基于BP神经网络的钢球表面缺陷识别.pdfVIP

圃固四匣团哩

彷寡／毽穰／CAD／CAM／CAE／CAPP

基于BP神经网络的钢球表面缺陷识别

陈涛’，刘献礼一。吉举正。周洪玉

(1．哈尔滨理工大学，哈尔滨150080；2．哈尔滨电机厂，哈尔滨150040)

DiscernmentofSteelBallSurfaceDefectBasedonBPNeuralNetwork

CHENTao，LIUXian-li，JIJu-zheng2,ZHOUHong-yu

(1．HarbinUniversityofScienceandTechnology．Harbin150080mChina；2．HarbinElectricMachineryCo．Ltd，Harbin150040，China)

Abstract：Featureparametersofsteelballsurfaceimageshasbeenacquiredbyusingthegreylevelintergrowthmatrix

BasedonBPneura1network．thediscernmentmethodhaspredictedsteelballsurfacedefeetsmoreaccurately

Experimentresultsshowthatthemethodhasgooddiscernmentperformanee．

Keywords：roilinghearings：surfacedefect：greylevelintergrowthmatrix；BPneuralnetwork

1引言用神经网络进行钢球表面图像缺陷的识别提供准确输

轴承滚动体表面缺陷对轴承的精度、运转性能和使入特征量。

用寿命等都有极为重要的影响作用”一j。钢球表面缺陷的图像纹理特征能够有效的实现图像区域特征地辨识。

分类识别是保证钢球性能的关键，随着各类机电设备对灰度共轭矩阵作为区域纹理特征的一种有效的描述方

轴承质量要求的不断提高，对轴承零部件的表面和内部法，反映了关于图像灰度的方向、相邻间隔、变化幅度等

缺陷标准要求也变得日趋严格|]J。综合信息。文中在对灰度共生矩阵首先进行了归一化处

图1是钢球生产中常见的5种缺陷类型：点子、群理后，选取典型的计算特征量：二阶距、对比度、熵、局部

点、凹坑、划痕和擦伤，相应的图像如图】(a)、】(b)、J(c)、乎稳性和相关度。来描述图像纹理特征，并将其作为钢球

1(d)和1(e)所示。表面缺陷分类识别的特征向量。

(1)二阶距AI∑∑[p(√)](1)

0=O

二阶距是对图像灰度分布均匀性的度量。图像的纹

理特征越粗，其二阶距值也越大。

(2)对比度A=∑∑(i-j)2p(i,j)(2)

i=0J=O

对于钢球表面缺陷的形状特征参数，不仅同一类的对比度反映纹理的清晰程度。纹理的沟纹越深，则对

缺陷图像可能存在较大的差异，而且不同类缺陷图像之比度值越大，进而图像也就越清晰。