CN116703925B - 一种轴承缺陷检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种轴承缺陷检测方法、装置、电子设备及存储介质。该轴承缺陷检测方法具体可以包括：通过第一传统图像处理算法确定目标检测轴承图像；通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果；通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果；根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域。本发明实施例的技术方案能够准确的确定轴承缺陷区域，降低轴承缺陷的误判率，从而提高轴承缺陷的检测精度和检出率。

Description

一种轴承缺陷检测方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种轴承缺陷检测方法、装置、电子设备及存储介质。

背景技术

轴承作为现在机械设备中的重要零部件，其质量检测是在生产中极其重要的一环。通常情况下，轴承外观检测需要人工观察，对工业、要求的认知极大程度上依赖于行业经验的判断，标准很难达到统一，效率低下，而且稳定性差，容易漏检。更重要的是，轴承缺陷种类繁多，有些缺陷甚至用肉眼都无法观测得到。

现有的一种轴承缺陷检测方法是采用传统的机器视觉算法对采集到的缺陷图片进行检测，通过对缺陷图片进行二值化、分割、形态学操作以及特征值计算，得到需要检测的区域，再根据区域轮廓、阈值和形态等信息来判断是否存在缺陷。上述通过传统的机器视觉算法进行轴承缺陷检测的方法，在图片质量稳定的情况下可以迅速定位到缺陷位置，编程周期短，在缺陷形态一定的情况下检出率高。但这种方法存在明显的缺陷，首先是特征提取对于每个缺陷图像都没有一个通用的过程，很难做到对缺陷特征完整的建模和迁移，方法复用性不高，会造成大量的人力成本的浪费；其次是传统的机器视觉算法的浅层结构在学习提取特征的非线性关系方面的能力非常有限。由此，上述缺陷限制了传统的机器视觉算法在轴承缺陷检测中的进一步应用。

现有的另一种轴承缺陷检测方法是采用深度学习算法对轴承缺陷进行检测，该方法可以在没有人工干预的情况下从输入数据中自动提取多个复杂特征，通过学习过程从原始数据中提取特征层，最终预测轴承缺陷区域。但是，该方法的缺陷检测效果很大程度上依赖于目标的数据量，而实际生产过程中存在的缺陷件不常出现，造成了数据采集的困难，导致无法学习到其特征，以至于训练出来的模型效果差强人意，无法兼顾到所有的缺陷。而且，深度学习算法中的超参数对模型具有一定的影响，超参数的调整是个复杂的过程，调试出一套适用于特定检测任务中所有缺陷的超参数并不容易。

发明内容

本发明实施例提供一种轴承缺陷检测方法、装置、电子设备及存储介质，能够准确的确定轴承缺陷区域，降低轴承缺陷的误判率，从而提高轴承缺陷的检测精度和检出率。

根据本发明的一方面，提供了一种轴承缺陷检测方法，包括：

通过第一传统图像处理算法确定目标检测轴承图像；

通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果；

通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果；

根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域。

根据本发明的另一方面，提供了一种轴承缺陷检测装置，包括：

检测图像确定模块，用于通过第一传统图像处理算法确定目标检测轴承图像；

第一缺陷检测结果确定模块，用于通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果；

第二缺陷检测结果确定模块，用于通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果；

目标轴承缺陷区域确定模块，用于根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的轴承缺陷检测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的轴承缺陷检测方法。

本发明实施例的技术方案，通过第一传统图像处理算法确定目标检测轴承图像，以通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测得到第一缺陷检测结果，并通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果，从而根据第一缺陷检测结果和第二缺陷检测结果确定目标检测轴承图像的目标轴承缺陷区域，由于将通过第一传统图像处理算法确定的目标检测轴承图像作为轴承图像检测模型的输入图像，而且根据第二传统图像处理算法得到的第一缺陷检测结果和轴承图像检测模型得到的第二缺陷检测结果确定目标轴承缺陷区域，能够通过传统图像处理算法和轴承图像检测模型结合对轴承缺陷进行检测，解决了现有轴承缺陷检测的检出率较低以及误判率较高的问题，能够准确的确定轴承缺陷区域，降低轴承缺陷的误判率，从而提高轴承缺陷的检测精度和检出率；此外，在深度学习的算法中，通过在轴承图像检测模型中加入自编码器，通过自编码器中的编码模块对数据做降维压缩处理，得到图像的关键特征，以在数据量少的情况下能够通过自编码器获取其关键特征，进行进一步处理，从而解决了由于数据量少导致的模型训练瓶颈。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种轴承缺陷检测方法的流程图；

