CN114897909B - 基于无监督学习的曲轴表面裂纹监测方法及系统 - Google Patents

基于无监督学习的曲轴表面裂纹监测方法及系统 Download PDF

Info

Publication number
CN114897909B
CN114897909B CN202210829822.5A CN202210829822A CN114897909B CN 114897909 B CN114897909 B CN 114897909B CN 202210829822 A CN202210829822 A CN 202210829822A CN 114897909 B CN114897909 B CN 114897909B
Authority
CN
China
Prior art keywords
crankshaft
vae
image
surface crack
sample data
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.)
Active
Application number
CN202210829822.5A
Other languages
English (en)
Other versions
CN114897909A (zh
Inventor
谢罗峰
卓师铭
殷鸣
殷国富
刘建华
杨扬
赖光勇
杨敏
余雅彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Pan Asia Power Technology Co ltd
Sichuan University
Original Assignee
Sichuan Pan Asia Power Technology Co ltd
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Pan Asia Power Technology Co ltd, Sichuan University filed Critical Sichuan Pan Asia Power Technology Co ltd
Priority to CN202210829822.5A priority Critical patent/CN114897909B/zh
Publication of CN114897909A publication Critical patent/CN114897909A/zh
Application granted granted Critical
Publication of CN114897909B publication Critical patent/CN114897909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于无监督学习的曲轴表面裂纹监测方法及系统，所述监测方法包括：建立表面裂纹监测初模型；通过真实样本数据集和无标注样本数据对模型进行训练，得到表面裂纹监测最终分类模型；输入所采集的曲轴表面图像至最终分类模型，对该曲轴表面裂纹状态进行分类。本发明的曲轴表面裂纹监测方法减少了标注曲轴表面图像所需的成本，即在后续的曲轴表面裂纹检测上投入的成本；本发明可操作性强，迭代方式可靠，其分类精度能够随着分类完成的曲轴表面图像样本数据量的增加而上升。

