一种轴承滚子表面缺陷结构光视觉检测方法及系统技术方案

本发明专利技术涉及轴承缺陷检测技术领域，特别涉及一种轴承滚子表面缺陷结构光视觉检测方法及系统，方法包括以下步骤：获取待检测轴承滚子的表面图像；将表面图像输入yolov4改进backbone训练模型的最终模型中进行检测；输出对轴承滚子表面缺陷的检测结果。通过上述步骤将待检测的轴承滚子的表面图像输入最终训练模型进行检测，并将检测结果输出来，通过训练模型的提升进而提高了检测有缺陷的轴承滚子的效率，解决了检测轴承滚子效率不高的问题。解决了检测轴承滚子效率不高的问题。解决了检测轴承滚子效率不高的问题。

【技术实现步骤摘要】
一种轴承滚子表面缺陷结构光视觉检测方法及系统


[0001]本专利技术涉及轴承缺陷检测
，特别涉及一种轴承滚子表面缺陷结构光视觉检测方法及系统。

技术介绍

[0002]滚子作为滚动轴承中主要的承压部件，表面如果存在缺陷，其使用性能与使用寿命都将大打折扣，因此对滚子几何精度及表面粗糙度的要求往往比对其他部件的更高。
[0003]现有的轴承滚子表面质量检测方法中，以人工检查为代表的传统检测方法由于检测效率低、人工成本过高等原因，已经不能满足现代工业的需求，基于传统的机器视觉算法，识别率不高，通常不能及时准确地判断出表面瑕疵。而基于深度学习的表面缺陷检测方法相比较之前的检测方法虽有明显的优势，其有one－stage和two－stage两种方式，但都有其各自的优缺点，但在同时要求效率和精度的轴承滚子缺陷检测方面还是差强人意。此外，对数据的要求也是非常严格的因此需要花费大量的人力物力，存在检测轴承滚子缺陷效率不高的问题。

