动态光照环境下基于轻量网络的磁瓦正反面识别①

王子阳,王江涛,b,*,李飞杨

(淮北师范大学a.物理与电子信息学院；b.信息学院；安徽 淮北 235000)

0 引 言

永磁磁瓦是永磁直流电机的一个关键部件，由于永磁磁瓦可以恒定的生成磁势源，所以主要用于代替电机中的电励磁。并且使用磁瓦来替换电励磁后，可以简化电机的结构，使电机的体积、质量同样可以变小变轻。而且相应的材料消耗也降低了，能耗更小，电机使用起来也更加可靠，维修也比较方便。因此永磁电机在电机领域的比重也越来越大。而在磁瓦的生产过程中，工作人员需要人工的将磁瓦的正反面进行人工的分拣装箱。由于分拣的过程中主要依赖人工，所以工人难免会出现疲劳状况，导致对磁瓦的正反面进行错误的区分。相应的，人工的成本也比较高，效率却相对低下。然而我国电机需求量逐年增大，因此对磁瓦的需求量也逐年升高，所以能够更加高效准确的对磁瓦的正反面进行分类，并对磁瓦进行分拣装箱是很有必要的。因此急需一种能够快速高效的对磁瓦正反面进行分类的方法。

机器视觉具有成本低、速度快、非破坏性等优点[1-2]。目前的图像分类方法主要为两类：传统机器学习图像分类算法和基于卷积神经网络(Convolutional Neural Network,CNN)[3]的深度学习方法。传统的机器学习分类算法,主要是针对特征提取和分类器的设计两个步骤来组合实现图像的分类，常见的算法有支持向量机(Support Vector Machine,SVM)、K近邻算法(K-Nearest Neighbor,KNN)[4]等。这些方法虽然可以实现自动对图像进行分类的功能,但这些特定特征对于不同情况(如光照变化,姿态或者周围物体变化)的图像的适应性较差,因此准确度不能得到保证。……