Description

基于无监督学习的曲轴表面裂纹监测方法及系统
技术领域
本发明涉及表面检测技术领域，特别是涉及一种基于无监督学习的曲轴表面裂纹监测方法及系统。
背景技术
曲轴是发动机的关键组件，其结构复杂，不易加工制造，具有高附加值。随着汽车发动机高转速、大功率、小型化的发展趋势，对发动机的曲轴强度、刚度及可靠性等要求不断提升。在汽车行驶过程中，由于存在交变载荷的作用，曲轴容易出现弯曲疲劳，导致疲劳裂纹的发生。初始疲劳裂纹也称裂纹扩展的第一阶段，处于裂纹扩展第一阶段的曲轴，由于传统曲轴疲劳强度的设计方式，留有一定的材料强度，存在再制造的价值。而在裂纹扩展到第二阶段，曲轴易发生失稳进而断裂。因此，检测曲轴是否发生疲劳裂纹且位于疲劳裂纹第几阶段成为目前研究的重点。
传统的方法包括采用有限元技术研究曲轴裂纹发生的原因及裂纹扩展的速率，进而判断当前所检测的曲轴疲劳裂纹状态。然而，由于热应力与残余应力等物理因素过于复杂，有限元仿真难以模拟其扩展动态，传统检测方法存在局限性。
近年来，随着以深度学习为代表的数据驱动技术的不断成熟，研究人员通过工业相机采集需检测曲轴的表面图像，采用卷积神经网络模型来检测曲轴表面裂纹状态。然而，由于曲轴不易加工制造，且处于第一阶段初期的曲轴表面疲劳裂纹难以察觉，而易察觉表面裂纹的曲轴往往不具有再制造价值，因此曲轴表面裂纹图像不易采集且后续精确检测代价昂贵，样本数据量不足，卷积神经网络模型难以达到较高的检测精度。
发明内容
针对上述问题，本发明提供了一种基于无监督学习的曲轴表面裂纹监测方法及系统，降低在曲轴表面裂纹检测上投入的成本；同时具有可靠的迭代方式，分类精度能够随着分类完成的曲轴表面图像样本数据量的增加而上升，检测精度高。
本发明的技术方案是：
第一方面，本发明提供了一种基于无监督学习的曲轴表面裂纹监测方法，包括：
建立表面裂纹监测初模型，其中，所述的表面裂纹监测初模型包括用于提取曲轴表面裂纹高维特征的VAE特征提取网络和用于根据输入特征向量进行表面裂纹状态分类的Clustering分类器；
训练表面裂纹监测最终分类模型，包括：
采集一些曲轴表面的图像数据并标注对应曲轴的裂纹状态，以建立真实样本数据集；采集另一些曲轴表面的图像数据建立无标注样本数据集；其中，所述裂纹状态包括无裂纹、第一阶段和第二阶段；
将所建立的真实样本数据集输入VAE特征提取网络中，通过VAE特征提取网络中的编码器模块对曲轴表面图像进行编码，通过服从正态分布q(z|x)的高维特征空间的数据映射，分割对曲轴表面图像成形影响程度高的二维特征信息与无关冗余像素信息，并将所需的高影响特征信息以一维特征向量的形式保存；
利用所述VAE特征提取网络中的解码器模块，对所保存的一维特征向量进行解码，通过服从正态分布P(z|x)的高维特征空间数据映射，将输入的所述一维特征向量解压为二维曲轴表面图像；引入包含损失均值μ与损失方差σ的隐变量，通过计算损失并反向传播来进行梯度下降，进而优化VAE特征提取网络；
将所建立的无标注样本数据集输入已优化好的VAE特征提取网络中，将VAE特征提取网络的编码器输出特征信息以一维特征向量形式保存而不再输入VAE特征提取网络的解码器；将所述的一维特征向量输入Clustering分类器中，通过聚类分类器对特征数据进行分类并保存其分类结果；
通过所保存的分类结果与真实样本数据集比对，计算该监测初模型的分类精度，根据所述分类结果标注并建立新样本数据集，并使用所述新样本数据集训练VAE特征提取网络，优化VAE的网络参数，并使用所述真实样本数据集验证优化后的监测初模型分类精度，进一步优化网络参数；
重复采用新样本数据集对VAE进行训练，直至监测初模型达到预设的分类精度；
输入所采集的曲轴表面图像至最终分类模型，对该曲轴表面裂纹状态进行分类。
上述技术方案的工作原理如下：
相比于常见的有监督学习分类方法，本发明的曲轴表面裂纹监测方法减少了标注曲轴表面图像所需的成本，即在后续的曲轴表面裂纹检测上投入的成本；当前采用的分类模型，网络参数确定后整体性能不再提升，而本发明可操作性强，迭代方式可靠，其分类精度能够随着分类完成的曲轴表面图像样本数据量的增加而上升。
