CN112098092A - 一种结合深度学习和机器视觉的滚动轴承振动测量方法 - Google Patents

Abstract

本发明涉及一种结合深度学习和机器视觉的滚动轴承振动测量方法，目前，传统加速度传感器测振方法对测量对象原有的运动状态造成干扰，并且安装繁琐、抗干扰能力差等原因，通过双目视觉能够反映出滚动轴承的轴心三维空间变化，在此基础上，利用滚动轴承振动位移小的特点，通过滚动轴承的深度学习识别模型，将视频中第一帧滚动轴承自主识别出来，大致确定滚动轴承位置，极大地减少图像处理的工作量，加快检测速度，通过图像处理和空间关系推导，获得滚动轴承内圈，获取滚动轴承试验台上滚动轴承振动频率、振动幅值以及振动的空间轨迹等，为滚动轴承的动态性能和可靠性的验证分析提供有力的支撑。

Description

一种结合深度学习和机器视觉的滚动轴承振动测量方法

技术领域：

本发明设计一种结合深度学习和机器视觉的滚动轴承振动测量方法，适用于滚动轴承试验台上滚动轴承振动频率、振动幅值以及振动的空间轨迹的数据收集，为滚动轴承的动态性能和可靠性的验证分析提供有力的支撑。

背景技术：

以滚动轴承为测量研究对象，滚动轴承是旋转机械的重要基础部件，滚动轴承的振动信号能够综合地反映滚动轴承的动态性能，开展滚动轴承动态模态分析，如何高效快捷地监测滚动轴承的振动至关重要，原有的传统加速度传感器测振方法对测量对象原有的运动状态造成干扰，并且安装繁琐、抗干扰能力差，因而提出一种结合深度学习和机器视觉的滚动轴承测振方法，在克服传统测振方法弊端的同时，通过深度学习模型进一步加快振动检测速度。

发明内容

本发明解决的问题为：针对传统加速度传感器测振的安装繁琐、扰动原运动状态的缺陷，以及无法直接测量轴承内圈位移的缺陷，设计一种结合深度学习和机器视觉的滚动轴承测振方法，适用于滚动轴承试验台上滚动轴承振动频率、振动幅值以及振动的空间轨迹的数据收集。

本发明的技术方案：一种结合深度学习和机器视觉检测滚动轴承振动的方法，其方法流程如下：

步骤(1)根据待测量的滚动轴承的最大振动频率，选择高速相机的拍摄频率，用以清晰地采取振动图像序列；

步骤(2)搭建滚动轴承测振试验台，设置滚动轴承识别标志点；

步骤(3)生成并训练滚动轴承深度学习网络，用以识别图像中滚动轴承的大致位置；

步骤(4)通过OpenCV库进行滚动轴承图像处理，获取滚动轴承内圈轴心；

步骤(5)将滚动轴承轴心图像位移转化为世界坐标系中，并生成可视化的滚动轴承内圈轴心的运动轨迹。

进一步的，所述步骤(1)中针对滚动轴承最大的振动频率f，选择高速相机的拍摄帧率F，满足F>f，对两个高速相机进行双目标定，获取双目标定参数。

进一步的，所述步骤(2)针对滚动轴承测振试验台，固定滚动试验台与双目高速相机的位置，保证高速相机直接拍摄拍摄到滚动轴承，并将滚动轴承内轴的端部涂抹成红色，作为视觉识别的标志特征。

进一步的，所述步骤(3)针对滚动轴承识别模型的训练，首先通过网络爬虫和实际拍摄，收集各种滚动轴承图像，通过LabelImg进行特征标定提取，框选出图像中的轴承，并对其进行标注，保证照片轴承与标签进行一一对应，基于Pytorch深度学习框架搭建并训练滚动轴承学习网络，完成视频图像中的滚动轴承识别。

进一步的，所述步骤(4)针对滚动轴承图片进行颜色模型转化，即图像RGB模式转换为HSV模式，先后经过阈值处理，图像二值化，形态学处理，拟合出滚动轴承内圈的轴心，记录视频连续图像序列过程中，滚动轴承内圈轴心的图像坐标变化。

进一步的，所述步骤(5)针对对滚动轴承轴心位移的记录，通过滚动轴承轴心的图像坐标，推导出滚动轴承的世界坐标，通过Python在Pycharm上实现振动数据的图形化处理，直观地反映滚动轴承内圈中心的空间轨迹。

本发明的原理：基于机器视觉打破传动加速度传感器的弊端，通过双目视觉能够反映出滚动轴承的轴心三维空间变化，在此基础上，利用滚动轴承振动位移小的特点，通过滚动轴承的深度学习识别模型，将视频中第一帧滚动轴承自主识别出来，大致确定滚动轴承位置，极大地减少图像处理的工作量，加快检测速度。

本发明与现有技术相比的有益效果为：打破传统加速度传感器安装繁琐、干扰原有运动状态等限制，基于深度学习滚动轴承识别网络提前框选滚动轴承大致位置，极大地减少图像处理工作量，提高图像处理速度，进而通过双目高速相机获取滚动轴承振动频率，振动幅值以及内圈轴心的空间轨迹。