图2是本发明实施例二提供的一种轴承缺陷检测方法的流程图；

图2a是本发明实施例二提供的一种轴承内圈挡边缺陷检测图像的示意图；

图2b是本发明实施例二提供的一种轴承内圈内壁缺陷检测图像的示意图；

图2c是本发明实施例二提供的一种目标检测轴承图像的示意图；

图2d是本发明实施例二提供的一种目标滤波图像的示意图；

图2e是本发明实施例二提供的一种缺陷特征图像的示意图；

图2f是本发明实施例二提供的一种有效缺陷特征图像的示意图；

图2g是本发明实施例二提供的一种第一缺陷检测结果的示意图；

图3是本发明实施例三提供的一种轴承缺陷检测装置的示意图；

图4是实现本发明实施例的轴承缺陷检测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一提供的一种轴承缺陷检测方法的流程图，本实施例可适用于准确的确定轴承缺陷区域，降低轴承缺陷的误判率的情况，该方法可以由轴承缺陷检测装置执行，该装置可以通过软件和/或硬件的方式实现，并一般可以直接集成在执行本方法的电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对执行轴承缺陷检测方法的电子设备的类型进行限定。具体的，如图1所示，该轴承缺陷检测方法具体可以包括如下步骤：

S110、通过第一传统图像处理算法确定目标检测轴承图像。

其中，传统图像处理算法可以是对图像进行处理所用到的算法，例如可以是图像去噪、图像变换、图像分析、图像压缩、图像增强或图像模糊等，本发明实施例对此并不进行限制。第一传统图像处理算法可以是一个传统图像处理算法。目标检测轴承图像可以是需要进行轴承缺陷检测的图像。可以理解的是，轴承缺陷检测可以是轴承内圈挡边缺陷检测，也可以是轴承内圈内壁缺陷检测等，本发明实施例对此并不进行限制。

在本发明实施例中，通过第一传统图像处理算法确定目标检测轴承图像。具体的，可以通过相机对需要进行缺陷检测的轴承进行图像拍摄，以在相机拍摄的图像中确定目标检测轴承图像。

S120、通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果。

其中，第二传统图像处理算法可以是另一个传统图像处理算法。第一缺陷检测可以是通过传统图像处理算法对目标检测轴承图像进行任意图像处理，以对目标检测轴承图像中的缺陷进行检测。第一缺陷检测结果可以是通过传统图像处理算法检测得到的目标检测轴承图像中的轴承缺陷的区域。

在本发明实施例中，在通过第一传统图像处理算法确定目标检测轴承图像之后，可以进一步通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测，以得到第一缺陷检测结果。

S130、通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果。

其中，轴承图像检测模型可以是对轴承图像进行检测的模型。可选的，轴承图像检测模型可以是一种深度学习算法模型。第二缺陷检测可以是通过轴承图像检测模型对目标检测轴承图像进行缺陷检测。第二缺陷检测结果可以是通过轴承图像检测模型检测得到的目标检测轴承图像中的轴承缺陷的区域。

在本发明实施例中，在通过第一传统图像处理算法确定目标检测轴承图像之后，可以进一步通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测，以得到第二缺陷检测结果。

需要说明的是，本发明实施例并不对S120和S130的顺序进行限定，也即，S120和S130可以同步进行。

S140、根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域。

其中，目标轴承缺陷区域可以是目标检测轴承图像中轴承缺陷所在的目标区域。可以理解的是，每个轴承图像中都可以有一个或多个缺陷，因此目标轴承缺陷区域可以是一个区域或多个区域，本发明实施例对此并不进行限制。