在进一步的技术方案中，所述Clustering分类器所使用的分类算法包括K-means算法。
由于经过VAE特征提取网络的特征提取，所保存的一维特征向量均为关键特征信息，对曲轴表面裂纹状态影响程度高，K-means算法能够更好地根据其中特征分类曲轴表面裂纹状态。
在进一步的技术方案中，正态分布q(z|x)～η(0，1)；正态分布P(z|x)～logη(z；μ(i)，σ2(i)x)；所述计算损失的损失函数为
ELBO＝Eq(z|x)(log P(x|z)+log(P(z)-log(q(z|x))))；所述隐变量为Z～η(μ，σ)；其中，P与q表示概率分布的特征空间，η表示正态分布，x表示输入矩阵，i表示当前输入矩阵的索引值，μ表示均值，σ表示方差，Eq(z|x)表示q(z|x)下的损失函数ELBO。
如此设置，服从正态分布有利于将特征空间呈现集中趋势，便于损失函数搜索特征空间；选取ELBO为损失函数能够通过对数操作减少算法复杂度，提升计算效率。
在进一步的技术方案中，所述网络参数的优化算法包括Adam算法。
通过该设置，能够有效地优化网络参数，使得模型的分类精度更高。
在进一步的技术方案中，所述采集一些曲轴表面的图像数据包括：选取各种工况下的曲轴，使用相机在光照充足的环境中从不同角度拍摄曲轴表面图像。
通过采集不同工况下、不同角度下的曲轴表面图像，有利于增加数据的多样性，进而提升模型的泛化性和鲁棒性。
在进一步的技术方案中，对所述曲轴表面图像进行图像预处理；其中，所述图像预处理包括裁剪处理及归一化处理。
通过归一化处理，能够有效降低特征信息冗余度，提高特征提取速度，减小网络模型参数优化难度和速度。
在进一步的技术方案中，所述归一化处理包括尺寸归一化至(224,224)和灰度归一化至(0，1)。
通过该设置，使曲轴表面图像的尺寸保持一致，令图像的灰度值大小可坐落在(0，1)区间，保证网络模型的高效训练。
在进一步的技术方案中，所述裂纹状态的确定采用针对曲轴表面的磁粉探伤法或着色渗透法。
第二方面，本发明提供了一种基于无监督学习的曲轴表面裂纹监测系统，包括终端设备及摄像组件，所述终端设备存储有如上所述的最终分类模型，所述摄像组件用于采集待测曲轴的表面图像并传输至所述终端设备。
在进一步的技术方案中，还包括用以补充照明亮度的面阵光源、以及用以存储所述待测曲轴的表面图像的图像采集卡，所述图像采集卡与所述摄像组件连接并安装于所述终端设备中。
本发明的有益效果是：
本发明的曲轴表面裂纹监测方法减少了标注曲轴表面图像所需的成本，即在后续的曲轴表面裂纹检测上投入的成本；本发明可操作性强，迭代方式可靠，其分类精度能够随着分类完成的曲轴表面图像样本数据量的增加而上升。
附图说明
图1为本发明实施例曲轴表面裂纹监测方法的流程示意图；
图2为本发明实施例表面裂纹监测最终分类模型的架构图；
图3为本发明实施例VAE特征提取网络的架构图。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例
第一方面，如图1、图2所示，本发明提供了一种基于无监督学习的曲轴表面裂纹监测方法，包括以下步骤。
S1、建立表面裂纹监测初模型(即图1中的无监督分类模型)，其中，所述的表面裂纹监测初模型包括用于提取曲轴表面裂纹高维特征的变分自编码器VAE特征提取网络(即变分自编码器)和用于根据输入特征向量进行表面裂纹状态分类的Clustering分类器(即聚类分类器)。
S2、训练表面裂纹监测最终分类模型，包括以下步骤：采集一些曲轴表面的图像数据并标注对应曲轴的裂纹状态，以建立真实样本数据集；采集另一些曲轴表面的图像数据建立无标注样本数据集；其中，所述裂纹状态包括无裂纹、第一阶段和第二阶段。例如，无裂纹可以表示曲轴尚未出现疲劳裂纹，第一阶段可以表示曲轴存在再制造价值(即图1中的初始裂纹)，第二阶段可以表示曲轴无对应再制造价值(即图1中的严重裂纹)。此外，曲轴的裂纹状态也可不止于此，还可包括更加细分的裂纹状态，总体可以涵盖在这三种裂纹状态之内。
将所建立的真实样本数据集输入VAE特征提取网络中，通过VAE特征提取网络中的编码器模块对曲轴表面图像进行编码，通过服从正态分布q(z|x)的高维特征空间的数据映射，分割对曲轴表面图像成形影响程度高的二维特征信息与无关冗余像素信息，并将所需的高影响特征信息以一维特征向量的形式保存。
