一种基于深度学习的风机齿轮缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111462038A(43)申请公布日2020.07.28(21)申请号202010118873.8(22)申请日2020.02.26(71)申请人东莞理工学院地址523000广东省东莞市松山湖科技产业园区大学路1号(72)发明人孔庆杰李丰位(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.G06T7/00(2017.01)G06T7/62(2017.01)G06K9/62(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于深度学习的风机齿轮缺陷检测方法(57)摘要本发明提出一种基于深度学习的风机齿轮缺陷检测方法，包括以下步骤：采集风机齿轮的离散数据并转换为时频图；将时频图输入特征提取层中得到多层缺陷特征图；将多层缺陷特征图输入区域候选网络中提取缺陷候选区域；将区域候选区域根据特征相似度进行两两配对，组成缺陷组；将缺陷组输入学习构造器中得到含有共性与差异性信息的缺陷候选区域，然后将其输入分类器中计算预测类别值，计算损失函数并更新网络参数，得到风机齿轮缺陷检测模型；将待检测的风机齿轮图像输入风机齿轮缺陷检测模型，输出得到标识有缺陷候选区域的风机齿轮图像。CN111462038ACN111462038A权利要求书1/2页1.一种基于深度学习的风机齿轮缺陷检测方法，其特征在于，包括以下步骤：S1：采用若干传感器对风机齿轮进行离散数据的采集，将所述离散数据转换为时频图，然后对所述时频图进行预处理，并对所述时频图中的缺陷人工标注有缺陷窗口；S2：将所述经过预处理的时频图输入由ResNet-50与FPN构成的特征提取层中，提取得到所述经过预处理的时频图中的缺陷特征，得到多层缺陷特征图；S3：将所述多层缺陷特征图输入区域候选网络中，根据所述人工标注的缺陷窗口的重合度，从所述多层缺陷特征图中提取缺陷候选区域；S4：将所述缺陷候选区域进行区域特征聚集，得到固定尺寸的缺陷候选区域，然后将所述固定尺寸的缺陷候选区域根据特征相似度进行两两配对，组成缺陷组(ROIk，ROIr)，其中k/r分别表示第k/r个缺陷候选区域，且k≠r；S5：将所述缺陷组(ROIk，ROIr)输入预设的学习构造器中，得到含有缺陷候选区域的共性与差异性的信息的缺陷候选区域；S6：将所述含有缺陷候选区域的共性与差异性的信息的缺陷候选区域输入预设的分类器中计算其预测类别值，并根据人工获得的真实类别值计算损失函数，对所述特征提取层、区域候选网络、学习构造器和分类器的参数进行更新，得到风机齿轮缺陷检测模型；S7：将待检测的风机齿轮图像输入所述风机齿轮缺陷检测模型中，输出得到标识有缺陷候选区域的风机齿轮图像。2.根据权利要求1所述的风机齿轮缺陷检测方法，其特征在于：所述S1步骤中，对所述时频图进行预处理的方式包括但不仅限于高斯去噪、图像上下翻转。3.根据权利要求1所述的风机齿轮缺陷检测方法，其特征在于：所述S1步骤中，对风机齿轮进行离散数据的采集所采用的传感器包括SQI高速数据采集卡、PCB三轴加速器、PCB声传感器、PAC声发射传感器、FLUKE三厢电流传感器中的一种或多种。4.根据权利要求1所述的风机齿轮缺陷检测方法，其特征在于：所述S2步骤中，所述特征提取层中包括ResNet-50与FPN，其中，ResNet-50包括若干残差块，每个残差块由若干卷积层与激活函数层构成；所述残差块依次串联连接，且每个残差块的输出经过全连接层同时输入到FPN中。5.根据权利要求1所述的风机齿轮缺陷检测方法，其特征在于：所述S3步骤中，其具体步骤包括：将所述多层缺陷特征图输入区域候选网络中，所述区域候选网络在所述多层缺陷特征图上生成若干不同尺寸的锚窗口，所述锚窗口对每个像素点依次进行滑动，根据所述锚窗口与所述人工标注的缺陷窗口的面积重合度，当面积重合度大于预设的重合度阈值时，将所述锚窗口内的区域判断为缺陷候选区域并输出，得到所述多层缺陷特征图中的缺陷候选区域。6.根据权利要求1所述的风机齿轮缺陷检测方法，其特征在于：所述S4步骤中，其具体步骤包括：S41：采用双线性插值法将所述缺陷候选区域进行区域特征聚集，得到固定尺寸的缺陷候选区域；S42：将所述固定尺寸的缺陷候选区域进行归一化，使用不同大小的窗口划分所述缺陷候选区域中的每个通道，然后在每个通道上的相应窗口范围内选取最大值组成对应通道的特征矩阵；2CN111462038A权利要求书2/2页S43：计算所述特征矩阵的行列式值，将每个所述缺陷候选区域的所有通道的行列式值依次排列得到所述缺陷候选区域的特征向量；S44：采用余弦公式计算任意两个所述缺陷候选区域的特征向量的余弦值，然后为每一个缺陷候选区域选取与其特征向量计