System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术适用于磁瓦缺陷分割领域,尤其涉及一种磁瓦表面的缺陷分割方法。
技术介绍
1、磁瓦是永磁电机的关键部件之一,广泛用于为电机工作提供磁场。然而,复杂的生产过程不可避免地会产生各种缺陷,例如细长裂纹和微小气孔,从而导致不可预测的后果或灾难。因此,有必要设计一种有效的工具来从磁瓦表面进行缺陷分割。
2、目前,磁瓦生产中缺陷检测由人工实施,但耗时长且检测结果也不可靠。为了解决这个问题,研究人员提出了许多自动检测磁瓦表面缺陷的方法,这些方法可以分为现有算法和基于深度学习的方法。在现有算法中,通过平稳小波变换检测磁瓦上的缺陷。此外,还提出了基于多尺度几何分析的剪切波变换来提取磁瓦中的缺陷。这些算法对磁瓦表面的小缺陷灵敏度较低,导致在复杂背景下出现故障。
3、基于深度学习的网络在计算机视觉上的出色表现,例如图像分类、目标检测和语义分割,因此它也应用于磁瓦上的缺陷检测。例如通过环形融合卷积神经网络来检测磁瓦上的小缺陷,然而,物体检测时必须对数据进行标记和分类,费时费力,且在低对比度图像中表现出较低的分割精度;如基于yolov5的磁瓦缺陷检测模型,其中re-shead用于增强特征融合和信息交换,而drop-ca用于减少漏检,但在低对比度的工业环境中,还需要进一步评价;如基于多头自注意力的自我监督的学习方法,通过提取磁瓦的微小缺陷特征来定位单个或多个缺陷区域,但它只能在有限的数据集和单一的工业场景中进行测试。
4、由于任务的复杂性,从磁瓦表面检测缺陷仍然具有挑战性。首先,缺陷区域与无缺陷区域高度相似,因为
技术实现思路
1、为了解决这些问题,本专利技术提出一种磁瓦表面的缺陷分割方法,旨在提高磁瓦表面缺陷分割的精度和效率。
2、所述缺陷分割方法包括以下步骤:
3、s1、获取磁瓦数据集;
4、s2、建立高斯残差注意力卷积网络,将所述磁瓦数据集作为所述高斯残差注意力卷积网络的输入,通过所述高斯残差注意力卷积网络对所述磁瓦数据集中的缺陷特征进行建模,得到缺陷特征图;
5、s3、建立多视图循环卷积网络,将所述缺陷特征图作为所述多视图循环卷积网络的输入进行训练,得到多视图残差注意力网络模型;
6、s4、获取待检测磁瓦图像,通过所述多视图残差注意力网络模型对待检测磁瓦图像进行缺陷分割,得到缺陷分割结果。
7、优选地,步骤s2中,还包括以下子步骤:
8、s21、将所述磁瓦数据集输入至所述高斯残差注意力卷积网络的残差卷积中进行处理,得到第一特征图;
9、s22、根据注意力机制对所述第一特征图进行注意力引导处理,得到第二特征图;
10、s23、将所述第二特征图通过高斯归一化处理,得到所述缺陷特征图。
11、优选地,步骤s3中,还包括以下子步骤:
12、s31、将所述缺陷特征图进行旋转处理,得到多个第三特征图;
13、s32、将多个所述第三特征图在空间维度上进行连接,得到多个具有多种视图信息的第四特征图;
14、s33、将多个所述第四特征图输入至卷积层中进行学习,得到所述多视图残差注意力网络模型。
15、优选地,定义所述高斯残差注意力卷积网络为grac,则所述高斯残差注意力卷积网络满足以下关系式:
16、gr4c=gan{att[rescov(x))]};
17、其中,resconv表示所述残差卷积;att表示所述注意力机制;gan表示所述高斯归一化;x表示所述磁瓦数据集。
18、优选地,定义所述多视图循环卷积网络为mvcc,则所述多视图循环卷积网络满足以下关系式:
19、mvcc(x)=conv{cc[tr(x)]};
20、其中,conv表示卷积层;cc表示串联;tr表示三维空间旋转。
21、与现有技术相比,本专利技术通过获取磁瓦数据集;建立高斯残差注意力卷积网络,将磁瓦数据集作为高斯残差注意力卷积网络的输入,通过高斯残差注意力卷积网络对磁瓦数据集中的缺陷特征进行建模,得到缺陷特征图;建立多视图循环卷积网络,将缺陷特征图作为多视图循环卷积网络的输入进行训练,得到多视图残差注意力网络模型;获取待检测磁瓦图像,通过多视图残差注意力网络模型对待检测磁瓦图像进行缺陷分割,得到缺陷分割结果。这样本专利技术有效提高磁瓦表面缺陷分割的精度和效率。
本文档来自技高网...【技术保护点】
1.一种磁瓦表面的缺陷分割方法,其特征在于,所述缺陷分割方法包括以下步骤:
2.如权利要求1所述的磁瓦表面的缺陷分割方法,其特征在于,步骤S2中,还包括以下子步骤:
3.如权利要求1所述的磁瓦表面的缺陷分割方法,其特征在于,步骤S3中,还包括以下子步骤:
4.如权利要求2所述的磁瓦表面的缺陷分割方法,其特征在于,定义所述高斯残差注意力卷积网络为GRAC,则所述高斯残差注意力卷积网络满足以下关系式:
5.如权利要求4所述的磁瓦表面的缺陷分割方法,其特征在于,定义所述多视图循环卷积网络为MVCC,则所述多视图循环卷积网络满足以下关系式:
【技术特征摘要】
1.一种磁瓦表面的缺陷分割方法,其特征在于,所述缺陷分割方法包括以下步骤:
2.如权利要求1所述的磁瓦表面的缺陷分割方法,其特征在于,步骤s2中,还包括以下子步骤:
3.如权利要求1所述的磁瓦表面的缺陷分割方法,其特征在于,步骤s3中,还包括以下子步骤:
4...
【专利技术属性】
技术研发人员:廖勇,李翔,彭乘风,廖芳芳,林安平,刘祥贵,欧盛强,
申请(专利权)人:湘南学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。