利用所述VAE特征提取网络中的解码器模块，对所保存的一维特征向量进行解码，通过服从正态分布P(z|x)的高维特征空间数据映射，将输入的所述一维特征向量解压为二维曲轴表面图像；引入包含损失均值μ与损失方差σ的隐变量，通过计算损失并反向传播来进行梯度下降，进而优化VAE特征提取网络。
例如，如图3(包括如图3(a)所示,DenseBlock模块的架构图、如图3(b)所示,Transition模块的架构图和如图3(c)所示,Inv-DenseBlock模块的架构图)所示，VAE特征提取网络可包括编码器、隐变量以及解码器三个模块。其中，编码器实现将输入的二维图像压缩至一维向量，解码器实现将输入的一维向量解压为二维图像，隐变量实现保留计算损失所需的均值μ与方差σ,所述的编码器由4个DenseBlock模块、3个Transition模块以及一个全连接层组成。输入的图像数据通过一个卷积核为(7，7)、步长为2的卷积层后，由池化核为(3，3)、步长为2的最大池化层对卷积层所提取的特征图进行下采样，再输入由BatchNormlized(BN)层、ReLU层和卷积核为(3，3)的卷积层组成的DenseBlock模块中，以维持DenseBlock模块中各层特征图大小一致性，并通过channel维度进行连接；同时，为了减少后续网络中隐含层的计算量，进而提高计算效率，在DenseBlock模块内部采用由卷积核为(1，1)的卷积层来降低特征图的channel维度。接着，在DenseBlock模块后接一个由BN层、ReLU层卷积核为(1，1)的卷积层和池化核为(2，2)的平均池化层组成的Transition模块用于连接两个DenseBlock模块并降低特征图大小以提高计算效率。在最后一个DenseBlock模块后接一个神经元个数为1024的全连接层以展平特征图至一维特征向量。
例如，隐变量可由均值方差计算模块组成，主要用于计算由编码器输出的一维特征向量的均值与方差并呈现为正态分布。
例如，解码器由一个全连接层、4个结构倒置的DenseBlock模块和3个Transition模块组成。将隐变量输入神经元个数为4096的全连接层中，提升特征量以避免特征信息量有限引起的特征信息矩阵稀疏问题。接着，后联结构倒置的DenseBlock模块并通过模块中卷积核为(1，1)的卷积层进行特征升维，增加相应的特征图数据量。以此类推，使用解码器将一维特征向量升维为二维图像。同时，通过过程中Transition模块来分离出无关冗余信息，保留高影响程度特征信息。
将所建立的无标注样本数据集输入已优化好的VAE特征提取网络中，将VAE特征提取网络的编码器输出特征信息以一维特征向量形式保存而不再输入VAE特征提取网络的解码器。这里，使VAE特征提取网络保留其编码器特征提取部分的架构与网络参数，分类部分采用无监督学习的聚类算法，用以分类曲轴表面的裂纹状态。将所述的一维特征向量输入Clustering分类器中，通过聚类分类器对特征数据进行分类并保存其分类结果。
通过所保存的分类结果与真实样本数据集比对，计算该监测初模型的分类精度，根据所述分类结果标注并建立新样本数据集，并使用所述新样本数据集训练VAE特征提取网络，优化VAE的网络参数，并使用所述真实样本数据集验证优化后的监测初模型分类精度，进一步优化网络参数。例如，新样本数据集也称为伪标签数据集。
重复采用新样本数据集对VAE进行训练，直至监测初模型达到预设的分类精度。
S3、输入所采集的曲轴表面图像至最终分类模型，对该曲轴表面裂纹状态进行分类。
相比于常见的有监督学习分类方法，本发明的曲轴表面裂纹监测方法减少了标注曲轴表面图像所需的成本，即在后续的曲轴表面裂纹检测上投入的成本；当前采用的分类模型，网络参数确定后整体性能不再提升，而本发明可操作性强，迭代方式可靠，其分类精度能够随着分类完成的曲轴表面图像样本数据量的增加而上升。
