一种轴承防尘盖的凹坑检测方法和装置制造方法及图纸

本申请提供了一种轴承防尘盖的凹坑检测方法和装置，所述方法包括：获取轴承防尘盖的目标检测图像，将目标检测图像输入预先构建的凹坑检测模型进行目标检测，得到轴承防尘盖的凹坑预测结果，其中，凹坑检测模型是基于深度神经网络建立，并使用已标注凹坑的轴承防尘盖图像集通过凹坑检测模型的框架训练所得，凹坑检测模型的框架中类别损失权重为初始计算值的数倍，凹坑检测模型的类别置信度小于预设阈值，凹坑预测结果为目标检测图像中被锚框框出的凹坑，锚框为凹坑检测模型中预设的锚框，包括多个用于匹配小凹坑的小尺寸锚框。整个方法提升了凹坑检测模型对凹坑的检测精度，改善现有技术中大凹坑容易检测，微小凹坑的漏检和误检的问题。检的问题。检的问题。

【技术实现步骤摘要】
一种轴承防尘盖的凹坑检测方法和装置


[0001]本申请涉及轴承防尘盖凹坑检测领域，尤其涉及一种轴承防尘盖的凹坑检测方法和装置。

技术介绍

[0002]轴承作为一种高精密基础零件被广泛应用在高铁、航天、机械等领域。轴承内进入灰尘会影响到产品的质量、运行精度以及使用寿命，轴承防尘盖可以保存润滑脂，而且可以防止灰尘等异物进入轴承，保持滚动体在清洁的环境中转动。然而轴承防尘盖在生产过程中容易产生凹坑划伤等缺陷，这些缺陷在长时间工作中还会产生更严重的形变，影响滚动体的转动，从而影响轴承的使用寿命。因此对轴承防尘盖进行凹坑检测是一项非常重要的工作。
[0003]现有的轴承防尘盖的凹坑检测方法有两种：一是工人手动检测，这种方法虽然精度较高，但因工人熟练度差异，工作疲劳等原因导致检测精度不稳定。二是基于传统图像处理方法，先增强凹坑区域，分割算法提取凹坑区域，对提取凹坑区域提炼特征，根据特征设置阈值判断是否是凹坑。这种方式只能提取非常明显的凹坑，轻微的凹坑很难检测出来，检测的精度很低，漏检率和误检率都较高。

技术实现思路

[0004]本申请提出了一种轴承防尘盖的凹坑检测方法和装置，针对微小凹坑建立网络训练模型，改善了现有技术只能提取明显凹坑，无法检测微小凹坑，导致漏检率和误检率高的问题。
[0005]第一方面，本申请实施例提供了一种轴承防尘盖的凹坑检测方法，所述方法包括：
[0006]获取轴承防尘盖的目标检测图像；
[0007]将所述目标检测图像输入预先构建的凹坑检测模型进行目标检测，得到所述轴承防尘盖的凹坑预测结果，其中，所述凹坑检测模型是基于深度神经网络建立，并使用已标注凹坑的轴承防尘盖图像集进行训练，所述凹坑检测模型在训练过程中的类别损失权重为初始计算值的数倍，所述凹坑检测模型的类别置信度小于预设阈值，所述凹坑预测结果为所述目标检测图像中被锚框框出的凹坑，所述锚框为所述凹坑预测模型中预设的锚框，包括多个用于匹配小凹坑的小尺寸锚框。
[0008]在一种可能的实现方式中，所述获取轴承防尘盖的目标检测图像，包括：
[0009]采集轴承防尘盖图像的ROI；
[0010]去除所述轴承防尘盖图像的ROI的背景干扰，得到所述轴承防尘盖的目标检测图像。
[0011]在一种可能的实现方式中，所述去除所述轴承防尘盖图像的ROI的背景干扰，包括：
[0012]针对所述轴承防尘盖图像的ROI中的任意像素点，确定所述任意像素点与所述ROI
的中心像素点的距离；
[0013]如果所述任意像素点与所述ROI的中心像素点的距离大于整个轴承外圆的半径或小于整个轴承内圆的半径，则将所述任意像素点的像素值置零。
[0014]在一种可能的实现方式中，所述凹坑检测模型通过以下方式构建：
[0015]基于深度神经网络模型的架构，搭建所述凹坑检测模型的架构；
[0016]使用所述已标注凹坑的轴承防尘盖图像集对所述凹坑检测模型的架构进行训练，得到所述凹坑检测模型。
[0017]在一种可能的实现方式中，所述已标注凹坑的轴承防尘盖图像集通过以下方式得到：
[0018]获取初始训练图像集，所述初始训练图像集包括已标注出凹坑的多个轴承防尘盖的初始训练图像；
[0019]从所述初始训练图像集中获取只有小凹坑标注的第一样本图像集，所述小凹坑包括深度小于平均深度的凹坑以及尺寸小于平均尺寸的凹坑，所述平均深度为所述初始训练图像集凹坑的平均坑深，所述平均尺寸为所述初始训练图像集的凹坑平均尺寸；
[0020]通过仿射变换对所述第一样本图像集进行扩充，得到第二样本图像集；
[0021]将所述第二样本图像集，以及所述初始训练图像集中除所述第一样本图像集以外的其他初始训练图像，共同确定为所述已标注凹坑的轴承防尘盖图像集。
[0022]在一种可能的实现方式中，所述锚框通过以下方式设置：
[0023]获取所述初始训练图像集中各个图像的标注框，所述标注框的尺寸反映真实凹坑的大小；
[0024]对所述初始训练图像集的标注框进行聚类统计，得到第一预设数量的聚类标注框作为第一锚框集；
[0025]获取所述第一样本图像集中各个图像的标注框；
[0026]对所述第一样本图像集的标注框进行聚类统计，得到第二预设数量的聚类标注框作为小尺寸锚框集；
[0027]所述小尺寸锚框集中的各个锚框与所述第一锚框集中各个锚框共同确定为所述锚框。
[0028]第二方面，本申请实施例提供一种轴承防尘盖凹坑检测装置，所述装置包括：
[0029]目标检测图像获取模块，用于获取轴承防尘盖的目标检测图像；
[0030]目标检测模块，用于将所述目标检测图像输入预先构建的凹坑检测模型进行目标检测，得到所述轴承防尘盖的凹坑预测结果，其中，所述凹坑检测模型是基于深度神经网络建立，并使用已标注凹坑的轴承防尘盖图像集进行训练，所述凹坑检测模型在训练过程中的类别损失权重为初始计算值的数倍，所述凹坑检测模型的类别置信度小于预设阈值，所述凹坑预测结果为所述目标检测图像中被锚框框出的凹坑，所述锚框为所述凹坑预测模型中预设的锚框，包括多个用于匹配小凹坑的小尺寸锚框。
[0031]在一种可能的实现方式中，所述目标检测图像获取模块包括：
[0032]图像采集子模块，用于采集轴承防尘盖图像的ROI；
[0033]去除背景子模块，用于去除所述轴承防尘盖图像的ROI的背景干扰，得到所述轴承防尘盖的目标检测图像。
[0034]在一种可能的实现方式中，所述去除背景子模块包括：
[0035]测距单元，用于针对所述轴承防尘盖图像的ROI中的任意像素点，确定所述任意像素点与所述ROI的中心像素点的距离；
[0036]判断执行单元，如果所述任意述像素点与所述ROI的中心像素点的距离大于整个轴承外圆的半径或小于整个轴承内圆的半径，则将所述任意像素点的像素值置零。
[0037]在一种可能的实现方式中，所述凹坑检测模型通过以下方式构建：
[0038]基于深度神经网络模型的架构，建立所述凹坑检测模型的架构；
[0039]使用所述已标注凹坑的轴承防尘盖图像集对所述凹坑检测模型的架构进行训练，得到所述凹坑检测模型。
[0040]本申请实施例提供了一种轴承防尘盖的凹坑检测方法和装置，该方法获取轴承防尘盖的目标检测图像，将目标检测图像输入预先构建的凹坑检测模型进行目标检测，得到轴承防尘盖的凹坑预测结果，其中，凹坑检测模型是基于深度神经网络建立，并使用已标注凹坑的轴承防尘盖图像集通过训练模型训练所得，训练模型中类别损失权重为初始计算值的数倍，凹坑检测模型的类别置信度小于预设阈值，凹坑预测结果为目标检测图像中被锚框框出的凹坑，锚框为凹坑预测模型中预设的锚框，包括多个用于匹配小凹坑的小尺寸锚框。该方法提升了训练模型对凹坑的检测精度，改善现有技术中大凹坑容易检测，微小凹坑的漏检和误检的问题。
附图说明
[0041本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承防尘盖的凹坑检测方法，其特征在于，所述方法包括：获取轴承防尘盖的目标检测图像；将所述目标检测图像输入预先构建的凹坑检测模型进行目标检测，得到所述轴承防尘盖的凹坑预测结果，其中，所述凹坑检测模型是基于深度神经网络建立，并使用已标注凹坑的轴承防尘盖图像集进行训练，所述凹坑检测模型在训练过程中的类别损失权重为初始计算值的数倍，所述凹坑检测模型的类别置信度小于预设阈值，所述凹坑预测结果为所述目标检测图像中被锚框框出的凹坑，所述锚框为所述凹坑预测模型中预设的锚框，包括多个用于匹配小凹坑的小尺寸锚框。2.根据权利要求1所述的轴承防尘盖的凹坑检测方法，其特征在于，所述获取轴承防尘盖的目标检测图像，包括：采集轴承防尘盖图像的ROI；去除所述轴承防尘盖图像的ROI的背景干扰，得到所述轴承防尘盖的目标检测图像。3.根据权利要求2所述的轴承防尘盖的凹坑检测方法，其特征在于，所述去除所述轴承防尘盖图像的ROI的背景干扰，包括：针对所述轴承防尘盖图像的ROI中的任意像素点，确定所述任意像素点与所述ROI的中心像素点的距离；如果所述任意像素点与所述ROI的中心像素点的距离大于整个轴承外圆的半径或小于整个轴承内圆的半径，则将所述任意像素点的像素值置零。4.根据权利要求1所述的轴承防尘盖的凹坑检测方法，其特征在于，所述凹坑检测模型通过以下方式构建：基于深度神经网络模型的架构，搭建所述凹坑检测模型的架构；使用所述已标注凹坑的轴承防尘盖图像集对所述凹坑检测模型的架构进行训练，得到所述凹坑检测模型。5.根据权利要求4所述的轴承防尘盖的凹坑检测方法，其特征在于，所述已标注凹坑的轴承防尘盖图像集通过以下方式得到：获取初始训练图像集，所述初始训练图像集包括已标注出凹坑的多个轴承防尘盖的初始训练图像；从所述初始训练图像集中获取只有小凹坑标注的第一样本图像集，所述小凹坑包括深度小于平均深度的凹坑以及尺寸小于平均尺寸的凹坑，所述平均深度为所述初始训练图像集凹坑的平均坑深，所述平均尺寸为所述初始训练图像集的凹坑平均尺寸；通过仿射变换对所述第一样本图像集进行扩充，得到第二样本图像集；将所述第二样本图像集，以及所述初始训练图像集中除所述第一样本图像集以外的其他初始训练图像，共同确定为所述已标注凹坑...

【专利技术属性】
技术研发人员：马建友，刘阳，
申请(专利权)人：南京风兴科技有限公司，
类型：发明
国别省市：