根據每個矽鋼槽與相鄰矽鋼槽中相同位置的像素點之間的歐式距離得到每個矽鋼槽的槽間距離均衡度；根據每個矽鋼槽的面積、周長得到每個矽鋼槽的形狀特徵；將每個矽鋼槽的灰度差異、槽間距離均衡度、形狀特徵作為該矽鋼槽的特徵值，構建每個無刷電機衝片灰度圖的矽鋼槽特徵值矩陣；利用無刷電機衝片灰度圖的矽鋼槽特徵值矩陣中每種特徵值的信息熵得到每種特徵值的權重；利用每個矽鋼槽的每種特徵值和每種特徵值的權重，計算出聚類度量距離，根據聚類度量距離對矽鋼槽進行聚類分割，並根據每類矽鋼槽的傅立葉描述子的餘弦相似度之和，篩選出存在毛刺缺陷的矽鋼槽。
4.所述根據每個矽鋼槽中每個像素點之間的灰度值差和歐式距離得到每個矽鋼槽的灰度差異的方法為：在每個矽鋼槽中，將每個像素點與其他像素點的灰度值的差值、每個像素點與其他像素點之間的歐式距離相乘，並進行累加，得到的值作為每個矽鋼槽的灰度差異。
5.所述根據每個矽鋼槽與相鄰矽鋼槽中相同位置的像素點之間的歐式距離得到每個矽鋼槽的槽間距離均衡度的方法為：
將每個矽鋼槽區域中的每個像素點，與其左側相鄰矽鋼槽區域中對應位置的像素點作為一對像素點，計算每一對像素點之間的歐式距離，將每一對像素點之間的歐式距離的均值作為第一槽間距離；將每個矽鋼槽區域中的每個像素點，與其右側相鄰矽鋼槽區域中對應位置的像素點作為一對像素點，計算每一對像素點之間的歐式距離，將每一對像素點之間的歐式距離的均值作為第二槽間距離；將第一槽間距離和第二槽間距離的乘積作為每個矽鋼槽區域的槽間距離均衡度。
6.所述根據每個矽鋼槽的面積、周長得到每個矽鋼槽的形狀特徵的方法為：將每個矽鋼槽的面積和每個矽鋼槽的周長相除，得到的值作為每個矽鋼槽的形狀特徵。
7.所述每個無刷電機衝片灰度圖的矽鋼槽特徵值矩陣：每一行為一個矽鋼槽，每一列為每個矽鋼槽的每一個特徵值。
8.所述利用無刷電機衝片灰度圖的矽鋼槽特徵值矩陣中每種特徵值的信息熵得到每種特徵值的權重的方法為：公式中，為第q種特徵值的權重，為第q種特徵值的信息熵，為特徵值種類總數。
9.所述篩選出存在毛刺缺陷的矽鋼槽的具體方法為：選取k個缺陷係數f最大的矽鋼槽作為初始聚類中心；獲取選取的每個矽鋼槽的每種特徵值，即每個矽鋼槽的缺陷係數、槽間距離均衡度、形狀特徵；根據每個矽鋼槽的每種特徵值及每種特徵值的權重，得到每個矽鋼槽到初始聚類中心的度量距離；根據每個矽鋼槽到初始聚類中心的度量距離和初始聚類中心進行k-means聚類分割，將矽鋼槽為兩類；利用傅立葉描述子獲取兩類矽鋼槽中每個矽鋼槽的傅立葉描述子，分別計算兩個分類結果中所有矽鋼槽的傅立葉描述子的餘弦相似度之和，將餘弦相似度之和較小的類別作為存在毛刺缺陷的矽鋼槽。
10.所述獲取待檢測無刷電機衝片中的具有毛刺缺陷的無刷電機衝片灰度圖的方法為：採集無刷電機衝片圖像並進行預處理；將預處理後的無刷電機衝片圖像進行歸一化處理，利用labelme軟體對圖片進行標籤的標註，存在缺陷衝片圖像和正常衝片圖像的標籤人為設定分別是0和1，神經網絡結構為senet，損失函數為交叉熵；神經網絡的訓練是將預處理後的無刷電機衝片圖像輸入神經網絡，通過神經網絡的輸出存在毛刺缺陷的無刷電機衝片灰度圖。
11.本發明的有益效果是：