在另外的实施例中，所述Clustering分类器所使用的分类算法包括K-means算法。由于经过VAE特征提取网络的特征提取，所保存的一维特征向量均为关键特征信息，对曲轴表面裂纹状态影响程度高，K-means算法能够更好地根据其中特征分类曲轴表面裂纹状态。
在另外的实施例中，正态分布q(z|x)～η(0，1)；正态分布P(z|x)～logη(z；μ(i)，σ2(i)x)；所述计算损失的损失函数为ELBO＝Eq(z|x)(log P(x|z)+log(P(z)-log(q(z|x))))；所述隐变量为Z～η(μ，σ)；其中，P与q表示概率分布的特征空间，η表示正态分布，x表示输入矩阵，i表示当前输入矩阵的索引值，μ表示均值，σ表示方差，Eq(z|x)表示q(z|x)下的损失函数ELBO。如此设置，服从正态分布有利于将特征空间呈现集中趋势，便于损失函数搜索特征空间；选取ELBO为损失函数能够通过对数操作减少算法复杂度，提升计算效率。
在另外的实施例中，所述网络参数的优化算法包括Adam算法。通过该设置，能够有效地优化网络参数，使得模型的分类精度更高。
在另外的实施例中，所述采集一些曲轴表面的图像数据包括：选取各种工况下的曲轴，使用相机在光照充足的环境中从不同角度拍摄曲轴表面图像。通过采集不同工况下、不同角度下的曲轴表面图像，有利于增加数据的多样性，进而提升模型的泛化性和鲁棒性。
在另外的实施例中，对所述曲轴表面图像进行图像预处理；其中，所述图像预处理包括裁剪处理及归一化处理。通过归一化处理，能够有效降低特征信息冗余度，提高特征提取速度，减小网络模型参数优化难度和速度。
在另外的实施例中，所述归一化处理包括尺寸归一化至(224,224)和灰度归一化至(0，1)。通过该设置，使曲轴表面图像的尺寸保持一致，令图像的灰度值大小可坐落在(0，1)区间，保证网络模型的高效训练。
在另外的实施例中，所述裂纹状态的确定采用针对曲轴表面的磁粉探伤法或着色渗透法。
第二方面，本发明提供了一种基于无监督学习的曲轴表面裂纹监测系统，包括终端设备及摄像组件，所述终端设备存储有如上所述的最终分类模型，所述摄像组件用于采集待测曲轴的表面图像并传输至所述终端设备。
在另外的实施例中，还包括用以补充照明亮度的面阵光源、以及用以存储所述待测曲轴的表面图像的图像采集卡，所述图像采集卡与所述摄像组件连接并安装于所述终端设备中。例如，终端设备可以为能够显示当前曲轴表面裂纹状态的带有显示屏的工控机，摄像组件可以为能够采集各工况下曲轴表面图像的CCD或CMOS相机，相机、图像采集卡与工控机之间可以通过Camera Link线连接，图像采集卡可以通过PCIE插槽内置于工控机上。通过相机与面阵光源配合，实时采集不同角度与明暗度下的当前曲轴表面图像，在人为设定的帧率下，图像采集卡读取并保存相机所采集到的图像数据。对图像数据进行预处理后，输入表面裂纹监测最终分类模型中，输出当前曲轴表面裂纹状态并于工控机的显示屏上显示，根据实际显示结果进行后续的曲轴加工处理。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，包括：
建立表面裂纹监测初模型，其中，所述的表面裂纹监测初模型包括用于提取曲轴表面裂纹高维特征的VAE特征提取网络和用于根据输入特征向量进行表面裂纹状态分类的Clustering分类器；
训练表面裂纹监测最终分类模型，包括：
采集一些曲轴表面的图像数据并标注对应曲轴的裂纹状态，以建立真实样本数据集；采集另一些曲轴表面的图像数据建立无标注样本数据集；其中，所述裂纹状态包括无裂纹、第一阶段和第二阶段，第一阶段表示曲轴存在再制造价值，即初始裂纹，第二阶段表示曲轴无对应再制造价值，即严重裂纹；
将所建立的真实样本数据集输入VAE特征提取网络中，通过VAE特征提取网络中的编码器模块对曲轴表面图像进行编码，通过服从正态分布q(z|x)的高维特征空间的数据映射，分割对曲轴表面图像成形影响程度高的二维特征信息与无关冗余像素信息，并将所需的高影响特征信息以一维特征向量的形式保存；
利用所述VAE特征提取网络中的解码器模块，对所保存的一维特征向量进行解码，通过服从正态分布P(z|x)的高维特征空间数据映射，将输入的所述一维特征向量解压为二维曲轴表面图像；引入包含损失均值μ与损失方差σ的隐变量，通过计算损失并反向传播来进行梯度下降，进而优化VAE特征提取网络；
