[发明专利]一种基于神经网络融合策略的轴承缺陷检测方法

说明书

本发明涉及轴承缺陷检测技术领域，尤其涉及一种基于神经网络融合策略的轴承缺陷检测方法，包括如下步骤：采集图像进行标注分类，并进行预处理；用标注文件和经过预处理的图像训练轴承缺陷检测器；设计两个网络并联结构，共同决策缺陷的位置和类别，把缺陷分成确定缺陷1和疑似缺陷；训练局部缺陷分类模型C，对疑似缺陷进行复判，然后综合三个模型进行疑似缺陷的决策，得到确认缺陷2；最后输出确认缺陷1和确认缺陷2。本发明使用了多网络的融合思想，包括多个检测网络的并联，加上分类网络的串联来共同决策检测的位置和类别，解决了单一网络无法覆盖所有缺陷的问题，并且该融合方案也可以兼顾过杀和漏检。

技术领域

本发明涉及轴承缺陷检测技术领域，尤其涉及一种基于神经网络融合策略的轴承缺陷检测方法。

背景技术

轴承的最早使用可以追溯到古埃及时代，而现在轴承的应用更是随处可见，应用领域小到门锁，零部件，大到汽车，设备，航空航天器等，同时某些应用领域上对轴承的质量有很高的要求。然而在轴承制造过程中，不管是原材料问题，还是工艺问题，都会使轴承产生各种表面缺陷和结构缺陷，所以对缺陷严重程度的评估变得很有价值。

目前市面上主要轴承缺陷检测的方案是人工检查，大零件通过肉眼辨别，小零件通过放大镜等辅助工具辨别，很难有比较细致的量化标准，绝大部分通过人为经验加主观决定。除此之外也有一些用传统图像处理的方案来检测，但是由于轴承样式多变，表面纹理非常重，遇到大轴承还有光照不均导致的检测面亮度差异大的问题，以上情况使得传统的图像处理算法存在兼容性差，并且缺陷检测效果层次不齐，无法做分类等等弊端。

随着深度学习的发展，近期也有一小部分用深度学习来检测的实例，比如用Faster RCNN或者YOLO等做目标检测，但是这些方案还处于初步阶段，都把轴承缺陷检测任务和自然场景物体检测任务同等处理，没有针对轴承特点进行设计，而且要求有大量的错误样本数据，加上单模型实际无法做到所有类型缺陷同时达到比较好的效果。所以目前在轴承缺陷检测上没有比较好的成熟方案。因此本发明提出了一种基于深度学习融合策略的检测方案，并且针对轴承的特点，对数据做针对性的处理和扩充，解决数据量不足的情况。本发明适用多种不同种类，不同大小的轴承缺陷检测和分类，兼容性强，可以覆盖常规的划伤，崩裂，缺角，污渍等缺陷类型。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于神经网络融合策略的轴承缺陷检测方法，使用了多网络的融合思想，包括多个检测网络的并联，加上分类网络的串联来共同决策检测的位置和类别，解决了现有技术中单一网络无法覆盖轴承所有缺陷的问题。

本发明提供如下技术方案：一种基于神经网络融合策略的轴承缺陷检测方法，包括如下步骤：

S1、采集带有缺陷的不同类型的轴承图像，对采集的图像进行标注分类，并对标注后的图像进行预处理；

S2、用标注文件和经过预处理的图像训练轴承缺陷检测器，定位缺陷位置和类别；其中轴承缺陷检测器采用两个不同类型的目标检测网络模型A和目标检测网络模型B的融合；设计两个网络并联结构，共同决策缺陷的位置和类别，把缺陷分成确定缺陷1和疑似缺陷；

S3、训练局部缺陷分类模型C，对疑似缺陷进行复判，训练得到的局部缺陷分类模型C对疑似缺陷进行分类，然后综合三个模型进行疑似缺陷的决策，得到确认缺陷2；

S4、最后输出确认缺陷1和确认缺陷2。

优选的，所述步骤S1中预处理包括：对轴承图像进行一个极坐标变换，进行极坐标变换后把轴承变换成矩形。

优选的，所述步骤S1中的预处理还包括：随机截取不同轴承上的缺陷区域图片，贴附在不同轴承的非缺陷背景上。