一种基于改进神经网络的齿面损伤识别方法及装置制造方法及图纸

一种基于改进神经网络的齿面损伤识别方法及装置，属于齿轮的齿面损伤鉴别领域，该方法利用改进神经网络建立齿面损伤分类模型，之后通过向齿面损伤分类模型中输入待检测的齿轮表面图像，得到该齿轮表面损伤的分析结果。本发明专利技术通过对神经网络模型进行改进，使用全局平均池化来适应齿面尺寸并加速训练，应用迁移学习使模型更快收敛；最后，将数据集加载入改进的ResNet

【技术实现步骤摘要】
一种基于改进神经网络的齿面损伤识别方法及装置


[0001]本专利技术涉及到齿轮的齿面损伤鉴别领域，具体的说是一种基于改进神经网络的齿面损伤识别方法及装置。

技术介绍

[0002]齿轮是机械传动系统的关键部件，其质量直接影响传动系统的运行状况和使用寿命。然而，由于制造安装误差、运动冲击、滑动摩擦、循环交变弯曲应力、材料性能及热处理工艺的不同，齿轮可能产生不同的失效形式，较为常见的有齿面点蚀、齿面磨损、轮齿折断等，这些失效形式通常都可以表现在齿面上。齿面损伤会造成振动和产生噪声，降低使用寿命，影响齿轮的运动精度和工作稳定性。
[0003]目前，对于齿面损伤类型的识别主要依赖于车间工人及维修人员的肉眼检测，效率低、实时性差，且对人工要求较高。随着计算机技术和人工智能的飞速发展，机器识别逐渐代替人工作业，但目前国内外没有统一的标准或方法来对齿轮的齿面损伤类型进行识别。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进神经网络的齿面损伤识别方法，采用机器视觉系统来代替人工作业，提高齿轮齿面损伤识别的准确率和效率。
[0005]本专利技术为实现上述技术目的所采用的技术方案为：一种基于改进神经网络的齿面损伤识别方法，该方法利用改进神经网络建立齿面损伤分类模型，之后通过向齿面损伤分类模型中输入待检测的齿轮表面图像，得到该齿轮表面损伤的分析结果；利用改进神经网络建立齿面损伤分类模型的步骤如下：
[0006]一)利用机器视觉系统获取齿轮的齿面图像，并依据齿面损伤的特征，将获取的齿面图像进行分类并标注出每个分类的真实标签；
[0007]二)将每一类的齿面图像裁剪至相同大小，并进行图像增强，形成分类的齿面图像数据集；
[0008]三)以ResNet
‑
34作为初代网络模型构建卷积神经网络，并利用齿面图像数据集对构建的卷积神经网络进行训练，形成的权重保存到已构建的卷积神经网络中；
[0009]四)利用分类函数softmax对卷积神经网络的输出结果进行分类处理，得到各分类的概率向量；
[0010]五)选取概率向量中的最大值作为预测类型，并输出该预测类型及预测概率作为齿轮表面损伤的分析结果。
[0011]作为上述基于改进神经网络的齿面损伤识别方法的一种优化方案，所述步骤一)中将获取的齿面图像进行分类是指，将获取的齿面图像按照齿面点蚀、齿面磨损、轮齿折断和正常齿面四种类型并进行分类，并将四种类型作为对应分类的真实标签。
[0012]作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，所述步骤
二)中图像增强的方法为，依次经水平翻转、垂直翻转、旋转180度、缩放、偏移、模糊、变亮、变暗和加入椒盐噪声。
[0013]作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，所述步骤二)形成分类的齿面图像数据集中，训练集和测试集的比例为9：1。
[0014]作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，所述步骤三)中的卷积神经网络，依次包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、全局平均池化层和全连接层。
[0015]作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，构建所述步骤三)中卷积神经网络的具体操作为：
[0016]1)第一卷积层
[0017]1.1)将维度为(224,224,64)的图像，通过64个7*7的卷积核并以2的步长进行卷积操作，在得到像素矩阵的外围进行3圈补零操作，得到(112,112,64)的三维特征图；
[0018]1.2)对得到的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；
[0019]1.3)通过3*3的卷积核并以2的步长对步骤1.2)输出的特征图进行最大池化操作，之后在得到像素矩阵的外围进行1圈补零操作得到(56,56,64)的三维特征图；
[0020]2)第二卷积层
[0021]2.1)将上步骤中得到的(56,56,64)的三维特征图通过64个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(56,56,64)的三维特征图；
[0022]2.2)对上步骤中得到的(56,56,64)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；
[0023]2.3)将上步骤中得到的三维特征图重复步骤2.1)中的卷积和补零操作，并对得到的三维特征图进行批归一化操作；
[0024]2.4)将步骤2.1)中输入的三维特征图与步骤2.3)输出的三维特征图进行相加，之后通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；
[0025]2.5)重复步骤2.1)
‑
步骤2.4)两次，输出维度为(56,56,64)的三维特征图；
[0026]3)第三卷积层
[0027]3.1)将上步骤中得到的维度为(56,56,64)的三维特征图通过128个3*3的卷积核并以2的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(28,28,128)的三维特征图；
[0028]3.2)将上步骤中得到的(28,28,128)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作，得到维度为(28,28,64)的三维特征图；
[0029]3.3)将上步骤中得到的维度为(28,28,64)的三维特征图通过128个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵外围进行1圈补零操作，得到(28,28,128)的三维特征图，再将其进行批归一化操作；
[0030]3.4)将步骤3.1)中输入的三维特征图通过128个1*1的卷积核并以2的步长进行卷积，得到(28,28,128)的三维特征图，并将其与步骤3.3)得到的特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作，得到维度为(28,28,128)
的三维特征图；
