[發明專利]一種基于深度學習的工件磨損檢測方法及系統

在審

• 申請號: 202010042386.8
• 申請日: 2020-01-15
• 公開（公告）號: CN111260626A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 張彩霞;王向東;胡紹林
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

1.一種基于深度學習的工件磨損檢測方法，其特征在于，包括：

獲取樣本工件在各類磨損狀態下的樣本圖像；

標注所述樣本圖像的表面缺陷類型和缺陷區域，生成樣本工件的圖像特征集；

將所述圖像特征集輸入到Mask R-CNN神經網絡進行訓練，生成工件磨損檢測模型；

將待檢測工件的圖像輸入所述工件磨損檢測模型進行自動檢測，識別待檢測工件的缺陷類型。

2.根據權利要求1所述的一種基于深度學習的工件磨損檢測方法，其特征在于，所述表面缺陷類型包括：磨粒磨損、粘著磨損、表面疲勞磨損、腐蝕磨損和微動磨損。

3.根據權利要求2所述的一種基于深度學習的工件磨損檢測方法，其特征在于，所述標注所述樣本圖像的表面缺陷類型和缺陷區域，生成樣本工件的圖像特征集這一步驟，還包括：

對所述樣本圖像進行尺寸歸一化處理，生成歸一化圖像；

使用雙邊濾波剔除所述歸一化圖像中包含的噪聲；

沿逆時針方向將所述歸一化圖像旋轉90°，并對所述歸一化圖像進行隨機縮放和裁剪，以增強所述圖像特征集的數據。

4.根據權利要求3所述的一種基于深度學習的工件磨損檢測方法，其特征在于，所述將所述圖像特征集輸入到Mask R-CNN神經網絡進行訓練，生成工件磨損檢測模型，包括：

提取所述圖像特征集中的缺陷區域，作為標注框；

將所述圖像特征集輸入MaskR-CNN神經網絡進行訓練，得到表面缺陷的結果框；

采用多任務損失函數計算所述結果框和所述標注框的偏差，所述多任務損失函數包括分類損失函數和回歸損失函數，當所述偏差低于設定閾值時，則完成對MaskR-CNN神經網絡的訓練；

將完成訓練后的Mask R-CNN神經網絡作為工件磨損檢測模型。

5.一種基于深度學習的工件磨損檢測系統，其特征在于，包括：

樣本圖像獲取模塊，用于獲取樣本工件在各類磨損狀態下的樣本圖像；

特征集生成模塊，用于標注所述樣本圖像的表面缺陷類型和缺陷區域，生成樣本工件的圖像特征集；

模型訓練模塊，用于將所述圖像特征集輸入到Mask R-CNN神經網絡進行訓練，生成工件磨損檢測模型；

缺陷檢測模塊，用于將待檢測工件的圖像輸入所述工件磨損檢測模型進行自動檢測，識別待檢測工件的缺陷類型。

6.根據權利要求5所述的一種基于深度學習的工件磨損檢測系統，其特征在于，所述表面缺陷類型包括：磨粒磨損、粘著磨損、表面疲勞磨損、腐蝕磨損和微動磨損。

7.根據權利要求6所述的一種基于深度學習的工件磨損檢測系統，其特征在于，所述特征集生成模塊還用于：

對所述樣本圖像進行尺寸歸一化處理，生成歸一化圖像；

使用雙邊濾波剔除所述歸一化圖像中包含的噪聲；

沿逆時針方向將所述歸一化圖像旋轉90°，并對所述歸一化圖像進行隨機縮放和裁剪，以增強所述圖像特征集的數據。

8.根據權利要求7所述的一種基于深度學習的工件磨損檢測系統，其特征在于，所述模型訓練模塊還用于：

提取所述圖像特征集中的缺陷區域，作為標注框；

將所述圖像特征集輸入Mask R-CNN神經網絡進行訓練，得到表面缺陷的結果框；

采用多任務損失函數計算所述結果框和所述標注框的偏差，所述多任務損失函數包括分類損失函數和回歸損失函數，當所述偏差低于設定閾值時，則完成對Mask R-CNN神經網絡的訓練；

將完成訓練后的Mask R-CNN神經網絡作為工件磨損檢測模型。