在本发明实施例中，在得到第一缺陷检测结果和第二缺陷检测结果之后，可以进一步根据第一缺陷检测结果和第二缺陷检测结果确定目标检测轴承图像的目标轴承缺陷区域。

可以理解的是，如果第一缺陷检测结果和第二缺陷检测结果中的缺陷区域相同，则可以将该相同的缺陷区域确定为目标轴承缺陷区域。如果第一缺陷检测结果和第二缺陷检测结果中的缺陷区域不同，则可以将第一缺陷检测结果和第二缺陷检测结果中的各个缺陷区域都确定为待确认的目标轴承缺陷区域，以进一步识别。需要说明的是，本发明实施例对待确认的目标轴承缺陷区域的进一步识别的具体实现方式并不进行限制。

另一可以理解的是，如果第一缺陷检测结果未检测到缺陷区域，则可以将第二缺陷检测结果中的缺陷区域确定为目标轴承缺陷区域。同理，如果第二缺陷检测结果未检测到缺陷区域，则可以将第一缺陷检测结果中的缺陷区域确定为目标轴承缺陷区域。

本实施例的技术方案，通过第一传统图像处理算法确定目标检测轴承图像，以通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测得到第一缺陷检测结果，并通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果，从而根据第一缺陷检测结果和第二缺陷检测结果确定目标检测轴承图像的目标轴承缺陷区域，解决了现有轴承缺陷检测的检出率较低以及误判率较高的问题，能够准确的确定轴承缺陷区域，降低轴承缺陷的误判率，从而提高轴承缺陷的检测精度和检出率。

实施例二

图2是本发明实施例二提供的一种轴承缺陷检测方法的流程图，本实施例是对上述各技术方案的进一步细化，给出了通过第一传统图像处理算法确定目标检测轴承图像，通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测得到第一缺陷检测结果，以及通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果的多种具体可选的实现方式。本实施例中的技术方案可以与上述一个或多个实施例中的各个可选方案结合。如图2所示，该方法可以包括如下步骤：

S210、通过所述第一传统图像处理算法获取待检测轴承图像，并确定所述待检测轴承图像的目标区域图像。

其中，待检测轴承图像可以是等待进行轴承缺陷检测的图像。可以理解的是，待检测轴承图像可以是通过相机对待检测的轴承进行拍摄得到的图像。目标区域图像可以是待检测轴承图像中的目标区域所构成的图像。可以理解的是，待检测轴承图像中可以包括多个区域。

在本发明实施例中，通过第一传统图像处理算法获取待检测轴承图像，以确定待检测轴承图像的目标区域图像。示例性的，图2a是本发明实施例二提供的一种轴承内圈挡边缺陷检测图像的示意图，如图2a所示，图2a为轴承内圈挡边缺陷检测对应的待检测轴承图像，图2a中的A即为需要进行轴承缺陷检测的区域。图2b是本发明实施例二提供的一种轴承内圈内壁缺陷检测图像的示意图，如图2b所示，图2b为轴承内圈内壁缺陷检测对应的待检测轴承图像，图2b中的B即为需要进行轴承缺陷检测的区域。

可选的，通过第一传统图像处理算法确定待检测轴承图像的目标区域图像，可以包括：通过第一传统图像处理算法对待检测轴承图像进行图像缩放处理，得到目标缩放图像；通过第一传统图像处理算法根据目标缩放图像中各像素点的灰度值，对目标缩放图像进行像素点筛选，得到目标像素点图像；通过第一传统图像处理算法对目标像素点图像进行第一形状选择，得到目标形状图像；通过第一传统图像处理算法对目标形状图像进行区域填充，得到目标填充图像；通过第一传统图像处理算法根据目标形状图像和目标填充图像进行第一图像相减处理，得到目标相减图像；通过第一传统图像处理算法对目标相减图像进行第二形状选择，得到待检测轴承图像的目标区域图像。