[0031]3.5)将上步骤中得到的(28,28,128)的三维特征图通过128个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵外围进行1圈补零操作，得到(28,28,128)的三维特征图；
[0032]3.6)对上步骤中输出的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；
[0033]3.7)重复步骤3.5)并对得到的三维特征图进行批归一化操作；
[0034]3.8)将上步骤中输出的三维特征图与步骤3.5)中输入的维度为(28,28,128)的三维特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；
[0035]3.9)重复步骤3.5)
‑
步骤3.8)两次，输出维度为(28,28,128)的三维特征图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进神经网络的齿面损伤识别方法，该方法利用改进神经网络建立齿面损伤分类模型，之后通过向齿面损伤分类模型中输入待检测的齿轮表面图像，得到该齿轮表面损伤的分析结果；其特征在于，利用改进神经网络建立齿面损伤分类模型的步骤如下：一)利用机器视觉系统获取齿轮的齿面图像，并依据齿面损伤的特征，将获取的齿面图像进行分类并标注出每个分类的真实标签；二)将每一类的齿面图像裁剪至相同大小，并进行图像增强，形成分类的齿面图像数据集；三)以ResNet
‑
34作为初代网络模型构建卷积神经网络，并利用齿面图像数据集对构建的卷积神经网络进行训练，形成的权重保存到已构建的卷积神经网络中；四)利用分类函数softmax对卷积神经网络的输出结果进行分类处理，得到各分类的概率向量；五)选取概率向量中的最大值作为预测类型，并输出该预测类型及预测概率作为齿轮表面损伤的分析结果。2.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤一)中将获取的齿面图像进行分类是指，将获取的齿面图像按照齿面点蚀、齿面磨损、轮齿折断和正常齿面四种类型并进行分类，并将四种类型作为对应分类的真实标签。3.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤二)中图像增强的方法为，依次经水平翻转、垂直翻转、旋转180度、缩放、偏移、模糊、变亮、变暗和加入椒盐噪声。4.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤二)形成分类的齿面图像数据集中，训练集和测试集的比例为9：1。5.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤三)中的卷积神经网络，依次包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、全局平均池化层和全连接层。6.根据权利要求5所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于，构建所述步骤三)中卷积神经网络的具体操作为：1)第一卷积层1.1)将维度为(224,224,64)的图像，通过64个7*7的卷积核并以2的步长进行卷积操作，在得到像素矩阵的外围进行3圈补零操作，得到(112,112,64)的三维特征图；1.2)对得到的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；1.3)通过3*3的卷积核并以2的步长对步骤1.2)输出的特征图进行最大池化操作，之后在得到像素矩阵的外围进行1圈补零操作得到(56,56,64)的三维特征图；2)第二卷积层2.1)将上步骤中得到的(56,56,64)的三维特征图通过64个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(56,56,64)的三维特征图；2.2)对上步骤中得到的(56,56,64)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；2.3)将上步骤中得到的三维特征图重复步骤2.1)中的卷积和补零操作，并对得到的三
维特征图进行批归一化操作；2.4)将步骤2.1)中输入的三维特征图与步骤2.3)输出的三维特征图进行相加，之后通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；2.5)重复步骤2.1)
‑
步骤2.4)两次，输出维度为(56,56,64)的三维特征图；3)第三卷积层3.1)将上步骤中得到的维度为(56,56,64)的三维特征图通过128个3*3的卷积核并以2的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(28,28,128)的三维特征图；3.2)将上步骤中得到的(28,28,128)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作，得到维度为(28,28,64)的三维特征图；3.3)将上步骤中得到的维度为(28,28,64)的三维特征图通过128个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵外围进行1圈补零操作，得到(28,28,128)的三维特征图，再将其进行批归一化操作；3.4)将步骤3.1)中输入的三维特征图通过128个1*1的卷积核并以2的步长进行卷积，得到(28,28,128)的三维特征图，并将其与步骤3.3)得到的特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作，得到维度为(28,28,128)的三维特征图；3.5)将上步骤中得到的(28,28,128)的三维特征图通过128个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵外围进行1圈补零操作，得到(28,28,128)的三维特征图；3.6)对上步骤中输出的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；3.7)重复步骤3.5)并对得到的三维特征图进行批归一化操作；3.8)将上步骤中输出的三维特征图与步骤3.5)中输入的维度为(28,28,128)的三维特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；3.9)重复步骤3.5)
‑
步骤3.8)两次，输出维度为(28,28,128)的三维特征图；4)第四卷积层4.1)将上步骤中得到的三维特征图通过256个3*3的卷积核并以2的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(14,14,256)的三维特征图；4.2)将上步骤...

【专利技术属性】
技术研发人员：吴鲁纪，秦佳音，杨林杰，曹延军，孙毅博，陈俊豪，
申请(专利权)人：郑州机械研究所有限公司，
类型：发明
国别省市：