基于深度学习的齿轮表面缺陷检测方法与系统技术方案

本发明专利技术涉及机械部件检测技术领域，具体涉及一种基于深度学习的齿轮表面缺陷检测方法与系统。方法包括：利用第一缺陷分割网络对轮齿感兴趣区域图像进行分析，得到齿轮缺陷信息；其中第一缺陷分割网络训练集标签图像的生成过程包括：对训练集中的轮齿感兴趣区域图像中的原始缺陷区域进行改变，并标记变化像素点；根据改变后的缺陷区域从轮齿感兴趣区域图像中获取第一缺陷图像；对第一缺陷图像中变化像素点对应位置进行滤波；分割出滤波后的第一缺陷图像的缺陷区域，并与第一缺陷分割图像进行对比，确定像素的置信度变化值；根据像素的置信度变化值生成第一缺陷分割网络的标签图像。本发明专利技术提高了齿轮表面缺陷检测精度。本发明专利技术提高了齿轮表面缺陷检测精度。本发明专利技术提高了齿轮表面缺陷检测精度。

【技术实现步骤摘要】
基于深度学习的齿轮表面缺陷检测方法与系统


[0001]本专利技术涉及人工智能、机械部件检测
，具体涉及一种基于深度学习的齿轮表面缺陷检测方法与系统。

技术介绍

[0002]齿轮是非常重要的机械部件，直接影响机器的使用寿命，关系着安全生产。现有的齿轮表面缺陷技术通常通过机器视觉方式进行齿轮表面缺陷进行检测；而实际场景中机器视觉可能具有较好的泛化能力，但往往存在精度不足的问题，难以应用于高精度的缺陷检测任务中。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提供一种基于深度学习的齿轮表面缺陷检测方法，方法包括：
[0004]利用第一缺陷分割网络对轮齿感兴趣区域图像进行分析，得到齿轮缺陷信息；其中第一缺陷分割网络训练集标签图像的生成过程包括：
[0005]对训练集中的轮齿感兴趣区域图像进行缺陷分割，得到第一缺陷分割图像；
[0006]改变第一缺陷分割图像中的原始缺陷区域得到第一缺陷区域，并标记变化像素点；
[0007]根据第一缺陷区域从轮齿感兴趣区域图像中获取第一缺陷图像；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的齿轮表面缺陷检测方法，其特征在于，所述方法包括：利用第一缺陷分割网络对轮齿感兴趣区域图像进行分析，得到齿轮缺陷信息；其中第一缺陷分割网络训练集标签图像的生成过程包括：对训练集中的轮齿感兴趣区域图像进行缺陷分割，得到第一缺陷分割图像；改变第一缺陷分割图像中的原始缺陷区域得到第一缺陷区域，并标记变化像素点；根据第一缺陷区域从轮齿感兴趣区域图像中获取第一缺陷图像；对第一缺陷图像中变化像素点对应位置进行滤波，得到第二缺陷图像；对第二缺陷图像进行缺陷分割，得到第二缺陷分割图像；对比第一缺陷分割图像与第二缺陷分割图像相同位置像素的类别，确定像素的置信度变化值；根据像素的置信度变化值对像素的初始置信度进行修正，生成第一缺陷分割网络的标签图像。2.如权利要求1所述的方法，其特征在于，所述对训练数据集中的轮齿感兴趣区域图像进行缺陷分割包括：采用第二缺陷分割网络对训练集中的轮齿感兴趣区域图像进行缺陷分割。3.如权利要求1所述的方法，其特征在于，所述滤波具体为均值滤波操作。4.如权利要求1所述的方法，其特征在于，所述根据像素的置信度变化值对像素的初始置信度进行修正，生成第一缺陷分割网络的标签图像包括：根据像素的置信度变化值对像素的初始置信度进行修正，得到置信度图；对置信度图进行阈值化处理，得到第一缺陷分割网络的标签图像。5.如权利要求1所述的方法，其特征在于，所述改变第一缺陷分割图像中的原始缺陷区域包括：对第一缺陷分割图像中的原始缺陷区域进行膨胀操作。6.如权利要求1或5所述的方法，其特征在于，所述改变第一缺陷分割图像中的原始缺陷区域包括：对第一缺陷分割图像中的原始缺陷区域进行腐蚀操作。7.如权利要求1所述的方法，其特征在于，所述对比第一缺陷分割图像与第二缺陷分割图像相同位置像素的类别，确定像素的置信度变化值包括：若第一缺陷分割图像与第二缺陷分割图像在变化像素点对应位置的像素类别相同且为非缺陷类别，则...

【专利技术属性】
技术研发人员：陈小兰，颜小英，
申请(专利权)人：江苏庆慈机械制造有限公司，
类型：发明
国别省市：