在汽車發電機、 汽油發電機等領域， 電子換向器起整流的作用，使電樞繞組中的電流方向是交變的， 從而來保證電磁轉矩方向始終不變， 所以它的質量保障具有重要意義。

但是在其生産的過程中， 由于原材料的受限、環境溫濕度的差異以及加工過程中的失誤等多方面的原因， 很大可能會導緻産品表面出現損壞和缺陷。

電子換向器表面裂縫缺陷、損壞的現象廣泛存在于工業界，導緻産品不合格，存在安全隐患。

電子換向器産品共有8個面，檢測過程和判斷邏輯實現難度大，對算法和軟件功能要求比較高。

缺陷檢測的難點：

01

産品外表面有雜斑幹擾，裂紋長度、寬度不确定，位置分别也有随機性，增加檢測難度。

02

工業相機拍攝的圖像受光照、光強等條件影響，會導緻部分圖像特征不清晰，導緻圖像質量差。

03

換向器缺陷種類多，形态多樣，缺陷特征有細微的、線狀的和塊狀，形态複雜。

以上三點嚴重制約着換向器缺陷檢測的準确率、效率、泛化能力。

就目前而言，電子換向器産品表面缺陷的人工檢測方法成本高，效率低而且漏檢率高。

換向器缺陷形态多樣，傳統的機器視覺檢測方法對在生産線上對工況變化導緻的缺陷模式變化的适應性差，泛化能力不足，且算法開發周期長，所以，電子轉換器的表面缺陷檢測，反而更适合使用深度學習模型檢測方式。

矩視智能的機器視覺低代碼開發平台融合了深度學習算法，2D/3D視覺，SaaS工具和aPaaS模塊化組件，并針對工業等傳統行業的上千種應用場景，相比傳統機器視覺檢測方法，收斂速度更快， 性能更強， 該方法在有效識别缺陷，保障産品安全具有重要意義。

但對于電子換向器産品表面缺陷來說， 有些可能是很細微的裂縫缺陷， 有些則是較大面積的缺口等， 所以模型要重視對圖像中的細節和邊緣信息的保留。

首先，将原圖像進行像素級的分割， 将每一個像素作為分割網絡的訓練樣本輸入， 然後針對損失值進行深度訓練學習。

其次，則是決策網絡， 對全局圖像而不是單純的局部特征進行考慮， 最終判斷原圖像是否為缺陷圖像。

本次檢測項目對電子換向器裂紋進行檢測，電子換向器共有8個面.

每個面都涉及對其缺陷進行檢測，産品由運動控制機構控制并轉動8個角度，相機對每轉動的一個角度，進行拍攝并檢測.

檢測的8個面，有任何一個面有裂紋則判為産品為不良，8個面都無裂紋則為OK。

标注前

标注後

标注前

标注後

本次模型對于電子換向器産品表面缺陷的檢測中，客戶提供樣本數量400個，标注數量14個，大部分産品表面缺陷樣本均能被正确的分類，漏檢的情況低，檢測準确率為99%， 取得了預期之中較好的結果。

E N D

矩視智能機器視覺低代碼平台是一個面向機器視覺應用的雲端協同開發平台，始終秉承0成本、0代碼、0門檻、0硬件的産品理念。

平台以人工智能技術為核心，在機器視覺應用開發環節，為開發者提供圖像采集、圖像标注、算法開發、算法封裝和應用集成的一站式完整工具鍊。覆蓋字符識别、缺陷檢測、尺寸測量、目标定位等上百項通用功能，緻力于成為全球用戶量最多，落地場景最廣泛的機器視覺低代碼平台。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!