根據每個矽鋼槽區域的像素點之間的灰度值差和像素點之間的歐式距離得到每個矽鋼槽區域的灰度差異，該灰度差異反映了矽鋼槽上的灰度變化情況，變化越劇烈，越可能是缺陷；根據矽鋼槽與相鄰矽鋼槽間距離的變化情況得到槽口距離均衡度，該槽口距離均衡度反映了相鄰矽鋼槽間距的變化情況，均衡度越大，越可能存在毛刺缺陷；根據矽鋼槽的周長和面積計算形狀特徵，反映了矽鋼槽的形狀變化，形狀特徵越小越可能是毛刺缺陷；將灰度差異、距離均衡度和矽鋼槽的形狀特徵作為矽鋼槽的特徵值，根據特徵值對k-means聚類算法進行改進，在存在毛刺缺陷的衝片中篩選出存在毛刺缺陷的矽鋼槽，對存在毛刺缺陷的矽鋼槽進行了準確的篩選，提高了對毛刺缺陷篩選的精度。
附圖說明
12.為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
13.圖1是本發明的一種無刷電機衝片篩選方法的流程示意圖；圖2是本發明的一種無刷電機衝片篩選方法中的矽鋼槽示意圖。
具體實施方式
14.下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
15.本發明的一種無刷電機衝片篩選方法的實施例，如圖1所示，包括：步驟一：獲取待檢測無刷電機衝片中的具有毛刺缺陷的無刷電機衝片灰度圖；該步驟的目的是，利用工業相機採集無刷電機衝片的圖像，並對圖像進行預處理，利用神經網絡預處理後的圖像進行初步篩選。
16.其中，採集無刷電機衝片圖像的方法為：在無刷電機衝片的生產車間內安裝工業ccd相機，由於無刷電機衝片圖像的質量對後續篩選結果有較大影響，圖像質量受到採集環境、光照等因素影響，為了提高衝片圖像的質量，減少採集環境和光照因素的影響，在生產完成的無刷電機衝片上方安裝一個環形的led光源，使得採集圖像上的光照滿足均勻分布，利用工業ccd相機獲取衝片模具生產的無刷電機衝片，獲取圖像為rgb圖像；採集完成後，對圖像進行預處理：為消除環境的幹擾和圖像噪聲，提高後續篩選的準確度，對採集得到的無刷電機衝片圖像進行預處理，本發明中採用雙邊濾波去噪技術，在保留邊緣信息的同時消除噪聲幹擾。
17.其中，利用神經網絡提取出存在毛刺缺陷的無刷電機衝片圖的方法為：利用神經網絡對採集的無刷電機衝片圖像進行缺陷的判斷，將預處理後的圖片進行歸一化處理，目的是為了方便模型訓練，藉助labelme軟體對圖片進行標籤的標註，存在
缺陷衝片圖像和正常衝片圖像的標籤人為設定分別是0和1，神經網絡結構為senet，損失函數為交叉熵，神經網絡的訓練是將預處理後的圖片輸入神經網絡，通過神經網絡的輸出判斷哪個無刷電機衝片是存在毛刺缺陷的，可提取出具有毛刺缺陷的無刷電機衝片灰度圖；需要說明的是，目前國內外電機衝片主要是由0.5毫米或者0.35毫米的矽鋼片製作而成，篩選的目的是為了分區質量好的衝片和質量差的衝片，從無刷電機衝片的生產過程來看，在無刷電機衝片的衝頭邊緣和模具邊緣處的刃口由於長期磨損的緣故，會產生較差的分料效果，導致衝片上的槽口處的截面是不規則的，其次電機衝片模具之間的間隙因太大或太小導致的不均勻都會導致矽鋼片被深拉，衝裁位置的斜度增加，使得矽鋼片上容易產生細長的毛刺。除此之外，無刷電機衝片的存放一般通過堆疊的方式，這種方式很容易在擺放移動過程中造成衝片之間的磨損，如果安裝了質量差的衝片到無刷電機內部，那麼無刷電機在運行時對弧形鍵槽會造成更大的衝擊力和磨損，這些因素都會影響到高溫吹風機的正常使用。
18.因此在將無刷電機衝片安裝到無刷電機內部之前，本發明首先對大量生產的無刷電機衝片進行初步的篩選，初步篩選的目的是將存在毛刺缺陷的衝片與正常的衝片區分開，提取出存在毛刺缺陷的無刷電機衝片。
