一种齿轮缺陷检测方法技术

本发明专利技术公开了一种齿轮缺陷检测方法，实时采集流水线齿轮平面展开图输入至最优目标检测模型，输出检测缺陷类型及xy位置坐标信息，最优目标检测模型为从若干子代分别训练好的PPYOLOE检测模型中选择的最优模型；PPYOLOE检测模型包括输入层、CSPRepNesNet、CSPPAN、高效任务对齐检测头。本发明专利技术通过CSPRepNesNet模块，增强模型表征能力的同时提升了模型的推理速度，并且可以灵活地配置模型大小；通过高效任务对齐检测头，保证了齿轮缺陷检测速度精度双高的目的；通过PPYOLOE检测模型，使其能轻松适配更多硬件。适配更多硬件。适配更多硬件。

【技术实现步骤摘要】
一种齿轮缺陷检测方法


[0001]本专利技术属于机械部件检测
，涉及一种齿轮缺陷检测方法，特别是一种基于PPYOLOE的齿轮缺陷检测方法。

技术介绍

[0002]齿轮配件异常检测是工业瑕疵检测的痛点场景。齿轮作为一种典型的动力传递器件，其质量的好坏直接影响着机械产品性能。现有的齿轮缺陷检测技术通常通过普通机器视觉方式进行齿轮缺陷检测；而实际场景中往往存在精度不足速度过慢的问题，对生产线齿轮配件高精度检测不适用。