附图说明

图1为本发明的方法流程图

图2为双目相机空间位置及双目测距原理图

图3为滚动轴承识别过程示意图

图4为滚动轴承轴心图像坐标变化图

图5为滚动轴承轴心空间轨迹图

具体的实施方式：

以下结合附图和具体实施例对本发明作进一步的详细描述：一种结合深度学习和机器视觉检测滚动轴承振动的方法，其方法流程如下：

步骤(1)根据待测量的滚动轴承的最大振动频率，选择高速相机的拍摄频率，用以清晰地采取振动图像序列；

步骤(2)搭建滚动轴承测振试验台，设置滚动轴承识别标志点；

步骤(3)生成并训练滚动轴承深度学习网络，用以识别图像中滚动轴承的大致位置；

步骤(4)通过OpenCV库进行滚动轴承图像处理，获取滚动轴承内圈轴心；

步骤(5)将滚动轴承轴心图像位移转化为世界坐标系中，并生成可视化的滚动轴承内圈轴心的运动轨迹。

进一步的，所述步骤(1)中针对滚动轴承最大的振动频率f，选择高速相机的拍摄帧率F，满足F>f，对两个高速相机进行双目标定，获取双目标定参数，相机内参

f_x＝f/dx,f_v＝f/dy，称u,v轴的尺度因子。相机外参

M为投影矩阵。。

进一步的，所述步骤(2)针对滚动轴承测振试验台，固定滚动试验台与双目高速相机的位置，保证高速相机直接拍摄拍摄到滚动轴承，并将滚动轴承内轴的端部涂抹成红色，作为视觉识别的标志点，空间位置如图2，其中OL和OR分别为左右相机。

进一步的，所述步骤(3)针对滚动轴承识别模型的训练，首先通过网络爬虫和实际拍摄，收集各种滚动轴承图像，通过LabelImg进行特征标定提取，框选出图像中的轴承，并对其进行标注，保证照片轴承与标签进行一一对应，基于Pytorch深度学习框架搭建并训练滚动轴承学习网络，对视频图像第一帧进行滚动轴承大致位置框选，如图3。

进一步的，所述步骤(4)针对滚动轴承图片进行颜色模型转化，即图像RGB模式转换为HSV模式，先后经过阈值处理，图像二值化，形态学处理，拟合出滚动轴承内圈的轴心，记录视频连续图像序列过程中，滚动轴承内圈轴心的图像坐标变化，如图4。

进一步的，所述步骤(5)针对对滚动轴承轴心位移的记录，通过滚动轴承轴心的图像坐标，推导出滚动轴承的世界坐标，通过滚动轴承轴心在左右视图中图像坐标，依据公式双目测距的转换公式：

其中，相机内参

f_x＝f/dx,f_v＝f/dy，称u,v轴的尺度因子。相机外参

M为投影矩阵。

如图2，P是测量物体上的某一点，OL，OR分别是左右两个相机的光心，点P在两个相机感光器上的成像点分别为P_left，P_right，f为相机的焦距，b为两个相机的中心距。Z为P点的深度信息，设P_left，P_right之间的距离为disp，则disp＝b-(XL-XR)，根据相似三角形原理

其中Z为目标点距离两相机连线的垂直距离，推导出滚动轴承内圈中心的世界坐标，通过Python在Pycharm上实现振动数据的图形化处理，直观地反映滚动轴承内圈中心的空间轨迹，如图5。

综上，通过以上流程，可以得到基于深度学习和机器视觉的滚动轴承振动信号提取方法，可以从中得到滚动轴承的空间振幅，帧频以及振动轨迹，打破传统加速度传感器测量弊端的同时，加快了检测速度，为滚动轴承的动态性能和可靠性的验证分析提供有力的支撑。

本发明未详细阐述的部分属于本领域公知技术。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围内。

Claims (6)

1.一种结合深度学习和机器视觉检测滚动轴承振动的方法，其特征在实现步骤如下：

步骤(1)根据待测量的滚动轴承的最大振动频率，选择高速相机的拍摄频率，用以清晰地采取振动图像序列；

步骤(2)搭建滚动轴承测振试验台，设置滚动轴承识别标志点；

步骤(3)生成并训练滚动轴承深度学习网络，用以识别图像中滚动轴承的大致位置；

步骤(4)通过OpenCV库进行滚动轴承图像处理，获取滚动轴承内圈轴心；

步骤(5)将滚动轴承轴心图像位移转化为世界坐标系中，并生成可视化的滚动轴承内圈轴心的运动轨迹。

2.根据权利要求1所述步骤(1)中针对滚动轴承最大的振动频率f，选择高速相机的拍摄帧率F，满足F>f，用以清晰地采取振动图像序列。

3.根据权利要求1所述步骤(2)针对滚动轴承测振试验台，固定滚动试验台与双目高速相机的位置，且双目相机保持平行，保证高速相机直接拍摄拍摄到滚动轴承，并保证高速相机正视滚动轴承端面，并将滚动轴承内轴的端部涂抹成红色，作为视觉识别的标志特征。

4.根据权利要求1所述步骤(3)以目标滚动轴承为目标搜集滚动轴承数据集，搭建并训练滚动轴承识别神经网络，在框选滚动轴承在图像的位置的同时，输出滚动轴承在图像中的图像坐标。

5.根据权利要求1所述步骤(4)针对滚动轴承图片进行颜色模型转化，即图像RGB模式转换为HSV模式，先后经过阈值处理，图像二值化，形态学处理，边界提取，拟合出滚动轴承内圈的轴心，并记录轴心在视频中每幅图像的图像坐标，并输出其振幅和振动频率。

6.根据权利要求1所述步骤(5)通过实现滚动轴承振动数据，滚动轴承内圈中心的空间轨迹图。

Images