19.步驟二：提取無刷電機衝片灰度圖中的所有矽鋼槽，根據每個矽鋼槽中每個像素點之間的灰度值差和歐式距離得到每個矽鋼槽的灰度差異；根據每個矽鋼槽與相鄰矽鋼槽中相同位置的像素點之間的歐式距離得到每個矽鋼槽的槽間距離均衡度；根據每個矽鋼槽的面積、周長得到每個矽鋼槽的形狀特徵；該步驟的目的是，對於步驟一獲取的存在毛刺缺陷的無刷電機衝片進行圖像特徵分析，分析毛刺缺陷導致不同的矽鋼槽區域之間的不一致性，包括距離變化，圖像特徵，形狀特徵，分析不同的矽鋼槽區域之間的不一致性，得到用於表徵每個矽鋼槽區域的不同的特徵值，根據特徵值構建矩陣進行後續分析。
20.本步驟根據衝片的矽鋼槽數量將衝片圖分割為多個角度相等的扇形區域，並且每個扇形區域中只存在一個矽鋼槽，如圖2所示，分了12個扇形區域；將存在缺陷的衝片圖片進行灰度化處理，得到衝片灰度圖，利用衝片灰度圖提取無刷電機衝片圖像上述三個特徵值，將衝片灰度圖等角度分割，獲取每個矽鋼槽區域，此處的等角度分割是指根據無刷電機衝片中的矽鋼槽數量將整個圓形衝片灰度圖分割，以圖2中為例，共有12個矽鋼槽，那麼就以30
°
為範圍將衝片灰度圖分割，每個區域中只存在一個矽鋼槽，再以一個參考值取兩個徑向長度的半徑，如圖2所示，圖中r是圓形衝片區域的半徑，l是正常無缺陷矽鋼槽的長度，兩個徑向半徑的分別是和，黑色的區域為矽鋼槽。
21.其中，根據每個矽鋼槽中每個像素點之間的灰度值差和歐式距離得到每個矽鋼槽的灰度差異的方法為：在每個矽鋼槽中，將每個像素點與其他像素點的灰度值的差值、每個像素點與其他像素點之間的歐式距離相乘，並進行累加，得到的值作為每個矽鋼槽的灰度差異，計算方法為：將灰度差異f作為圖像特徵，計算衝片中任意一個矽鋼槽的灰度差異f:
式中，是矽鋼槽上像素點i的灰度值，是像素點g的灰度值，是像素點i，g之間的歐式距離，n是矽鋼槽上像素點的數量；灰度差異f反映了每個矽鋼槽內像素點的灰度變化大小以及像素點的位置分布，缺陷係數f越大，說明矽鋼槽上的灰度變化越劇烈，越有可能是缺陷區域。
22.需要說明的是，計算灰度差異f的原因是，面積最小的圓與正常矽鋼槽的頂點是相切的，也就是說如果某個矽鋼槽邊緣沒有與圓2相切，那麼此矽鋼槽上必定存在缺陷，但是滿足相切前提的矽鋼槽不一定是正常無缺陷的，需要提取圖像特徵進行進一步的判斷，在每個小區域內，由於缺陷的存在以及缺陷的種類不固定，矽鋼槽的像素點和背景像素點之間存在不同的差異；其中，根據每個矽鋼槽與相鄰矽鋼槽中相同位置的像素點之間的歐式距離得到每個矽鋼槽的槽間距離均衡度的方法為：（1）將每個矽鋼槽中的每個像素點，與其左側相鄰矽鋼槽中對應位置的像素點作為一對像素點，計算每一對像素點之間的歐式距離，將每一對像素點之間的歐式距離的均值作為第一槽間距離；公式中，為第一槽間距離，為像素點對的總數，為第m對像素點，為每個矽鋼槽與左側相鄰矽鋼槽之間第m對像素點之間的歐式距離，為每個矽鋼槽與左側相鄰矽鋼槽中每一對像素點之間的歐式距離的均值，即的均值；（2）將每個矽鋼槽中的每個像素點，與其右側相鄰矽鋼槽中對應位置的像素點作為一對像素點，計算每一對像素點之間的歐式距離，將每一對像素點之間的歐式距離的均值作為第二槽間距離；公式中，為第二槽間距離，為像素點對的總數，第m對像素點，為每個矽鋼槽與右側相鄰矽鋼槽之間第m對像素點之間的歐式距離，為每個矽鋼槽與右側相鄰矽鋼槽中每一對像素點之間的歐式距離的均值，即的均值；（3）將第一槽間距離和第二槽間距離的乘積作為每個矽鋼槽的槽間距離均衡度：公式中，d為槽口距離均衡度，槽口距離均衡度反映了相鄰矽鋼槽之間槽間距離的變化情況，槽口距離均衡度d的值越大，對應的矽鋼槽越有可能存在毛刺缺陷；