其中，图像缩放处理可以是对图像进行缩放处理。可以理解的是，对图像进行缩放处理可以增强待检测轴承图像的对比度。目标缩放图像可以是对待检测轴承图像进行图像缩放处理后得到的图像。像素点筛选可以是根据像素点的灰度值对像素点进行筛选。示例性的，可以筛选灰度值范围为0-30的像素点区域。目标像素点图像可以是进行像素点筛选后得到的图像。第一形状选择可以是对目标像素点图像进行形状选择。目标形状图像可以是进行第一形状选择后得到的图像。区域填充可以是对图像中的某个区域进行填充。目标填充图像可以是进行区域填充后得到的图像。第一图像相减处理可以是将目标形状图像和目标填充图像进行图像相减处理。可以理解的是，图像相减处理可以是将图像中像素点的像素值进行相减。第二形状选择可以是对目标相减图像进行形状选择。

具体的，在通过第一传统图像处理算法获取待检测轴承图像之后，可以进一步通过第一传统图像处理算法对待检测轴承图像进行图像缩放处理得到目标缩放图像，并根据目标缩放图像中各像素点的灰度值对目标缩放图像进行像素点筛选得到目标像素点图像，再对目标像素点图像进行第一形状选择得到目标形状图像，再对目标形状图像进行区域填充得到目标填充图像，以根据目标形状图像和目标填充图像进行第一图像相减处理得到目标相减图像，从而对目标相减图像进行第二形状选择得到待检测轴承图像的目标区域图像。

S220、通过所述第一传统图像处理算法根据所述目标区域图像确定所述待检测轴承图像对应的目标检测轴承图像。

在本发明实施例中，在通过第一传统图像处理算法确定待检测轴承图像的目标区域图像之后，可以进一步通过第一传统图像处理算法根据目标区域图像确定待检测轴承图像对应的目标检测轴承图像。

可选的，通过第一传统图像处理算法根据目标区域图像确定待检测轴承图像对应的目标检测轴承图像，可以包括：通过第一传统图像处理算法根据目标区域图像，确定目标区域图像的第一椭圆参数；通过第一传统图像处理算法根据第一椭圆参数确定待检测轴承图像对应的目标椭圆参数；通过第一传统图像处理算法根据目标椭圆参数确定目标检测轴承图像。

其中，第一椭圆参数可以是目标区域图像的椭圆参数。目标椭圆参数可以是待检测轴承图像对应的椭圆参数。可选的，椭圆参数可以包括主要半径、次要半径和主轴相对于X轴的方向。具体的，主要半径和次要半径决定了椭圆的形状；主轴相对于X轴的方向决定了椭圆相对于X轴的倾斜角度。通过这三个参数画的椭圆确定的目标检测轴承图像比圆形参数更加精准；检测精度、检测效率更高；误判率更低。

需要进一步说明的是，本发明实施例通过对采集到的轴承的图像进行缺陷检测，以实现轴承的缺陷检测。在采集轴承图像（也即拍照取图）时，由于相机的倾斜，或镜头的畸变，导致圆形轴承的图像（如图2a或图2b所示的待检测轴承图像）为椭圆形。

具体的，在通过第一传统图像处理算法确定待检测轴承图像的目标区域图像之后，可以进一步通过第一传统图像处理算法根据目标区域图像确定目标区域图像的第一椭圆参数，以根据第一椭圆参数确定待检测轴承图像对应的目标椭圆参数，从而根据目标椭圆参数确定目标检测轴承图像。

可选的，根据目标区域图像确定目标区域图像的第一椭圆参数，可以基于下述公式确定：

其中，Ra表示目标区域图像的主要半径；Rb表示目标区域图像的次要半径；Phi表示目标区域图像的主轴相对于X轴的方向；表示目标区域图像中与行相关的二阶矩；/>表示目标区域图像中与列相关的二阶矩；/>表示目标区域图像中行坐标和列坐标之间的协方差。