技术实现思路

[0003]针对上述现有技术，本专利技术要解决的技术问题是提供一种基于PPYOLOE的齿轮缺陷检测方法，提高缺陷检测速度和精度。
[0004]为解决上述技术问题，本专利技术的一种齿轮缺陷检测方法，实时采集流水线齿轮平面展开图输入至最优目标检测模型，输出检测缺陷类型及xy位置坐标信息，所述最优目标检测模型为从若干子代分别训练好的PPYOLOE检测模型中选择的最优模型；所述PPYOLOE检测模型包括输入层、CSPRepNesNet、CSPPAN、高效任务对齐检测头。
[0005]进一步的，所述PPYOLOE检测模型的训练方法包括：
[0006]S1、对齿轮平面展开图标注缺陷类型及位置，构建得到训练集；
[0007]S2、分析训练集数据，确定检测算法参数，所述参数包括数据缩放尺度、有效框范围、chip尺度和步长；
[0008]S3、将训练集导入PPYOLOE检测模型中进行模型训练。
[0009]进一步的，所述实时采集流水线齿轮平面展开图输入至最优目标检测模型，输出检测缺陷类型及xy位置坐标信息包括：
[0010]S1、实时采集流水线齿轮平面展开图输入至最优目标检测模型的输入层；
[0011]S2、基于CSPRepNesNet模块特征提取至CSPPAN模块中；
[0012]S3、基于CSPPAN模块进行相邻feature maps之间的特征连接和融合，得到融合特征；
[0013]S4、基于高效任务对齐检测头对融合特征进行处理，输出识别结果，即检测缺陷类型及xy位置坐标信息。
[0014]进一步的，所述CSPRepResNet模块由3个卷积层构成的stem和4个stage堆叠构成。
[0015]进一步的，S4所述基于高效任务对齐检测头对融合特征进行处理，输出识别结果，即检测缺陷类型及xy位置坐标信息包括：
[0016]S1、三个检测头设置了上限和下限，将地面真相分配给相应的特征地图，然后计算边界框的中心，以选择最近的像素作为正采样，根据YOLO序列，预测4D向量(x，y，w，h)用于回归；
[0017]S2、高效任务对齐检测头对于分类和定位任务的学习，分别选择变焦损失和分布焦损失，使用一般分布来预测边界框，模型由高级标签分配策略和改进的损失函数监督：
[0018][0019]其中，loss
VEL
、loss
GIoU
、loss
DEL
分别代表变焦损失、GIoU、分布焦损失损失，α、β、γ分别代表损失系数，表示标准化目标分数；
[0020]S3、输出识别结果可视化，xy位置坐标信息在.json文件中显示。
[0021]本专利技术的有益效果：为了检测精度不足速度过慢，以及对生产线齿轮配件高精度检测不适用的问题，本专利技术通过PPYOLOE检测模型中的CSPRepNesNet模块，增强模型表征能力的同时提升了模型的推理速度，并且可以灵活地配置模型大小；本专利技术通过PPYOLOE检测模型中的高效任务对齐检测头，保证了齿轮缺陷检测速度精度双高的目的；本专利技术通过PPYOLOE检测模型，在结构设计上避免使用如deformable convolution或者matrixnms之类的特殊算子，使其能轻松适配更多硬件。当前已经完备支持NVIDIAV100、T4这样的云端GPU架构以及如Jetson系列等边缘端GPU和FPGA开发板。
附图说明
[0022]图1是一种基于PPYOLOE的齿轮缺陷检测方法的流程图；
[0023]图2是CSPRepNesNet模块结构图；
[0024]图3是高效任务对齐检测头结构图。
具体实施方式
[0025]下面结合说明书附图和实施例对本专利技术做进一步说明。
[0026]本专利技术包括：
[0027]对齿轮平面展开图标注缺陷类型及位置，并构建得到训练集，包括：生产流水线中拍摄齿轮的平面展开图，得到齿轮的图像数据；
[0028]基于labelImg对齿轮图像数据进行标注缺陷类型(齿面黑皮、齿底黑皮、磕碰)，得到带标注图像数据，即训练集。
[0029]分析训练集数据，从而确定算法中的参数，包括：
[0030]分析训练集数据：确定各标签类别、类别数量、训练集数量、训练集标签数量、样本是否均衡、是否存在小目标。根据分析结果得到小目标占比大小以及样本分布是否均衡。由于本算法针对主要是细小缺陷，所以该类样本一般为小目标占比大且样本分布基本均衡。根据分析后的训练集数据统计结果，确定基于PPYOLOE的齿轮缺陷检测算法中的数据缩放尺度、有效框范围、chip尺度和步长等参数。
[0031]将训练集导入PPYOLOE检测模型中并训练，得到训练完成的最优目标检测模型，包括：
[0032]将训练集导入PPYOLOE检测模型中并训练，每训练一个子代会输出一个带权重的模型，所有子代训练结束后比较得到的模型选择一个最优目标检测模型输出；PPYOLOE检测模型包括输入层、CSPRepNesNet、CSPPAN、高效任务对齐检测头。
[0033]实时采集流水线齿轮平面展开图输入至最优目标检测模型，输出检测缺陷类型及xy位置坐标信息，包括：
[0034]实时采集流水线齿轮平面展开图输入至最优目标检测模型的输入层；
[0035]基于CSPRepNesNet模块，特征提取至CSPPAN模块中；
[0036]基于CSPPAN模块，进行相邻feature maps之间的特征连接和融合，得到融合特征；
[0037]基于高效任务对齐检测头对融合特征进行处理，输出识别结果，即检测缺陷类型及xy位置坐标信息。
[0038]下面结合附图与具体实施方式对本专利技术作进一步详细描述。下对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0039]如图1所示，本专利技术包括以下步骤：
[0040]S1、对齿轮平面展开图标注缺陷类型及位置，并构建得到训练集；
[0041]S1.1、生产流水线中拍摄齿轮的平面展开图，得到齿轮的图像数据；
[0042]具体的，可以采用高清工业相机在生产流水线的自然环境中对齿轮图像进行采集。
[0043]S2、分析训练集数据，从而确定算法中的参数；
[0044]具体的，分析训练集数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种齿轮缺陷检测方法，其特征在于：实时采集流水线齿轮平面展开图输入至最优目标检测模型，输出检测缺陷类型及xy位置坐标信息，所述最优目标检测模型为从若干子代分别训练好的PPYOLOE检测模型中选择的最优模型；所述PPYOLOE检测模型包括输入层、CSPRepNesNet、CSPPAN、高效任务对齐检测头。2.根据权利要求1所述的一种齿轮缺陷检测方法，其特征在于：所述PPYOLOE检测模型的训练方法包括：S1、对齿轮平面展开图标注缺陷类型及位置，构建得到训练集；S2、分析训练集数据，确定检测算法参数，所述参数包括数据缩放尺度、有效框范围、chip尺度和步长；S3、将训练集导入PPYOLOE检测模型中进行模型训练。3.根据权利要求1所述的一种齿轮缺陷检测方法，其特征在于：所述实时采集流水线齿轮平面展开图输入至最优目标检测模型，输出检测缺陷类型及xy位置坐标信息包括：S1、实时采集流水线齿轮平面展开图输入至最优目标检测模型的输入层；S2、基于CSPRepNesNet模块特征提取至CSPPAN模块中；S3、基于CSPPAN模块进行相邻featuremaps之间的特征连接和融合，得到融合特征；S4、基于高效任...

【专利技术属性】
技术研发人员：张兰勇，路紫葳，王祉鸥，任元杰，谭逸凡，常佳程，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：