基于改进DETR的机器人铆接缺陷检测方法研究

铆接作为铁道车辆结构件的主要连接方式,合格的铆接质量是车辆安全稳定运行的重要保证。针对现有铆接缺陷检测方法存在检测精度低、检测点位少、检测智能化水平不高等问题,提出一种基于改进DETR的机器人铆接缺陷检测方法。首先,搭建铆接缺陷检测系统,依次采集工件尺寸大、铆钉尺寸小工况下的铆接缺陷图像。其次,为了增强DETR模型在小目标中的图像特征提取能力和检测性能,以EfficientNet作为DETR中的主干特征提取网络,并将3-D权重注意力机制SimAM引入EfficientNet网络,从而有效保留图像特征层的镦头形态信息和铆点区域的空间信息。然后,在颈部网络中引入加权双向特征金字塔模块,以EfficientNet网络的输出作为特征融合模块的输入对各尺度特征信息进行聚合,增大不同铆接缺陷的类间差异。最后,利用Smooth L1和DIoU的线性组合改进原模型预测网络的回归损失函数,提高模型的检测精度和收敛速度。结果表明,改进模型表现出较高的检测性能,对于铆接缺陷的平均检测精度mAP为97.12%,检测速度FPS为25.4帧/s,与Faster RCNN、YOLOX等其他主流检测模型相比,在检测精度和检测速度方面均具有较大优势。研究结果能够满足实际工况中大型铆接件的小尺寸铆钉铆接缺陷实时在线检测的需求,为视觉检测技术在铆接工艺中的应用提供一定的参考价值。

基于机器视觉的箱体类金属工件铆接质量检测方法研究

针对箱体类金属工件铆接质量难以检测、检测效率及精度低的问题,通过分析半空心铆钉铆接特点,基于机器视觉技术,提出了一种特征融合与机器学习结合的铆接质量检测方法。首先,为了克服铆钉反光及背景噪声和纹理的影响,提出改进的Retinex图像增强算法和多阈值目标分割算法,得到铆钉及镦头等感兴趣区域;其次,为了准确描述缺陷特征,提取目标区域的几何形状及Zernike矩等12维特征向量;最后,设计了基于ELM分类算法实现缺陷的分类。实验结果表明,该方法能够准确检测出铆接质量缺陷,“合格-缺陷”二分类和缺陷多分类检测正确率分别为95.2%和92%,且满足实时在线检测需求。