在汽车发电机、 汽油发电机等领域， 电子换向器起整流的作用，使电枢绕组中的电流方向是交变的， 从而来保证电磁转矩方向始终不变， 所以它的质量保障具有重要意义。
但是在其生产的过程中， 由于原材料的受限、环境温湿度的差异以及加工过程中的失误等多方面的原因， 很大可能会导致产品表面出现损坏和缺陷。
电子换向器表面裂缝缺陷、损坏的现象广泛存在于工业界，导致产品不合格，存在安全隐患。
企业难题电子换向器产品共有8个面，检测过程和判断逻辑实现难度大，对算法和软件功能要求比较高。
缺陷检测的难点：
01
产品外表面有杂斑干扰，裂纹长度、宽度不确定，位置分别也有随机性，增加检测难度。
02
工业相机拍摄的图像受光照、光强等条件影响，会导致部分图像特征不清晰，导致图像质量差。
03
换向器缺陷种类多，形态多样，缺陷特征有细微的、线状的和块状，形态复杂。
以上三点严重制约着换向器缺陷检测的准确率、效率、泛化能力。
解决方案就目前而言，电子换向器产品表面缺陷的人工检测方法成本高，效率低而且漏检率高。
换向器缺陷形态多样，传统的机器视觉检测方法对在生产线上对工况变化导致的缺陷模式变化的适应性差，泛化能力不足，且算法开发周期长，所以，电子转换器的表面缺陷检测，反而更适合使用深度学习模型检测方式。
矩视智能的机器视觉低代码开发平台融合了深度学习算法，2D/3D视觉，SaaS工具和aPaaS模块化组件，并针对工业等传统行业的上千种应用场景，相比传统机器视觉检测方法，收敛速度更快， 性能更强， 该方法在有效识别缺陷，保障产品安全具有重要意义。
但对于电子换向器产品表面缺陷来说， 有些可能是很细微的裂缝缺陷， 有些则是较大面积的缺口等， 所以模型要重视对图像中的细节和边缘信息的保留。
首先，将原图像进行像素级的分割， 将每一个像素作为分割网络的训练样本输入， 然后针对损失值进行深度训练学习。
其次，则是决策网络， 对全局图像而不是单纯的局部特征进行考虑， 最终判断原图像是否为缺陷图像。
本次检测项目对电子换向器裂纹进行检测，电子换向器共有8个面.
每个面都涉及对其缺陷进行检测，产品由运动控制机构控制并转动8个角度，相机对每转动的一个角度，进行拍摄并检测.
检测的8个面，有任何一个面有裂纹则判为产品为不良，8个面都无裂纹则为OK。
标注前
标注后
标注前
标注后
本次模型对于电子换向器产品表面缺陷的检测中，客户提供样本数量400个，标注数量14个，大部分产品表面缺陷样本均能被正确的分类，漏检的情况低，检测准确率为99%， 取得了预期之中较好的结果。
E N D
矩视智能机器视觉低代码平台是一个面向机器视觉应用的云端协同开发平台，始终秉承0成本、0代码、0门槛、0硬件的产品理念。
平台以人工智能技术为核心，在机器视觉应用开发环节，为开发者提供图像采集、图像标注、算法开发、算法封装和应用集成的一站式完整工具链。覆盖字符识别、缺陷检测、尺寸测量、目标定位等上百项通用功能，致力于成为全球用户量最多，落地场景最广泛的机器视觉低代码平台。
,
