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
一种结合深度学习和机器视觉的滚动轴承振动测量方法 Download PDFInfo
- Publication number
- CN112098092A CN112098092A CN202010956617.6A CN202010956617A CN112098092A CN 112098092 A CN112098092 A CN 112098092A CN 202010956617 A CN202010956617 A CN 202010956617A CN 112098092 A CN112098092 A CN 112098092A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- vibration
- image
- deep learning
- inner ring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
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
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fx=f/dx,fv=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:
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Pleft,Pright,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Pleft,Pright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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010956617.6A CN112098092A (zh) | 2020-09-11 | 2020-09-11 | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010956617.6A CN112098092A (zh) | 2020-09-11 | 2020-09-11 | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112098092A true CN112098092A (zh) | 2020-12-18 |
Family
ID=73752114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010956617.6A Pending CN112098092A (zh) | 2020-09-11 | 2020-09-11 | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098092A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511880A (zh) * | 2022-11-07 | 2022-12-23 | 长江勘测规划设计研究有限责任公司 | 一种利用机器视觉识别测量两轴振动幅值和频率的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600650A (zh) * | 2016-12-12 | 2017-04-26 | 杭州蓝芯科技有限公司 | 一种基于深度学习的双目视觉深度信息获取方法 |
KR20180114698A (ko) * | 2017-04-11 | 2018-10-19 | 한국과학기술원 | 다관절 로봇의 작업 궤적 생성을 위한 효율적인 학습 모델 및 학습 기법 |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN109308693A (zh) * | 2018-08-29 | 2019-02-05 | 北京航空航天大学 | 由一台ptz相机构建的目标检测和位姿测量单双目视觉系统 |
KR20190067439A (ko) * | 2017-12-07 | 2019-06-17 | 한국전자통신연구원 | 딥러닝 기반의 반도체 비전 검사 시스템에서의 제어 변수 설정 장치 및 방법 |
CN111325843A (zh) * | 2020-03-09 | 2020-06-23 | 北京航空航天大学 | 一种基于语义逆深度滤波的实时语义地图构建方法 |
-
2020
- 2020-09-11 CN CN202010956617.6A patent/CN112098092A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600650A (zh) * | 2016-12-12 | 2017-04-26 | 杭州蓝芯科技有限公司 | 一种基于深度学习的双目视觉深度信息获取方法 |
KR20180114698A (ko) * | 2017-04-11 | 2018-10-19 | 한국과학기술원 | 다관절 로봇의 작업 궤적 생성을 위한 효율적인 학습 모델 및 학습 기법 |
KR20190067439A (ko) * | 2017-12-07 | 2019-06-17 | 한국전자통신연구원 | 딥러닝 기반의 반도체 비전 검사 시스템에서의 제어 변수 설정 장치 및 방법 |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN109308693A (zh) * | 2018-08-29 | 2019-02-05 | 北京航空航天大学 | 由一台ptz相机构建的目标检测和位姿测量单双目视觉系统 |
CN111325843A (zh) * | 2020-03-09 | 2020-06-23 | 北京航空航天大学 | 一种基于语义逆深度滤波的实时语义地图构建方法 |
Non-Patent Citations (2)
Title |
---|
JIACHEN YANG等: "Blind assessment for stereo images considering binocular characteristics and deep perception map based on deep belief network", 《INFORMATION SCIENCES》 * |
王一江: "基于机器视觉和深度学习的空间结构球节点位移测量方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511880A (zh) * | 2022-11-07 | 2022-12-23 | 长江勘测规划设计研究有限责任公司 | 一种利用机器视觉识别测量两轴振动幅值和频率的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN107462741B (zh) | 一种运动物体速度及加速度测量装置 | |
CN105741379A (zh) | 一种变电站全景巡检方法 | |
CN113947731B (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN110991360B (zh) | 一种基于视觉算法的机器人巡检点位智能配置方法 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN109101935A (zh) | 基于热成像相机的人物动作捕捉系统和方法 | |
CN107238727A (zh) | 基于动态视觉传感器芯片的光电式转速传感器及探测方法 | |
CN111189401B (zh) | 盾尾间隙实时自动测量方法及系统 | |
CN112098092A (zh) | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 | |
CN115588043A (zh) | 一种基于视觉的挖掘机作业位姿的监测方法 | |
CN114862809A (zh) | 一种基于移动终端与图像处理的振动监测方法和装置 | |
CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
CN210533296U (zh) | 一种隧道洞周变形监测系统 | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
CN113340405B (zh) | 桥梁振型的测量方法、装置及系统 | |
CN115962783A (zh) | 掘进机截割头的定位方法及掘进机 | |
CN210719032U (zh) | 位移测试系统 | |
CN111399634B (zh) | 一种手势引导物体识别的方法及装置 | |
CN113465549A (zh) | 基于视觉的无标记点轴承保持架接触角测量系统及方法 | |
CN102928437A (zh) | 一种金属带卷表面质量记录系统 | |
CN110686602A (zh) | 位移测试系统及位移测试方法 | |
CN113724334B (zh) | 一种基于机器视觉的电梯振动检测方法和系统 | |
CN220650489U (zh) | 一种桥梁表面缺损采集装置 | |
CN114459298B (zh) | 一种微型弹载主动式激光导引头及其导引方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201218 |