一种轴承缺陷检测模型构建方法及系统技术方案

本发明专利技术公开了一种轴承缺陷检测模型构建方法及系统，属于缺陷检测技术领域，包括：

【技术实现步骤摘要】
一种轴承缺陷检测模型构建方法及系统


[0001]本专利技术属于缺陷检测
，具体涉及一种轴承缺陷检测模型构建方法及系统
。

技术介绍

[0002]轴承（
Bearing
）是机械设备中一种重要的零部件
。
它的主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数（
friction coefficient
），并保证其回转精度（
accuracy
）
。
轴承类部件在制造过程中，要经过锻造
、
碾扩
、
冲孔
、
车削
、
磨削
、
热处理等多道工序
。
[0003]在轴承缺陷检测过程中，传统技术是：首先收集缺陷图像，然后采用目标检测算法的方式进行标注
、
训练，算法检测效果取决于收集到缺陷的数量与多样性
。
然而，随着技术的不断优化和成熟，生产企业的良品率不断提高，这将使得缺陷图像的收集变得是越来越困难，其最终结果是造成目标检测算法的性能不足，缺陷漏检情况严重
。

技术实现思路

[0004]本专利技术为解决公知技术中存在的技术问题，提供一种轴承缺陷检测模型构建方法及系统，将目标检测模型和
CLIP
模型相结合，提高轴承类部件少样本缺陷检测时结果的可信度
。
[0005]本专利技术的第一目的是提供一种轴承缺陷检测模型构建方法，包括：
S1、
获取轴承的样本图像集，并对所述样本图像集中的样本图像进行图像预处理，得到包含轴承端面完整信息的完整图像集
、
包含轴承端面局部信息的
patch
图像集；每张完整图像由若干个
patch
图像组成；
S2、
利用完整图像集对目标检测模型进行训练；得到目标检测的置信度；
S3、
对
CLIP
模型中的参数权重进行调整；所述
CLIP
模型的图像编码器包括十二个注意力模块，前六个注意力模块为自注意力模块，后六个注意力模块为交叉注意力模块；调整过程包括：针对交叉注意力模块的
KQ
分支输入的每个
patch
图像，进行线性变换后点乘权重进行加权；在交叉注意力模块的
V
分支引入目标检测的低置信度检测结果，所述低置信度的范围是
0.1
～
0.5
；
S4、
利用
patch
图像集和目标检测的置信度对
CLIP
模型进行训练，得到轴承缺陷检测模型；其中：训练时仅利用交叉注意力模块进行训练
。
[0006]优选地，所述图像预处理具体包括：
S101、
首先将样本图像进行灰度化，得到灰度图像；然后根据待检测区域的像素值，将灰度图像分割为目标区域和背景区域；最后使用闭运算填充环状区域内的空洞；
S102、
首先通过轮廓筛选，保留待检测环状区域内的轴承端面轮廓；然后使用拟合
圆算法将检测出的环状闭合轮廓进行优化，最后将环状区域在原始图像上进行图像扣取；
S103、
缺陷标注：在扣取出的图像上标注出缺陷类别与位置
。
[0007]优选地，在
S3
中，针对交叉注意力模块的
KQ
分支输入的每个
patch
图像，
patch
图像计算权重的表达式为：
sin(
（
r*
π
/2
）
^3)+1
，
r<=1
；
r
表示标注框在当前
patch
图像的面积占此标注框的比值
。
[0008]优选地，在交叉注意力模块的
V
分支引入目标检测的低置信度检测结果，具体包括：对
V
分支输入的每张
patch
图像进行线性变换后点乘目标检测模型检测的置信度调整值，该调整值通过以下步骤得到：首先筛选出低置信度检出框；然后计算出该
patch
图像内每个标注框属于该
patch
图像的面积比上该标注框的总面积，留下比值大于
40%
的标注框，再去除与高置信度检出框
IOU
大于
50%
的标注框，计算留下的标注框与在该
patch
图像面积内低置信度检出框的
IOU
；最后使用该
IOU
输入以下公式进行权重计算：
cos(r*
π
/2)+1
，得到调整值；
r
表示标注框在当前
patch
图像的面积占此标注框的比值
。
[0009]本专利技术的第二目的是提供一种轴承缺陷检测模型构建系统，包括：样本模块：获取轴承的样本图像集，并对所述样本图像集中的样本图像进行图像预处理，得到包含轴承端面完整信息的完整图像集
、
包含轴承端面局部信息的
patch
图像集；每张完整图像由若干个
patch
