[发明专利]一种轴承表面形变及文字混合缺陷图像检测方法

说明书

本发明公开了一种轴承表面形变及文字混合缺陷图像检测方法。主要步骤为：构建文本检测模型和缺陷分割模型，利用已有的图像数据构建轴承图像数据集、文本标签数据集和缺陷标签数据集进行对文本检测模型和缺陷分割模型训练，获得两个训练后的文本检测模型和缺陷分割模型；搭建硬件平台，利用搭建好的硬件平台，工业摄像头拍摄待测轴承的表面，得到轴承表面图片；输入待检测的轴承表面图片，根据文本检测模型和缺陷分割模型进行融合处理输出检测结果。本发明使用多神经网络融合的图像检测，提高了轴承表面凹坑形变缺陷的检测精度，解决了单一传统视觉无法区分缺陷和文字的问题，解决了单一神经网络难以在文字区域中检测缺陷的问题。

技术领域

本发明涉及了一种轴承表面图像处理方法，特别涉及一种轴承表面形变及文字混合缺陷图像检测方法。

背景技术

轴承是机械行业应用最多且最重要的零件，无论是精度，批量化生产，表面质量，加工精度都对轴承寿命带来了巨大的影响。但是在实际生成加工中，受企业工艺的影响，轴承表面会带来多种损伤，其中最主要的形变缺陷是轴承表面凹坑形变。因此能够检测出轴承表面是否有凹坑形变，可以对企业生产轴承带来积极意义。

尽管目前有种类繁多的轴承缺陷检测方法，但这些方法大部分是在诊断使用过程中的轴承，而在轴承生产出来后检测方法大部分沿用的是振动，声发射，铁谱分析等动态方法，很难做到轻微凹坑的区分，尤其是在凹坑位置与轴承表面文字位置重叠的情况下。

已公开成果，公开号201910853357.7中采用了FasterR-cnn神经网络用于识别轴承表面和轴承外侧的缺陷，但是该发明并没有考虑到轴承表面的文字对识别结果带来的影响，成果中也未对可能出现的文字错识进行处理。

已公开成果，公开号201210106471.1中考虑到了轴承表面缺陷与轴承表面文字之间的区分问题，并采用了统计联通区域的传统方法，检测与文字区域重叠的缺陷部分。但该发明采用的方案实施起来效果不够好，检测出来的置信度比较低。

发明内容

为了解决背景技术中存在的问题，本发明主要提供了一种轴承表面形变及文字混合缺陷图像检测方法，解决现有技术中存在的采用现有神经网络识别轴承表面和轴承外侧的缺陷时轴承表面的文字对识别结果带来影响的问题、以及检测与文字区域重叠的缺陷部分时效果不好和置信度较低的问题。

本发明所采用的技术方案如下：

步骤1：构建基于深度学习的文本检测模型和缺陷分割模型，利用已有的图像数据构建轴承图像数据集、文本标签数据集和缺陷标签数据集进行对文本检测模型和缺陷分割模型训练，获得两个训练后的文本检测模型和缺陷分割模型；

文本检测模型采用的长宽不等的卷积核的全卷积网络来解决文本长条形状的识别分辨问题；缺陷分割模型利用的分割网络的像素级别分类的特点对整个图像进行分类。

步骤2：搭建硬件平台，利用搭建好的硬件平台，工业摄像头以固定的帧率拍摄待测轴承的表面，得到轴承表面图片；

针对轴承表面图片进行预处理得到分辨率更小的轴承防尘盖图片，来适应缺陷和文字集中在轴承表面的防尘盖区域的情况；

轴承图像数据集是按照步骤2相同方式处理获得的轴承防尘盖图片组成建立。

步骤3：将步骤2中的图片分别输入步骤1中的文本检测模型和缺陷分割模型中，如图5所示，根据文本检测模型和缺陷分割模型进行融合处理：

将轴承防尘盖图片同时输入到缺陷分割模型和文本检测模型中，缺陷分割模型输出缺陷的位置，文本检测模型输出文字区域，在经过文本检测模型处理后，对输出的文字区域进行文字识别输出文本字符；将两个模型的输出结果融合，若存在缺陷，融合后的结果中标明了具体的文字位置、文本字符和缺陷位置标记；若不存在缺陷，则缺陷分割模型输出为无，融合后的结果仅有具体的文字位置和文本字符。