存在毛刺缺陷的矽鋼槽的邊緣是不規則的邊緣，假設某一矽鋼槽右邊出現毛刺缺陷，此矽鋼槽到右側相鄰矽鋼槽之間歐式距離也是不均勻的，就是一個較大的值。而相鄰的如果是沒有毛刺缺陷的矽鋼槽，兩個矽鋼槽邊緣之間的歐式距離是均勻變化的，那麼差值就會較小，相應的，就是一個很小的值；需要說明的是，計算槽口距離均衡度是，利用canny邊緣檢測技術獲取每個矽鋼槽的邊緣圖像，在本發明中矽鋼槽槽間距離通過每個槽與左右相鄰的兩個槽之間的歐式距離近似表徵，如果是無缺陷的無刷電機衝片，那麼矽鋼槽之間各位置的槽間距離是固定不變的，而毛刺缺陷在衝片灰度圖中表現出矽鋼槽的邊緣向外不規則變化，槽間距離也會隨之變化，計算衝片灰度圖中任意一個矽鋼槽對應的槽間距離均衡度。
23.其中，根據每個矽鋼槽的面積、周長得到每個矽鋼槽的形狀特徵的方法為：為了更精準的區分存在毛刺缺陷的矽鋼槽，需要進一步的根據邊緣檢測結果計算形狀特徵s，出現毛刺缺陷的矽鋼槽的邊緣呈現階段性的劇烈變化，而其餘區域的矽鋼槽邊緣變化的特點是較為分散的，因此本發明計算矽鋼槽的形狀特徵s,計算方法為：式中，是每個矽鋼槽的面積，是矽鋼槽的周長，形狀特徵s表徵了每個矽鋼槽的形狀變化，形狀特徵s的值越小，對應的矽鋼槽越有可能是毛刺缺陷。
24.步驟三：將每個矽鋼槽的灰度差異、槽間距離均衡度、形狀特徵作為該矽鋼槽的特徵值，構建每個無刷電機衝片灰度圖的矽鋼槽特徵值矩陣；利用無刷電機衝片灰度圖的矽鋼槽特徵值矩陣中每種特徵值的信息熵得到每種特徵值的權重；該步驟的目的是，將每個矽鋼槽區域的缺陷係數、槽間距離均衡度、形狀特徵作為三個特徵值構建矩陣，並根據每個特徵值的熵計算每個特徵值的權重。
25.其中，將每個矽鋼槽的灰度差異、槽間距離均衡度、形狀特徵作為該矽鋼槽的三種特徵值，構建每個無刷電機衝片灰度圖的矽鋼槽特徵值矩陣的方法為：本發明利用衝片的槽間距離均衡度d，缺陷係數f，形狀特徵s構建無刷電機衝片狀態矩陣j,按照上述步驟獲取每張存在缺陷的無刷電機衝片灰度圖中每個矽鋼槽對應的三個特徵值，將三個特徵值作為矩陣中的元素（參數值）：其中，是指第i個矽鋼槽的第j個特徵值，矩陣中每一行代表一個矽鋼槽，每一列代表每個矽鋼槽的一個特徵值，特徵值總數為3，因此m=3，n表示第n個矽鋼槽；需要說明的是，該矩陣每一行為一個矽鋼槽，每一列為每個矽鋼槽的每一個特徵值；為了方便後續的計算，對每個參數按照下述公式進行歸一化處理，得到無刷電機衝片對應的歸一化特徵矩陣：
公式中，為矩陣中的最小元素，為矩陣中的最大元素，利用該公式將矩陣中的每個元素進行歸一化處理；其中，利用無刷電機衝片灰度圖的矽鋼槽特徵值矩陣中每種特徵值的信息熵得到每種特徵值的權重的方法為：在得到無刷電機衝片對應的歸一化特徵矩陣後，利用信息熵獲取每個缺陷特徵的權重大小，計算第q個特徵值的權重：式中，是特徵矩陣中的第p行第q列的參數值，對應的是第p個矽鋼槽的第q個特徵值，是第q個特徵值的熵，是第q個特徵值的權重，，的計算方法為：公式中，反映了第q個特徵值的信息量，的值越大，說明此特徵的信息量就越大，不確定程度就越高，用來判斷矽鋼槽存在毛刺缺陷的有用程度就越低，特徵q就越不重要，。