图像组成；模型初步训练模块；利用完整图像集对目标检测模型进行训练；得到目标检测的置信度；参数权重调整模块：对
CLIP
模型中的参数权重进行调整；所述
CLIP
模型的图像编码器包括十二个注意力模块，前六个注意力模块为自注意力模块，后六个注意力模块为交叉注意力模块；调整过程包括：针对交叉注意力模块的
KQ
分支输入的每个
patch
图像，进行线性变换后点乘权重进行加权；在交叉注意力模块的
V
分支引入目标检测的低置信度检测结果，所述低置信度的范围是
0.1
～
0.5
；模型再训练模块：利用
patch
图像集和目标检测的置信度对
CLIP
模型进行训练，得到轴承缺陷检测模型；其中：训练时仅利用交叉注意力模块进行训练
。
[0010]优选地，所述图像预处理具体包括：
S101、
首先将样本图像进行灰度化，得到灰度图像；然后根据待检测区域的像素值，将灰度图像分割为目标区域和背景区域；最后使用闭运算填充环状区域内的空洞；
S102、
首先通过轮廓筛选，保留待检测环状区域内的轴承端面轮廓；然后使用拟合圆算法将检测出的环状闭合轮廓进行优化，最后将环状区域在原始图像上进行图像扣取；
S103、
缺陷标注：在扣取出的图像上标注出缺陷类别与位置
。
[0011]优选地，在
S3
中，针对交叉注意力模块的
KQ
分支输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轴承缺陷检测模型构建方法，其特征在于，包括：
S1、
获取轴承的样本图像集，并对所述样本图像集中的样本图像进行图像预处理，得到包含轴承端面完整信息的完整图像集
、
包含轴承端面局部信息的
patch
图像集；每张完整图像由若干个
patch
图像组成；
S2、
利用完整图像集对目标检测模型进行训练；得到目标检测的置信度；
S3、
对
CLIP
模型中的参数权重进行调整；所述
CLIP
模型的图像编码器包括十二个注意力模块，前六个注意力模块为自注意力模块，后六个注意力模块为交叉注意力模块；调整过程包括：针对图像编码器模块中交叉注意力模块的
KQ
分支输入的每个
patch
图像，进行线性变换后点乘权重进行加权；在交叉注意力模块的
V
分支引入目标检测的低置信度检测结果，所述低置信度的范围是
0.1
～
0.5
；
S4、
利用
patch
图像集和目标检测的置信度对
CLIP
模型进行训练，得到轴承缺陷检测模型；其中：训练时仅利用交叉注意力模块进行训练
。2.
根据权利要求1所述的轴承缺陷检测模型构建方法，其特征在于，所述图像预处理具体包括：
S101、
首先将样本图像进行灰度化，得到灰度图像；然后根据待检测区域的像素值，将灰度图像分割为目标区域和背景区域；最后使用闭运算填充环状区域内的空洞；
S102、
首先通过轮廓筛选，保留待检测环状区域内的轴承端面轮廓；然后使用拟合圆算法将检测出的环状闭合轮廓进行优化，最后将环状区域在原始图像上进行图像扣取；
S103、
缺陷标注：在扣取出的图像上标注出缺陷类别与位置
。3.
根据权利要求1所述的轴承缺陷检测模型构建方法，其特征在于，在
S3
中，针对交叉注意力模块的
KQ
分支输入的每个
patch
图像，
patch
图像计算权重的表达式为：
sin(
（
r*
π
/2
）
^3)+1
，
r<=1
；
r
表示标注框在当前
patch
图像的面积占此标注框的比值
。4.
根据权利要求1所述的轴承缺陷检测模型构建方法，其特征在于，在交叉注意力模块的
V
分支引入目标检测的低置信度检测结果，具体包括：对
V
分支输入的每张
patch
图像进行线性变换后点乘目标检测模型检测的置信度调整值
。5.
根据权利要求4所述的轴承缺陷检测模型构建方法，其特征在于，所述置信度调整值通过以下步骤得到：首先筛选出低置信度检出框；然后计算出该
patch
图像内每个标注框属于该
patch
图像的面积比上该标注框的总面积，留下比值大于
40%
的标注框，再去除与高置信度检出框
IOU
大于
50%
的标注框，计算留下的标注框与在该
patch
图像面积内低置信度检出框的
IOU
；最后使用该
IOU
输入以下公式进行权重计算：
cos(r*
π
/2)+1
，得到调整值；
r
表示标注框在当前
patch
图像的面积占此标注框的比值...

【专利技术属性】
技术研发人员：王凯，田楷，晏文仲，陈立名，胡江洪，曹彬，方超群，
申请(专利权)人：菲特天津检测技术有限公司，
类型：发明
国别省市：