基于图像识别的接触器接线缺陷检测

接触器是自动控制系统中的重要元件之一，负责接通和切断电路，起到低电压释放保护作用。考虑到控制系统的复杂性，若存在接线故障的接触器被投入使用，不仅有出现电力事故的风险，也增加了检修难度。因此，接触器生产制造过程中对其接线正确性的检测工作尤为重要。传统的器件表面缺陷检测主要是以人工检验和物理损伤检测为主，检验过程耗时费力，占用大量人力资源。为解决上述问题，本文采用SVM算法建立基于图像识别的接触器接线缺陷检测模型，同时，在检测模型前增加自编码器检测异常图像，提高SVM检测模型的识别率。通过与KNN、决策树等传统模型的检测结果对比，验证了本文检测模型的识别效果达到100%的准确率。为满足实际工程需求，本文将建好的缺陷检测模型部署至树莓派系统，实现工程应用的小型化和便利化。

智能制造是我国制造强国建设的主攻方向，其发展程度直接关乎我国制造业的质量水平[1]。在此背景下，各行业对于机械设备生产自动化、生产效率和质量的要求都有所提高。对于多种系统装备，接触器可以频繁开闭大电流来控制电路，在装备中作为配电开关，广泛应用于较高电压设备的自动控制系统中[2]。在大规模生产中，接触器接线缺陷往往通过人工筛查，并在发现缺陷后再进行分类处理。人工方法工作量大、成本高，同时受人工工作时长影响，筛查时间受限、效率低下、易出现漏检现象。

目前， 机器视觉在表面缺陷检测中的研究逐渐广泛， 可使用机器学习算法对识别得到的特征进行分类， 从而达到视线缺陷检测的目的，如SVM 和各类神经网络模型[3] [4]。与传统金属器件的缺陷检测相比，接触器接线部分图像采集难度不高，对光线要求不严格，色彩明显，图像特征突出，接线缺陷部分形态相对固定且特征明显， 只包含错接漏接两种类型， 非常适合利用机器学习算法采用图像识别技术进行缺陷检测。

本文采用SVM 算法[5]建立基于图像识别的接触器接线缺陷检测模型，对接触器两种主要接线缺陷漏接和错接进行检测， 并将该模型的检测结果与基于KNN [6]、决策树[7]和VGG-16 [8] [9]的检测结果进行对比， 验证本文模型的检测效率。

为降低图像目标检测受到的样本局限性影响， 进一步提高泛化能力， 利用Imageio 和Imgaug 对原始数据集图像进行扩展和增强，以得到精度更高的模型。同时利用自编码器添加异常状态检测，使得模型能够及时对异常输入做出报警。通过对比多种模型在仿真实验中的检测精度，验证模型鲁棒性。

2. 接触器接线缺陷图像预处理 基于缺陷检测模型的需要，在对在生产线上的接触器架设摄像机后进行图像采集，建立接触器接线状况数据集，含有两种缺陷类型。数据集中包含固定角度拍摄、不同光照变化下的接触器图片。对缺陷检测模型进行训练，使其可以用于实地检测生产中的接触器接线缺陷。

2.1. 原始数据集 本文接触器接线缺陷数据来源于某品牌接触器产线的实拍图像，共收集图像数据161 张。接触器常