Details

Данная магистерская диссертация посвящена исследованию автоматизированной проверки тормозных дисков. Была создана система пакетной проверки дефектов тормозных дисков с использованием технологии машинного зрения. Эта система реализует четыре основные функции: предварительную обработку изображений тормозных дисков, пакетную генерацию обучающих выборок, обучение нейронной сети и пакетную проверку изображений тормозных дисков. Преимущества данного исследования заключаются в высокой скорости, высокой точности и широких возможностях интеграции. Мы разработали и создали полную аппаратную систему машинного зрения, включающую источник света, камеру, объектив и синхронный модуль управления ПЛК. Впоследствии мы разработали и внедрили алгоритмы обработки изображений и CNN для классификации дефектов в интерфейс визуализации. В данном исследовании были реализованы два алгоритма нейронных сетей — бинарная классификация и пятиклассовая классификация — на основе MATLAB. Точность бинарной классификации нейронной сети достигла 99,17%, а точность пятиклассовой классификации — 97,05%, что соответствует требованиям промышленной точности.

This masters thesis is devoted to the study of automated brake disc inspection. A system for batch inspection of brake disc defects was developed using machine vision technology. This system implements four main functions: pre-processing of brake disc images, batch generation of training samples, training of a neural network, and batch inspection of brake disc images. The advantages of this study include high speed, high accuracy, and extensive integration capabilities. We designed and built a complete hardware machine vision system, including a light source, camera, lens, and a synchronous PLC control module. We subsequently developed and implemented image processing algorithms and a CNN for defect classification in the visualization interface. This study utilized two neural network algorithms—binary classification and five-class classification—based on MATLAB. The accuracy of the neural network for binary classification reached 99.17%, while the accuracy of the five-class classification reached 97.05%, meeting industrial precision requirements.