一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法技术

一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法，涉及一种滚珠丝杠点蚀缺陷检测方法，本发明专利技术方法通过对滚珠丝杠点蚀缺陷数据进行处理获得主体缺陷部分和细节缺陷部分数据集，将两种数据集同时送到神经网络中进行训练，建立应用于滚珠丝杠表面缺陷检测的卷积神经网络模型。利用彩色摄像机采集滚珠丝杠的表面图片，通过互联网传送到远程运算处理计算机内，由训练好的神经网络对采集的滚珠丝杠图片进行点蚀缺陷区域的分割检测。本发明专利技术设计的卷积神经网络，可以有效解决复杂环境下滚珠丝杠表面点蚀缺陷区域检测的难题。本发明专利技术具有智能实时检测丝杠缺陷能力，可以广泛应用于数控机床等高精设备的进给系统运行健康状态检测，具有广阔的转化前景。有广阔的转化前景。有广阔的转化前景。

【技术实现步骤摘要】
一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法


[0001]本专利技术涉及一种滚珠丝杠点蚀缺陷检测方法，特别是涉及一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法。

技术介绍

[0002]自强大的基于深度学习的模型出现以来，工业环境中真实世界对象的分类一直受到关注，在工业环境中使用基于具有鲁棒性的深度学习的模型成为有关生产设施的一个关键方面。机床部件的手动检查和产品的手动线端检查是工业应用中的劳动密集型任务，公司通常想要实现自动化的部件检测。特别是金属表面，大多数机床部件，如滚珠丝杠驱动器（BSD），滚子轴承，或线性导轨，是工业应用的重要机床部件。用于检测各种金属材料故障的模型，有很大的降低生产成本的潜力，避免了不可预见的机器故障，节省了繁琐的人工检查成本。滚珠丝杠是用于将旋转运动转化为直线运动的主要机床部件之一，因此实现对于滚珠丝杠的表面缺陷检测是一项重要的内容。传统的检测方法需要一套复杂的设备采集机床的异常信号来分析故障原因，或者采用传统的机器视觉方法来检测缺陷，但在复杂的工作环境下存在很大的干扰这对于滚珠丝杠的缺陷检测是非常不利的。因此本专利技术设计了一种应用于滚珠丝杠表面缺陷的卷积神经网络检测方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法，本专利技术通过对滚珠丝杠点蚀缺陷数据进行处理获得主体缺陷部分和细节缺陷部分数据集，将两种数据集同时送到神经网络中进行训练，建立应用于滚珠丝杠表面缺陷检测的卷积神经网络模型。本专利技术能够实现在线智能检测滚珠丝杠表面点蚀缺陷区域。该方法能够在滚珠丝杠有油污灰尘等复杂干扰的环境下情况下准确找到点蚀缺陷区域。
[0004]本专利技术的目的是通过以下技术方案实现的：一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法，该方法对滚珠丝杠点蚀缺陷进行分割检测，包括以下步骤：(1)选取含有滚珠丝杠表面缺陷的图像数据集，将数据集通过距离变换获得细节缺陷标签和主体缺陷标签，将数据集图像转换为224
×
224大小送入卷积神经网络进行训练；(2)设计卷积神经网络模型分为Encoder 和Decoder两部分；Encoder部分由Resnet50组成；通过Resnet50获得112
×
112，56
×
56，28
×
28，14
×
14大小的特征图；(3)Decoder由Detail Decoder和Body Decoder组成，每个Decoder由三层3x3的卷积和上采样组成；将Encoder 得到的四种尺度的特征图，分别与两个Decoder中的特征图融合得到缺陷细节部分和缺陷缺陷主体部分，然后将两种信息融合通过3
×
3的卷积和上采样得到最终特征图；(4)设置Sigmoid为最终特征图的激活函数将得到的值映射到0，1之间；公式如（1）
所示：公式(1)(5) 设置损失函数为L=L
detail
+L
body +L
seg
ꢀꢀꢀ
公式(2)其中L
detail
=L
CE
+L
SSIM
，L
detail
表示细节损失函数；L
seg
=L
body
=L
CE + L
IoU
+L
SSIM
，L
body
表示主体损失函数L
