[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

本發明涉及故障診斷技術領域，具體涉及一種基于深度學習的工件磨損檢測方法及系統，所述方法為：首先獲取樣本工件在各類磨損狀態下的樣本圖像；接著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MaskR?CNN神經網絡進行訓練，生成工件磨損檢測模型；通過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。本發明還相應的提供了基于深度學習的工件磨損檢測系統，本發明能夠實現對工件磨損的自動檢測，提高了工件狀態的檢測效率，節省了人力成本。

技術領域

本發明涉及故障診斷技術領域，具體涉及一種基于深度學習的工件磨損檢測方法及系統。

背景技術

工件狀態監測技術在自動化生產中具有十分重要的意義，基于工件表面圖像的刀具磨損檢測技術是自動化生產中一個極其關鍵的技術，它是降低制造成本，減少環境危害、保證制造系統正常高效運行和產品質量的主要手段之一。刀具磨損狀態監測系統為制造系統現代化、自動化、柔性化奠定了基礎。

為了提高工件狀態的檢測效率，節省了人力成本，急需研究工件表面檢測的方法，實現對工件磨損的自動檢測。

發明內容

為解決上述問題，本發明提供一種基于深度學習的工件磨損檢測方法及系統，能夠實現的齒輪故障的自動診斷。

為了實現上述目的，本發明提供以下技術方案：

一方面，提供一種基于深度學習的工件磨損檢測方法，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。

進一步，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。

進一步，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。

進一步，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。

另一方面，提供一種基于深度學習的工件磨損檢測系統，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；