一种基于Faster-RCNN的轴承滚子瑕疵检测方法技术

一种基于Faster‑RCNN的轴承滚子瑕疵检测方法，包括以下步骤：1)获取数据，通过实验装置设备拍摄轴承滚子照片；2)将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签；3)用训练集训练Faster‑RCNN网络；4)用训练好的Faster‑RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；5)删除原有标签，为训练集中的数据制作15类缺陷标签，预测集中的数据不作处理；6)用新的训练集训练Faster‑RCNN网络；7)用新的Faster‑RCNN模型对预测集的图片进行检测，得到每张图片的检测结果。本发明专利技术构建Faster‑RCNN模型，准确率较高、检测速度较快。

【技术实现步骤摘要】
一种基于Faster-RCNN的轴承滚子瑕疵检测方法
本专利技术涉及深度学习、计算机视觉、目标检测，是一种基于Faster-RCNN的轴承滚子瑕疵检测方法。
技术介绍
轴承作为制造业的核心器件，是我国重点发展的战略性基础产业之一。轴承滚子作为轴承结构中的关键零部件,起着支撑轴和减少轴承转动摩擦的作用，其质量决定了轴承的性能和寿命。轴承滚子在生产制造过程中，由于机械、环境及人为等因素的干扰可能会出现各种表面缺陷，导致其质量下降，从而影响轴承的性能和使用寿命。有缺陷的轴承滚子产品一旦流入市场，不仅对企业声誉造成不良影响，还会存在重大安全隐患。因此,在生产制造环节中检测轴承滚子表面是否存在缺陷就显得十分重要。传统的轴承滚子表面缺陷检测方法是人工检测法，人工检测存在很多不足之处，如人眼的空间与时间分辨率有限，容易产生误检及漏检情况。除此之外，人工检测还会占用较多的人力资源，增加企业的生产成本。基于深度学习的轴承滚子表面缺陷检测方法相比于人工检测，能更精确的检测并识别产品表面缺陷，有效地控制产品表面质量，提高企业生产效率、减少工人劳动强度和降低生本文档来自技高网...

【技术保护点】
1.一种基于Faster-RCNN的轴承滚子瑕疵检测方法，其特征在于，所述方法包括以下步骤：/nS1：获取数据，通过实验装置设备拍摄轴承滚子照片；/nS2：将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签，测试集中的数据不作处理；/nS3：用训练集训练Faster-RCNN网络；/nS4：用训练好的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；/nS5：删除原有标签，为训练集中的数据制作15类缺陷标签，每种标签分别对应一种缺陷类型，预测集中的数据不作处理；/nS6：用新的训练集训练Faster-RCNN网络；/nS7：用新的Faster-RCNN模型对预...

【技术特征摘要】
1.一种基于Faster-RCNN的轴承滚子瑕疵检测方法，其特征在于，所述方法包括以下步骤：
S1：获取数据，通过实验装置设备拍摄轴承滚子照片；
S2：将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签，测试集中的数据不作处理；
S3：用训练集训练Faster-RCNN网络；
S4：用训练好的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；
S5：删除原有标签，为训练集中的数据制作15类缺陷标签，每种标签分别对应一种缺陷类型，预测集中的数据不作处理；
S6：用新的训练集训练Faster-RCNN网络；
S7：用新的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果。


2.如权利要求1中所述的一种基于Faster-RCNN的轴承滚子瑕疵检测方法，其特征在于，所述步骤S1中，实验装备包括由透明材料制得的传送圆盘，传送圆盘的边缘设有4个工位，每个工位均设有一台面阵相机；所述4个工位分别为轴承滚子外圆柱面检测工位、轴承滚子内圆柱面检测工位、轴承滚子上端面检测工位和轴承滚子下端面检测工位。


3.如权利要求1或2所述的一种基于Faster-RCNN的轴承滚子瑕疵检测方法，其特征在于，所述步骤S2中，对于任一工位，挑选1000张图片，按比例分为训练集和预测集，为训练集中的次品照片做标签。


4.如权利要求1或2所述的一种基于Faster-RCNN的轴承滚子瑕疵检测方法，其特征在于，所述步骤S3包括以下步骤：
S3-1：选用Faster-RCNN网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；
S...

【专利技术属性】
技术研发人员：宣琦，陈科，袁琴，张鑫辉，翔云，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33