seg
表示融合后损失函数；L
CE
表示交叉熵损失函数L
SSIM
表示结构相似性指数度量， L
IoU
表示IOU 损失； (6)利用摄像头和图像无线传输设备,采集滚珠丝杠的表面图像，通过互联网传送到远程运算处理计算机内，利用训练好的神经网络模型进行缺陷检测，将点蚀缺陷区域分割出来。
[0005]本专利技术的优点与效果是：本专利技术方法通过对滚珠丝杠点蚀缺陷数据进行处理获得主体缺陷部分和细节缺陷部分数据集，将两种数据集同时送到神经网络中进行训练，建立应用于滚珠丝杠表面缺陷检测的卷积神经网络模型。利用彩色摄像机采集滚珠丝杠的表面图片，通过互联网传送到远程运算处理计算机内，由训练好的神经网络对采集的滚珠丝杠图片进行点蚀缺陷区域的分割检测。本专利技术设计的卷积神经网络，可以有效解决复杂环境下滚珠丝杠表面点蚀缺陷区域检测的难题。本专利技术具有智能实时检测丝杠缺陷能力，可以广泛应用于数控机床等高精设备的进给系统运行健康状态检测，具有广阔的转化前景。
附图说明
[0006]图1为本专利技术的检测流程图；图2为本专利技术提出的卷积神经网络的结构示意图。
具体实施方式
[0007]下面结合实施例对本专利技术进行详细说明。
[0008]本专利技术卷积神经网络方法的硬件系统包括：用于图像接收和数据处理的计算机；用于采集图像的彩色摄像机；用于传输图像的网络传输设备。
[0009]本专利技术选取含有滚珠丝杠表面缺陷的图像数据集，将数据集通过距离变换获得细节缺陷标签和主体缺陷标签，将数据集图像转换为224
×
224大小送入卷积神经网络进行训练。
[0010]ꢀꢀꢀꢀ
设计的卷积神经网络模型分为Encoder 和Decoder两部分；Encoder部分由Resnet50组成通过Resnet50获得112
×
112，56
×
56，28
×
28，14
×
14大小的特征图。
[0011]ꢀꢀꢀꢀ
Decoder由Detail Decoder和Body Decoder组成，每个Decoder由三层3x3的卷积和上采样组成。将Encoder 得到的四种尺度的特征图分别与两个Decoder中的特征图融合得到缺陷细节部分和缺陷缺陷主体部分然后将两种信息融合通过3
×
3的卷积和上采样得到最终特征图。
[0012]ꢀꢀꢀ
设置Sigmoid为最终特征图的激活函数，公式如（1）所示：
公式(1)设置总损失函数为L=L
detail
+L
body +L
seg
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)L
detail
=L
CE
+L
SSIM
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(3)L
seg
=L
body
=L
CE + L
IoU
+L
SSIM
ꢀꢀꢀꢀꢀꢀꢀ
公式(4)其中L
detail
表示细节部分的损失函数L
body
表示主体部分的损失函数L
seg
表示信息融合后的损失函数。L
CE
表示交叉熵损失函数L
SSIM
表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络进行滚珠丝杠点蚀缺陷检测方法，该方法对滚珠丝杠点蚀缺陷进行分割检测，其特征在于，包括以下步骤：（1）选取含有滚珠丝杠表面缺陷的图像数据集，将数据集通过距离变换获得细节缺陷标签和主体缺陷标签，将数据集图像转换为224
×
224大小送入卷积神经网络进行训练；（2）设计卷积神经网络模型分为Encoder 和Decoder两部分；Encoder部分由Resnet50组成；通过Resnet50获得112
×
112，56
×
56，28
×
28，14
×
14大小的特征图；（3）Decoder由Detail Decoder和Body Decoder组成，每个Decoder由三层3x3的卷积和上采样组成；将Encoder 得到的四种尺度的特征图，分别与两个Decoder中的特征图融合得到缺陷细节部分和缺陷缺陷主体部分，然后将两种信息融合通过3
×
3的卷积和上采样得到最终特征图；（4）设置Sigmoid为最终特征图的激活函数将得到的值映射到0，...

【专利技术属性】
技术研发人员：李铁军，赵慧锋，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：