将所建立的无标注样本数据集输入已优化好的VAE特征提取网络中，将VAE特征提取网络的编码器输出特征信息以一维特征向量形式保存而不再输入VAE特征提取网络的解码器；将所述的一维特征向量输入Clustering分类器中，通过聚类分类器对特征数据进行分类并保存其分类结果；
通过所保存的分类结果与真实样本数据集比对，计算该监测初模型的分类精度，根据所述分类结果标注并建立新样本数据集，并使用所述新样本数据集训练VAE特征提取网络，优化VAE的网络参数，并使用所述真实样本数据集验证优化后的监测初模型分类精度，进一步优化网络参数；
重复采用新样本数据集对VAE进行训练，直至监测初模型达到预设的分类精度；
输入所采集的曲轴表面图像至最终分类模型，对该曲轴表面裂纹状态进行分类。
2.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，所述Clustering分类器所使用的分类算法包括K-means算法。
3.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，正态分布q (z|x)～η(0，1)；正态分布P(z|x)～logη(z；μ(i)，σ2(i)x)；
所述计算损失的损失函数为
ELBO＝Eq(z|x)(log P(x|z)+log(P(z)-log(q(z|x))))；所述隐变量为Z～η(μ，σ)；其中，P与q表示概率分布的特征空间，η表示正态分布，x表示输入矩阵，i表示当前输入矩阵的索引值，μ 表示均值，σ表示方差，Eq(z|x)表示q(z|x)下的损失函数ELBO。
4.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，所述网络参数的优化算法包括Adam算法。
5.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，所述采集一些曲轴表面的图像数据包括：选取各种工况下的曲轴，使用相机在光照充足的环境中从不同角度拍摄曲轴表面图像。
6.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，对所述曲轴表面图像进行图像预处理；其中，所述图像预处理包括裁剪处理及归一化处理。
7.根据权利要求6所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，所述归一化处理包括尺寸归一化至(224,224)和灰度归一化至(0，1)。
8.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法，其特征在于，所述裂纹状态的确定采用针对曲轴表面的磁粉探伤法或着色渗透法。
9.一种基于无监督学习的曲轴表面裂纹监测系统，其特征在于，包括终端设备及摄像组件，所述终端设备存储有权利要求1-8任一项所述一种基于无监督学习的曲轴表面裂纹监测方法的最终分类模型，所述摄像组件用于采集待测曲轴的表面图像并传输至所述终端设备。
10.根据权利要求9所述的一种基于无监督学习的曲轴表面裂纹监测系统，其特征在于，还包括用以补充照明亮度的面阵光源、以及用以存储所述待测曲轴的表面图像的图像采集卡，所述图像采集卡与所述摄像组件连接并安装于所述终端设备中。
CN202210829822.5A 2022-07-15 2022-07-15 基于无监督学习的曲轴表面裂纹监测方法及系统 Active CN114897909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210829822.5A CN114897909B (zh) 2022-07-15 2022-07-15 基于无监督学习的曲轴表面裂纹监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210829822.5A CN114897909B (zh) 2022-07-15 2022-07-15 基于无监督学习的曲轴表面裂纹监测方法及系统

