【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及陶瓷滚动元件，更具体地说，涉及这种滚动元件中制造缺陷的检测。
技术介绍
1、为了引导机械组件旋转，通常建议使用配备有由陶瓷或钢制成的滚动元件的滚动轴承。滚动元件例如可以是球或者甚至是圆柱形、圆锥形或球形滚子。
2、滚动轴承的这些滚动元件允许确保轴相对于固定元件的圆周运动，同时限制摩擦力。
3、它们适用于汽车和航空领域中的可逆电动马达或内燃机。
4、然而，由于陶瓷滚动元件是通过烧结生产的，它们可能含有杂质、不均匀的材料结块或孔隙。
5、这些缺陷易于使滚动元件失效，并因此损坏包括配备有这种滚动元件的滚动轴承的产品。
6、例如，当配备有失效滚动元件的滚动轴承位于旋转轴上时，它们可能导致剥落和/或过热，并且轴将越来越难以旋转。
7、此外，滚动元件易于与轴承的其他部件完全分离，从而导致旋转轴与其周围的机械系统分离：这在航空学中可能是至关重要的。
8、为了防止滚动元件失效，在制造后立即检测这些缺陷是有利的。
9、已知使用x射线来获得滚动元件的射线照相图像。
10、这些图像经过处理后，由操作者进行分析，以识别滚动元件中的缺陷。
11、然而，由操作者识别滚动元件中的缺陷的过程不适用于大规模制造的滚动元件。
12、由于操作者处理图像的能力有限，缺陷识别程序可能会降低整个滚动元件生产线的速度。
13、此外，操作者在解释图像时可能会出错。
14、已知使用深度学习算法，例如神经网络来识
15、然而，为了让深度学习算法表现良好，它必须经过训练。
16、鉴于以上所述，本专利技术的目标是克服上述限制。
技术实现思路
1、因此，本专利技术的一个主题是一种用于训练深度学习算法以检测陶瓷滚动元件中的缺陷的方法，包括：
2、-捕获包含缺陷和不包含任何缺陷的滚动元件的数字射线照相图像集，
3、-第一次过滤图像集中的每个图像，以便提高每个图像的对比度，
4、-基于经过滤的射线照相图像集生成数据集，
5、-基于数据集，使用统计学习算法将射线照相图像集中的每个图像分类成可疑滚动元件类或非可疑滚动元件类，
6、-基于射线照相图像集训练深度学习算法，使得该深度学习算法将射线照相图像集中的每个图像分类成可疑滚动元件类或非可疑滚动元件类，以及
7、-比较由统计学习算法执行的图像集中的图像的分类和由深度学习算法执行的图像集中的图像的分类，以便确定深度学习算法的分类相对于由统计学习算法执行的分类的准确性。
8、当深度学习算法包括神经网络时，由学习算法执行的分类的数据的分析使得可以解释深度学习算法的权重变化。
9、当深度学习算法的精度足够高时，识别滚动元件中的缺陷的过程可以自动化，以便提高用于生产滚动元件的生产线的生产率，同时最小化图像集解释中的错误风险。
10、优选地，训练数据集的生成包括：
11、-将每个图像分割成不同的区域，
12、-对图像集中的每个图像的每个区域进行第二次过滤以获得数据向量，该数据向量形成训练数据集。
13、有利地，通过统计学习算法对射线照相图像集中的每个图像进行分类包括：
14、-基于经过滤的图像集中的每个图像的指示数据集计算图像分析指标的值，
15、-将分析指标与阈值进行比较，以及
16、-根据比较结果对每个图像进行分类。
17、优选地，图像分析指标包括计算平均值和/或标准偏差和/或中值和/或灰度梯度。
18、有利地，深度学习算法的训练包括：
19、-将每个经过滤的图像分割成不同的区域，以及
20、-使用深度学习算法处理每个图像的每个区域，以便基于选择标准检测至少一个缺陷，
21、-根据特定于每个区域的选择标准来检测缺陷，以及
22、-对每个图像进行分类。
23、优选地，选择标准包括所述区域中滚动元件的几何形状和/或所述区域中的纹理和/或所述区域中的对比度。
24、有利地，深度学习算法包括卷积神经网络。
25、优选地，由统计学习算法执行的图像集中的图像分类与由深度学习算法执行的图像集中的图像分类的比较包括：
26、-对于射线照相图像集中的每个相同图像，比较由统计学习算法执行的分类和由深度学习算法执行的分类，
27、-确定由统计学习算法和深度学习算法分类成相同类的图像数量，以及
28、-通过计算由两种算法分类成相同类的图像数量与射线照相图像集中的图像总数之间的比率来确定深度学习算法的分类准确性。
29、本专利技术的另一主题是一种用于训练深度学习算法以检测陶瓷滚动元件中的缺陷的系统，包括：
30、-用于捕获包含缺陷和不包含任何缺陷的滚动元件的数字射线照相图像集的装置,
31、-配置为提高图像集中的每个图像的对比度的过滤装置，
32、-用于基于经过滤的射线照相图像集生成数据集的装置，
33、-配置成实施统计学习算法的实施装置,该统计学习算法配置成基于数据集将图像集中的每个图像分类成可疑滚动元件类或非可疑滚动元件类,
34、-训练装置,其配置为基于射线照相图像集训练深度学习算法，使得该深度学习算法将射线照相图像集中的每个图像分类成可疑滚动元件类或非可疑滚动元件类，以及
35、-比较装置,其配置为比较由统计学习算法执行的图像集中的图像的分类和由深度学习算法执行的图像集中的图像的分类，以便确定深度学习算法的分类相对于由统计学习算法执行的分类的准确性。
本文档来自技高网...【技术保护点】
1.一种用于训练深度学习算法(ALGO2)以检测陶瓷滚动元件(2)中的缺陷的方法，包括：
2.根据权利要求1所述的方法，其中，生成训练数据集(DATA3)包括：
3.根据权利要求1和2中任一项所述的方法，其中，通过统计学习算法(ALGO1)对所述射线照相图像集中的每个图像进行分类包括：
4.根据权利要求3所述的方法，其中，所述图像分析指标包括计算平均值、和/或标准偏差、和/或中值、和/或灰度梯度。
5.根据前述权利要求中任一项所述的方法，其中，所述训练深度学习算法(ALGO2)包括：
6.根据权利要求5所述的方法，其中，所述选择标准包括所述区域中滚动元件的几何形状，和/或所述区域中的纹理和/或所述区域中的对比度。
7.根据权利要求1至4中任一项所述的方法，其中，所述深度学习算法(ALGO2)包括卷积神经网络。
8.根据前述权利要求中任一项所述的方法，其中，由所述统计学习算法(ALGO1)执行的图像集中的图像分类与由所述深度学习算法(ALGO2)执行的图像集中的图像分类的比较包括：
9.
...【技术特征摘要】
【国外来华专利技术】
1.一种用于训练深度学习算法(algo2)以检测陶瓷滚动元件(2)中的缺陷的方法，包括：
2.根据权利要求1所述的方法，其中，生成训练数据集(data3)包括：
3.根据权利要求1和2中任一项所述的方法，其中，通过统计学习算法(algo1)对所述射线照相图像集中的每个图像进行分类包括：
4.根据权利要求3所述的方法，其中，所述图像分析指标包括计算平均值、和/或标准偏差、和/或中值、和/或灰度梯度。
5.根据前述权利要求中任一项所述的方法，其中，所述训练深度学习算法(algo2)包括：
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。