使用深度学习进行电机转子并线缺陷检测的方法技术

本申请涉及一种使用深度学习进行电机转子并线缺陷检测的方法，属于深度学习技术领域，该方法包括：获取图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至少两张目标图像，将每张目标图像输入基于深度学习得到的识别模型，得到目标图像中至少一个目标间隔所在的目标区域、每个目标间隔所属的目标框、以及目标框的缺陷分类结果，在至少两张目标图像中，存在至少一张目标图像对应的缺陷分类结果指示两股漆包线的距离小于预设距离的情况下，确定电机转子存在并线缺陷。可以解决由于换向器较小使得人工对两股漆包线之间的距离把握不够准确，且人工检测效率较低，因此导致的对转子并线缺陷的检测效果不佳的问题。导致的对转子并线缺陷的检测效果不佳的问题。导致的对转子并线缺陷的检测效果不佳的问题。

【技术实现步骤摘要】
使用深度学习进行电机转子并线缺陷检测的方法


[0001]本申请涉及一种使用深度学习进行电机转子并线缺陷检测的方法，属于深度学习


技术介绍

[0002]电机转子是电机的重要部件。电机转子的一端具有换向器，换向器周侧均匀分布凸起的挂钩，相邻两个挂钩之间形成一个间隔，电机转子的漆包线具有绝缘涂层，漆包线从位于每个挂钩一侧的间隔绕入后从位于挂钩另一侧的间隔绕出。此时，每一个沟槽内都有两股漆包线。电机工作时，转子带动换向器高速旋转，此时如果沟槽内的两股漆包线距离太近，漆包线之间会不停的相互摩擦，导致绝缘涂层出现裂纹甚至炸裂，当绝缘层炸裂时漆包线就会漏电从而导致电机短路。因此，需要对电机转子进行并线缺陷检测。
[0003]传统的转子并线缺陷检测方法中，通常是人工对换向器间隔内的两股漆包线进行识别，确认漆包线之间是否存在距离太近的缺陷。
[0004]然而，换向器较小使得人工对漆包线之间的距离把握不够准确，且人工检测效率较低，因此导致对转子并线缺陷的检测效果不佳。