Publications (2)

Publication Number Publication Date
CN114897909A CN114897909A (zh) 2022-08-12
CN114897909B true CN114897909B (zh) 2022-09-20

Family

ID=82729487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210829822.5A Active CN114897909B (zh) 2022-07-15 2022-07-15 基于无监督学习的曲轴表面裂纹监测方法及系统

Country Status (1)

Country Link
CN (1) CN114897909B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758084B (zh) * 2022-11-21 2023-11-14 清华大学 一种深度神经网络裂纹量化方法及装置、存储介质

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100011071A (ko) * 2008-07-24 2010-02-03 현대자동차주식회사 자동차 크랭크샤프트 교정기의 벤딩 균열 감지장치
CN102680478A (zh) * 2012-04-25 2012-09-19 华南农业大学 一种基于机器视觉的机械零部件表面缺陷检测方法及装置
CN104777049B (zh) * 2015-03-27 2018-03-06 中国人民解放军装甲兵工程学院 曲轴再制造寿命评估系统及方法
CN104777174B (zh) * 2015-03-27 2017-11-28 中国人民解放军装甲兵工程学院 轴类零件截面突变部位表面疲劳裂纹检测系统及方法
WO2016194728A1 (ja) * 2015-06-01 2016-12-08 新日鐵住金株式会社 クランクシャフトの検査方法及び装置
CN105241960A (zh) * 2015-09-30 2016-01-13 中国人民解放军装甲兵工程学院 一种再制造曲轴弯曲疲劳裂纹监测方法、装置及系统
US10713769B2 (en) * 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
US20200064277A1 (en) * 2018-08-24 2020-02-27 GM Global Technology Operations LLC Method of detecting defects in work pieces having curved or cylindrical surfaces
KR102107980B1 (ko) * 2018-10-29 2020-05-08 일륭기공(주) 샤프트 휨 교정기의 크랙 검출기 자동 검증 장치
US11307570B2 (en) * 2019-05-31 2022-04-19 Panasonic Intellectual Property Management Co., Ltd. Machine learning based predictive maintenance of equipment
US20230281959A1 (en) * 2020-03-25 2023-09-07 Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. Deep learning-based anomaly detection in images
EP3916635B1 (en) * 2020-05-26 2023-05-10 Fujitsu Limited Defect detection method and apparatus
CN112634292B (zh) * 2021-01-06 2021-08-24 烟台大学 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法
CN112967243B (zh) * 2021-02-26 2023-01-13 清华大学深圳国际研究生院 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN113436169B (zh) * 2021-06-25 2023-12-19 东北大学 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN113738595A (zh) * 2021-07-09 2021-12-03 国电和风风电开发有限公司 一种风力发电机组叶片状态监测方法及其系统
CN113740416B (zh) * 2021-08-27 2023-05-30 东风商用车有限公司 一种发动机曲轴检验方法
CN113838041B (zh) * 2021-09-29 2023-09-08 西安工程大学 一种基于自编码器的彩色纹理织物缺陷区域的检测方法
CN114066811B (zh) * 2021-10-13 2024-03-19 华南理工大学 一种工业产品异常检测方法、系统、装置及存储介质
CN114140390A (zh) * 2021-11-02 2022-03-04 广州大学 一种基于半监督语义分割的裂纹检测方法及装置
CN114463280A (zh) * 2022-01-12 2022-05-10 西安电子科技大学 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法
CN114693615A (zh) * 2022-03-17 2022-07-01 常州工学院 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法
CN114532994B (zh) * 2022-03-23 2023-07-28 电子科技大学 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法
CN114417941B (zh) * 2022-03-28 2022-07-05 中电科创智联(武汉)有限责任公司 一种曲轴故障检测方法及系统
CN114722886A (zh) * 2022-06-10 2022-07-08 四川大学 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备

Also Published As

Publication number Publication date
CN114897909A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN111862064B (zh) 一种基于深度学习的银质丝材表面瑕疵识别方法
CN115294038A (zh) 一种基于联合优化与混合注意力特征融合的缺陷检测方法
CN110610475B (zh) 一种深度卷积神经网络的视觉缺陷检测方法
CN112036513B (zh) 基于内存增强潜在空间自回归的图像异常检测方法
CN108764361B (zh) 基于集成学习的游梁式抽油机示功图的工况识别方法
CN112163496B (zh) 一种基于语义分割的嵌入式终端水库水位预警方法
CN112381788A (zh) 一种基于双分支匹配网络的零部件表面缺陷增量检测方法
CN111382785A (zh) 一种gan网络模型及实现样本自动清洗、辅助标记的方法
JP2021515885A (ja) 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体
Jaiswal et al. Semi-supervised learning for cancer detection of lymph node metastases
CN112420170B (zh) 一种提高计算机辅助诊断系统图片分类准确度的方法
CN114494780A (zh) 基于特征对比的半监督工业缺陷检测方法及系统
CN114897909B (zh) 基于无监督学习的曲轴表面裂纹监测方法及系统
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN116843650A (zh) 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN116363089A (zh) 采煤机滚筒齿座焊接缺陷自动检测方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN114549489A (zh) 一种面向雕花口红质检的实例分割缺陷检测方法
Meeradevi et al. An analytical survey of textile fabric defect and shade variation detection system using image processing
CN114155186A (zh) 基于无监督学习的缺陷检测系统及方法
CN111209886B (zh) 一种基于深度神经网络的快速行人再识别方法
CN112364899A (zh) 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法
CN116912144A (zh) 一种基于大律算法与通道注意力机制的数据增强方法
CN115661042A (zh) 一种基于注意力机制指导的分层分类缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant