设备能用于快速检测和挑选类似下图所示的多种规格圆柱形金属连接件，一端有细深孔，孔内有线径0.2mm以下的多根细金属丝呈一定规律排列，孔内径约1.0mm，孔深约5.0mm。能够快速检测孔内金属丝多达10种的缺陷，实现自动上料、分类下料，各种缺陷品的图像可分类存储。检测指标达6δ标准，具有系统自诊断、手动模式、自动模式、分类计数、订单完工自动停机、自动报警停机、开门断电等功能。

细深孔零件示意图

线簧孔接插件示意图

自动挑选设备实物图

1、技术指标

上料方式：振动上料；

有效检测范围：孔径≥0.6mm，孔深≤5.5mm；

检测效率：2.5秒/件；

漏检率：≤3.4ppm（6δ标准，误判为合格品的缺陷品占检测总数的比率）

过检率：≤8%（误判为缺陷品的合格品占检测总数的比率）

2、系统构成

主要由振动上料机构、送料运动机构、细孔图像采集单元、分类下料机构、通信与控制系统、上位机及算法软件组成，系统框图如下所示。

系统框图

软件主要界面如下图所示。

软件界面

3、机器视觉技术识别

基于视觉图像的缺陷检测实质上是一种图像分类。图像分类是计算机视觉、模式识别与机器学习领域中重要的研究方向。在大多数情况下，图像分类的任务是根据图像的内容，在一组类别集合中找到符合图像的类别。具体而言，通常是找到图像一定的特征信息，然后根据这些特征信息区分不同的图像，并将其划分到对应的类别中。近年来，随着机器学习理论研究的不断深入和计算资源的快速增长，深度学习在各种机器学习和模式识别任务中得到了广泛的应用。图像分类是深度学习应用的领域之一，现在，深度神经网络，特别是卷积神经网络，在各种图像分类模型成为了难以缺少的一部分。卷积神经网络是当前在图像分类中应用广泛的一种深度学习模型。

本项目的检测算法采用基于卷积神经网络的深度学习算法，由分割和分类两级网络组成。通过收集和标注大量的合格品及各类缺陷品的图像样本来训练算法模型再用于工件的检测分类。

4、适用范围

此系统或类似系统适用于各类细深孔的孔内缺陷检测和分类。