技术实现思路

[0004]为解决现有检测轴承滚子缺陷效率不高的问题，本专利技术提供了一种轴承滚子表面缺陷结构光视觉检测方法及系统。
[0005]本专利技术解决技术问题的方案是提供一种轴承滚子表面缺陷结构光视觉检测方法，包括以下步骤：
[0006]获取待检测轴承滚子的表面图像；
[0007]将所述表面图像输入yolov4改进backbone训练模型的最终模型中进行检测；
[0008]输出对轴承滚子表面缺陷的检测结果。
[0009]优选地，所述最终训练模型通过如下步骤获得：
[0010]根据轴承滚子的现有缺陷图像获得对应的缺陷特性；
[0011]根据缺陷特性进行数据增强来扩充数据得到数据集；
[0012]将数据集以有监督对比学习的方式输入yolov4的改进backbone进行训练获取。
[0013]优选地，缺陷特性包括划痕、腐蚀、斑块以及开裂中的一种或多种。
[0014]优选地，根据缺陷特性进行数据增强来扩充数据得到数据集之后包括以下步骤：
[0015]数据集按照预定比例分成训练集和测试集；
[0016]所述训练集用于训练模型，所述测试集用于验证训练模型。
[0017]优选地，数据增强方式为翻转、剪裁、旋转或改变图像亮度中的一种。
[0018]优选地，将数据集以有监督对比学习的方式输入yolov4的改进backbone进行训练获取最终训练模型的步骤中公式为：
[0019][0020]其中，d代表两个样本的欧氏距离，y代表两个样本是否是同类，y＝1表示同类，y＝0表示不同，margin为设定的阈值。
[0021]优选地，将数据集以有监督对比学习的方式输入yolov4的改进backbone进行训练获取最终训练模型之后包括以下步骤：
[0022]输出一个预设的尺度图与yolo
‑
head进行结合。
[0023]优选地，额外输出一个预设的尺度图结合到后续的yolo
‑
head包括以下具体步骤：
[0024]将输出预设的尺度图经过concat算法操作后进行多次卷积操作。
[0025]优选地，所述多次卷积操作中结合ACNet算法；
[0026]利用Densenet算法思想将预设的尺度的特征同时加入到其他尺度进行拼接。
[0027]本专利技术为解决上述技术问题还提供一种轴承滚子表面缺陷结构光视觉检测系统，包括以下模块：
[0028]图像采集模块：获取待检测轴承滚子的表面图像；
[0029]检测模块：将表面图像输入yolov4改进backbone训练模型的最终模型中进行检测；
[0030]输出模块：输出对轴承滚子表面缺陷的检测结果。
[0031]与现有技术相比，本专利技术的一种轴承滚子表面缺陷结构光视觉检测方法及系统具有以下优点：
[0032]1、本专利技术的方法中，先是获取待检测轴承滚子的表面图像；并将表面图像输入yolov4改进backbone训练模型的最终模型中进行检测；最后输出对轴承滚子表面缺陷的检测结果，通过上述步骤将待检测的轴承滚子的表面图像输入最终训练模型进行检测，并将检测结果输出来，通过训练模型的提升进而提高了检测有缺陷的轴承滚子的效率，解决了检测轴承滚子效率不高的问题。
[0033]2、本专利技术的方法中训练模型的获得是根据轴承滚子的现有缺陷图像获得对应的缺陷特性；其次根据缺陷特性进行数据增强来扩充数据并得到数据集；最后将数据集以有监督对比学习的方式输入yolov4改进backbone进行训练获取；该步骤中通过数据增强的方式获得数据集节省了大量的时间和精力，避免了因数据问题产生的效果差的问题，其次根据获得的数据集通过有监督对比学习的方式输入yolov4方法来改进backbone进行训练并得到最终的训练模型，通过该训练模型对有缺陷的轴承滚子进行检测，有效提升检测效果。
[0034]3、本专利技术的方法中的缺陷特性包括划痕、腐蚀、斑块以及开裂中的一种或多种，在步骤获取轴承滚子的缺陷图像以及缺陷特性之前有一步骤为将轴承滚子进行二分类检测，并将轴承滚子分为有缺陷或是无缺陷的，其中缺陷包括划痕、腐蚀、斑块以及开裂，根据不同的缺陷特性对缺陷轴承滚子进行标注，加快后续根据缺陷特性进行数据增强的流程，提升效率。
[0035]4、本专利技术的方法中数据集按照预定比例分成训练集和测试集；训练集用于训练模型，测试集用于验证训练模型，数据集是根据缺陷特性进行数据增强来扩充数据来得到数据集的，将数据集按照预定比例分为训练集以及测试集，其中训练集用于训练模型，测试集用于验证训练模型，对数据集进行分类是为了更好的训练模型以及检测训练模型的应用于检测有缺陷的轴承滚子的成果，对检测有缺陷的轴承滚子有着至关重要的作用，节约检测的时间，提升了效率，体现了其实用性。
[0036]5、本专利技术的数据增强方式为翻转、剪裁、旋转或改变图像亮度中的一种，数据增强是为了根据缺陷特性来扩充数据并得到数据集的，增大训练的数据量来持续提升训练模型的性能，数据增强的方式为反转、剪裁、旋转或改变图像亮度中的一种，通过上述方式能够大量增强训练的数据量，从而合成更多的数据，为后续的步骤中将数据集以有监督对比学习的方式输入yolov4算法改进backbone进行训练并获取最终训练模型合成更多的数据，提升训练模型的精确度，同等而言，也提高了训练模型检测有缺陷的轴承滚子的精确度，节约了时间，也提升了效率。
[0037]6、本专利技术的方法中采用二值分类对比损失用于表达对样本的匹配程度，更好的用于训练模型提取特征。
[0038]7、本专利技术的方法中输出一个预设的尺度图与yolo
‑
head进行结合，由于轴承滚子基本都是小目标检测，多输出的尺度图可以对小目标检测更加精确，提升检测有缺陷轴承滚子的检测效率，体现其实用性。
[0039]8、本专利技术的方法中将输出预设的尺度图经过concat算法操作后进行多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承滚子表面缺陷结构光视觉检测方法，其特征在于：包括以下步骤：获取待检测轴承滚子的表面图像；将所述表面图像输入yolov4改进backbone训练模型的最终模型中进行检测；输出对轴承滚子表面缺陷的检测结果。2.如权利要求1所述的一种轴承滚子表面缺陷结构光视觉检测方法，其特征在于：最终训练模型通过如下步骤获得：根据轴承滚子的现有缺陷图像获得对应的缺陷特性；根据缺陷特性进行数据增强来扩充数据得到数据集；将数据集以有监督对比学习的方式输入yolov4的改进backbone进行训练获取。3.如权利要求2所述的一种轴承滚子表面缺陷结构光视觉检测方法，其特征在于：缺陷特性包括划痕、腐蚀、斑块以及开裂中的一种或多种。4.如权利要求1所述的一种轴承滚子表面缺陷结构光视觉检测方法，其特征在于，根据缺陷特性进行数据增强来扩充数据得到数据集之后包括以下步骤：数据集按照预定比例分成训练集和测试集；所述训练集用于训练模型，所述测试集用于验证训练模型。5.如权利要求1所述的一种轴承滚子表面缺陷结构光视觉检测方法，其特征在于：数据增强方式为翻转、剪裁、旋转或改变图像亮度中的一种。6.如权利要求1所述的一种轴承滚子表面缺陷结构光视觉检测方法，其特征在于：将数据集以有监督对比学习的方式输入yolov4的改进bac...

【专利技术属性】
技术研发人员：杨新波，朱勇建，田世轩，淡卫波，王驰，沈传兴，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：