技术实现思路

[0005]本申请提供了一种使用深度学习进行电机转子并线缺陷检测的方法，可以解决换向器较小使得人工对漆包线之间的距离把握不够准确，且人工检测效率较低，因此导致对转子并线缺陷的检测效果不佳的问题。本申请提供如下技术方案：
[0006]第一方面，提供一种使用深度学习进行电机转子并线缺陷检测的方法，待检测的电机转子放置于缺陷检测台的检测位置上，位于所述缺陷检测台的图像采集组件适于对所述检测位置进行图像采集；所述电机转子的一端具有换向器，换向器周侧均匀环设有凸起的至少两个挂钩，相邻两个挂钩之间形成间隔，电机转子的漆包线从位于每个挂钩一侧的间隔绕入后从位于所述挂钩另一侧的间隔绕出；所述方法包括：
[0007]获取所述图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至少两张目标图像；其中，每张目标图像包括至少一个间隔和所述间隔内的两股漆包线的图像数据；
[0008]将每张目标图像输入基于深度学习得到的识别模型，得到目标图像中至少一个目标间隔所在的目标区域、每个目标间隔所属的目标框、以及所述目标框的缺陷分类结果；所述目标间隔为所述至少一个间隔中符合模型的识别标准的间隔，所述目标框的位置基于所述目标间隔中两股漆包线的位置确定；
[0009]在所述至少两张目标图像中，存在至少一张目标图像对应的缺陷分类结果指示两股漆包线的距离小于预设距离的情况下，确定所述电机转子存在并线缺陷。
[0010]可选地，所述识别模型的训练过程包括：
[0011]获取所述图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至少两
张训练图像；
[0012]使用图像处理软件对每一张训练图像添加目标区域标签、目标框标签、和每个目标框对应的缺陷分类标签，得到缺陷分类训练集；
[0013]使用缺陷分类训练集对预先创建的神经网络模型进行训练，得到所述识别模型，所述神经网络模型基于YOLOv5建立。
[0014]可选地，所述使用缺陷分类训练集对预先创建的神经网络模型进行训练，得到所述识别模型，包括：
[0015]在训练过程中，使用深度学习可视化工具监控所述识别模型的训练过程，得到所述训练过程对应的训练数值，所述训练数值包括召回率、精准率和平均精度均值；
[0016]在所述训练数值均大于或等于对应的预设标准数值的情况下，输出本次训练得到的所述识别模型。
[0017]可选地，所述将每张目标图像输入基于深度学习得到的识别模型，得到目标图像中至少一个目标间隔所在的目标区域、每个目标间隔所属的目标框、以及所述目标框的缺陷分类结果之前，还包括：
[0018]在所述识别模型的模型格式与图像处理库的处理格式不匹配的情况下，将所述模型格式转换为所述处理格式；所述图像处理库包括：开源计算机视觉库OpenCV、或者HALCON。
[0019]可选地，所述在所述至少两张目标图像中，存在至少一张目标图像对应的缺陷分类结果指示两股漆包线的距离小于预设距离的情况下，确定所述电机转子存在并线缺陷，包括：
[0020]获取所述识别模型输出的目标区域内每个目标框的第一置信度；
[0021]确定所述目标框的第一置信度是否小于预设置信度；
[0022]删除所述第一置信度小于所述预设置信度的目标框和所述目标框对应的缺陷分类结果；
[0023]在存在至少一个筛选后的目标框对应的缺陷分类结果指示两股漆包线的距离小于所述预设距离的情况下，确定所述电机转子存在并线缺陷。
[0024]可选地，所在所述至少两张目标图像中，存在至少一张目标图像对应的缺陷分类结果指示两股漆包线的距离小于预设距离的情况下，确定所述电机转子存在并线缺陷，包括：
[0025]获取所述识别模型输出的目标区域内每个目标框的第一置信度；
[0026]从所述目标区域内确定第一置信度最高的基准目标框；
[0027]计算所述目标区域内除所述基准目标框之外的其它目标框与所述基准目标框之间的交并比；
[0028]将交并比大于或等于交并比阈值的其它目标框删除；
[0029]在存在至少一个删除后的目标框对应的缺陷分类结果指示两股漆包线的距离小于所述第一预设距离的情况下，确定所述电机转子存在并线缺陷。
[0030]可选地，所述缺陷检测台上还设置有照明组件，所述照明组件适于为所述间隔提供辅助照明；
[0031]所述获取所述图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至
少两张目标图像之前，还包括：
[0032]控制所述照明组件启动；
[0033]使用所述图像采集组件对照明后的每个间隔进行图像采集。
[0034]可选地，所述缺陷检测台上还设置有测距组件，所述测距组件适于测量所述测距组件与所述换向器之间的距离；
[0035]所述获取所述图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至少两张目标图像之前，还包括：
[0036]获取测距组件采集的距离值；
[0037]使用所述距离值确定所述图像采集组件是否与间隔相对；在所述图像采集组件与所述间隔相对的情况下测距组件采集到的第一距离值大于在所述图像采集组件与所述挂钩相对的情况下测距组件采集到的第二距离值；
[0038]在所述图像采集组件与所述间隔相对的情况下，使用所述图像采集组件对所述间隔进行图像采集。
[0039]可选地，所述缺陷检测台包括旋转驱动件，所述旋转驱动件适于驱动所述检测位置旋转，且所述检测位置的旋转轴为所述电机转子放置在所述检测位置上时的轴心；
[0040]所述获取测距组件采集的距离值之前，还包括：控制所述旋转驱动件驱动所述检测位置持续旋转，并控制所述测距组件每隔预设时长采集所述距离值，以触发执行所述获取测距组件采集的距离值；使用所述距离值确定所述图像采集组件是否与间隔相对；在所述图像采集组件与所述间隔相对的情况下，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用深度学习进行电机转子并线缺陷检测的方法，其特征在于，待检测的电机转子放置于缺陷检测台的检测位置上，位于所述缺陷检测台的图像采集组件适于对所述检测位置进行图像采集；所述电机转子的一端具有换向器，换向器周侧均匀环设有凸起的至少两个挂钩，相邻两个挂钩之间形成间隔，电机转子的漆包线从位于每个挂钩一侧的间隔绕入后从位于所述挂钩另一侧的间隔绕出；所述方法包括：获取所述图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至少两张目标图像；其中，每张目标图像包括至少一个间隔和所述间隔内的两股漆包线的图像数据；将每张目标图像输入基于深度学习得到的识别模型，得到目标图像中至少一个目标间隔所在的目标区域、每个目标间隔所属的目标框、以及所述目标框的缺陷分类结果；所述目标间隔为所述至少一个间隔中符合模型的识别标准的间隔，所述目标框的位置基于所述目标间隔中两股漆包线的位置确定；在所述至少两张目标图像中，存在至少一张目标图像对应的缺陷分类结果指示两股漆包线的距离小于预设距离的情况下，确定所述电机转子存在并线缺陷。2.根据权利要求1所述的方法，其特征在于，所述识别模型的训练过程包括：获取所述图像采集组件对每个间隔进行图像采集，得到的各个间隔对应的至少两张训练图像；使用图像处理软件对每一张训练图像添加目标区域标签、目标框标签、和每个目标框对应的缺陷分类标签，得到缺陷分类训练集；使用缺陷分类训练集对预先创建的神经网络模型进行训练，得到所述识别模型，所述神经网络模型基于YOLOv5建立。3.根据权利要求2所述的方法，其特征在于，所述使用缺陷分类训练集对预先创建的神经网络模型进行训练，得到所述识别模型，包括：在训练过程中，使用深度学习可视化工具监控所述识别模型的训练过程，得到所述训练过程对应的训练数值，所述训练数值包括召回率、精准率和平均精度均值；在所述训练数值均大于或等于对应的预设标准数值的情况下，输出本次训练得到的所述识别模型。4.根据权利要求1所述的方法，其特征在于，所述将每张目标图像输入基于深度学习得到的识别模型，得到目标图像中至少一个目标间隔所在的目标区域、每个目标间隔所属的目标框、以及所述目标框的缺陷分类结果之前，还包括：在所述识别模型的模型格式与图像处理库的处理格式不匹配的情况下，将所述模型格式转换为所述处理格式；所述图像处理库包括：开源计算机视觉库OpenCV、或者HALCON。5.根据权利要求1所述的方法，其特征在于，所述在所述至少两张目标图像中，存在至少一张目标图像对应的缺陷分类结果指示两股漆包线的距离小于预设距离的情况下，确定所述电机转子存在并线缺陷，包括：获取所述识别模型输出的目标区域内每个目标框的第一置信度；确定所述目标框的第一置信度是否小于预设置信度；删除所述第一置信度小于所述预设置信度的目标框和所述目标框对应的缺陷分类结果；在存在至少一个筛选后的目标框对应的缺陷分类结果指示两股漆包线的距离小于所
述预设距离的情况下，确定所述电机转子存在并线缺陷。6.根据权利要求1所述的方法，其特征在于，所在所述至少...

【专利技术属性】
技术研发人员：宋昭颖，邓永松，王君，孟庆猛，
申请(专利权)人：苏州时新集成技术有限公司，
类型：发明
国别省市：