26.反映了特徵q的重要程度，越小，說明特徵q越不重要，在聚類過程中的應該賦予較小的權重。
27.步驟四：利用每個矽鋼槽的每種特徵值和每種特徵值的權重，計算出聚類度量距離，根據聚類度量距離對矽鋼槽進行聚類分割，並根據每類矽鋼槽的傅立葉描述子的餘弦相似度之和，篩選出存在毛刺缺陷的矽鋼槽。
28.該步驟的目的是，利用k-means聚類算法對無刷電機衝片狀態矩陣中的特徵值和權重，進行聚類分割，將毛刺缺陷矽鋼槽和正常矽鋼槽區分開。
29.其中，篩選出存在毛刺缺陷的矽鋼槽的具體方法的方法為：（1）隨機選取k個缺陷係數最大f的矽鋼槽作為初始聚類中心：（1）隨機選取k個缺陷係數最大f的矽鋼槽作為初始聚類中心：，是指第k個初始聚類中心的缺陷係數f，是指第k個初始聚類中心的槽間距離均衡度，是指第k個初始聚類中心的形狀特徵，k的經驗值取10。
30.（2）根據上述矽鋼槽的三個特徵值和特徵值的權重計算結果獲取本發明在聚類過程中的度量距離i，計算每個矽鋼槽到第j個聚類中心的度量距離：
式中，是特徵缺陷係數的權值，是第p個矽鋼槽的缺陷係數的值，是第j個聚類中心缺陷係數的值，是特徵槽間距離均衡度的權值，是第p個矽鋼槽的槽間距離均衡度的值，是第j個聚類中心槽間距離均衡度的值，是特徵形狀特徵的權值，是第p個矽鋼槽的形狀特徵的值，是第j個聚類中心形狀特徵的值。
31.本方法是根據初始聚類中心和矽鋼槽的聚類度量i進行k-means的聚類分割，聚類停止條件是每個類不再發生變化，得到存在毛刺缺陷的矽鋼槽和正常矽鋼槽的分類結果，使用k-means聚類算法對特徵矩陣中的參數值進行聚類，聚類的目的是將存在缺陷的無刷電機衝片中存在毛刺缺陷的矽鋼槽篩選出來；需要說明的是，正常矽鋼槽之間幾乎不存在差異，它們的輪廓信息是接近一致的，而存在毛刺缺陷的矽鋼槽由於毛刺缺陷的大小和外形的不一致會導致不同的矽鋼槽的輪廓信息之間存在一定的差異，也就是說k-means聚類得到的兩種分類結果中，屬於正常矽鋼槽的類內差異較小，而對應存在毛刺缺陷矽鋼槽的類內差異較大；（3）本發明對於k-means聚類的結果，利用傅立葉描述子獲取兩類矽鋼槽中每個矽鋼槽的傅立葉描述子，進一步的，分別計算兩種分類結果中傅立葉描述子的差異，傅立葉描述子是一個向量，本發明利用餘弦相似度用於評估兩個向量之間的差異，餘弦相似度越小，兩個傅立葉描述子的差異越大，對應矽鋼槽輪廓信息差異越大，分別計算兩個分類結果中所有傅立葉描述子的餘弦相似度之和，認為餘弦相似度之和較小的類別對應的是存在毛刺缺陷的矽鋼槽。
32.進一步的，根據矽鋼槽的聚類結果進行無刷電機衝片具體的篩選，根據上述步驟，得到存在毛刺缺陷的矽鋼槽結果，根據存在毛刺缺陷的矽鋼槽序號找到對應的無刷電機衝片，並利用最小外接矩形標定矽鋼槽上的毛刺位置，對於所有標定位置後的無刷電機衝片灰度圖，統計每張衝片灰度圖中所有標定位置對應的最小外接矩形之和，利用最大類間方差法獲取統計結果中的分割閾值，對比每個無刷電機衝片灰度圖與閾值的大小，根據對比結果，將大於閾值的衝片藉助機械手拾取到質檢不合格的區域，將小於閾值的無刷電機衝片拾取到二次衝模區域進行後續的去毛刺處理。
33.以上所述僅為本發明的較佳實施例而已，並不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。