可选的，目标椭圆参数可以包括大椭圆参数和小椭圆参数。根据第一椭圆参数确定待检测轴承图像对应的目标椭圆参数，可以包括将第一椭圆参数中的主轴相对于X轴的方向作为目标椭圆参数中的主轴相对于X轴的方向，并根据第一椭圆参数中的主要半径和次要半径的大小调整目标椭圆参数的主要半径和次要半径的大小。

可选的，根据目标椭圆参数确定目标检测轴承图像，可以包括根据大椭圆参数在待检测轴承图像中画出大椭圆区域图像，根据小椭圆参数在待检测轴承图像中画出小椭圆区域图像，再将大椭圆区域图像和小椭圆区域图像进行图像相减，即可得到目标检测轴承图像。

S230、通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果。

可选的，通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测得到第一缺陷检测结果，可以包括：通过第二传统图像处理算法对目标检测轴承图像进行中值滤波处理，得到目标滤波图像；通过第二传统图像处理算法对目标检测轴承图像和目标滤波图像进行第二图像相减处理，得到缺陷特征图像；通过第二传统图像处理算法对缺陷特征图像进行灰度梯度处理，得到有效缺陷特征图像；通过第二传统图像处理算法根据有效缺陷特征图像的缺陷熵值信息，确定第一缺陷检测结果，通过第二传统图像处理算法可以检出缺陷形态稳定、缺陷特征明显、稳定且没有过多其他缺陷的图像。

其中，目标滤波图像可以是进行中值滤波处理后得到图像。第二图像相减处理可以是将目标检测轴承图像和目标滤波图像进行图像相减，也就图像中像素点的灰度值相减。缺陷特征图像可以是进行图像相减处理后得到的，具有明显缺陷特征的图像。有效缺陷特征图像可以是进行灰度梯度处理后得到的，能够凸显有效缺陷特征信息的图像。缺陷熵值信息可以是有效缺陷特征图像中各像素点的熵值信息，例如可以是缺陷的面积或宽高尺寸，还可以是内接圆半径的大小等，本发明实施例对此并不进行限制。

具体的，在通过第一传统图像处理算法根据目标区域图像确定待检测轴承图像对应的目标检测轴承图像之后，可以进一步通过第二传统图像处理算法对目标检测轴承图像进行中值滤波处理得到目标滤波图像，再对目标检测轴承图像和目标滤波图像进行第二图像相减处理得到缺陷特征图像，以对缺陷特征图像进行灰度梯度处理得到有效缺陷特征图像，从而根据有效缺陷特征图像的缺陷熵值信息确定第一缺陷检测结果。示例性的，对缺陷特征图像进行灰度梯度处理，可以是选取0-40或0-50的灰度值的像素点区域。示例性的，图2c为中值滤波处理前的图像，也即目标检测轴承图像。图2d为中值滤波处理后的图像，也即目标滤波图像。图2e为将滤波前后的图像进行相减得到的图像，也即缺陷特征图像。图2f为缺陷特征提取后得到的图像，也即有效缺陷特征图像。图2g为定位缺陷区域后得到的图像，也即第一缺陷检测结果。

可选的，通过第二传统图像处理算法对目标检测轴承图像进行中值滤波处理得到目标滤波图像，可以通过第二传统图像处理算法使用一个圆形的掩码对目标检测轴承图像进行中值滤波处理。具体的，中值滤波器可以将掩码中的所有灰度值按升序进行排序，然后选择灰度值的中值，以平滑目标检测轴承图像，抑制目标检测轴承图像中小于掩码的不需要的对象。上述技术方案，通过对目标检测轴承图像进行中值滤波处理，能够有效降低噪点，突出特征信息。

可选的，在通过第二传统图像处理算法对目标检测轴承图像和目标滤波图像进行第二图像相减处理时，如果发生上溢或下溢的情况，则可以对溢出的值进行剪裁。

S240、通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果。

可选的，通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果，可以包括：通过轴承图像检测模型对目标检测轴承图像进行细粒度图像聚合处理，得到特征数据图像；通过轴承图像检测模型对特征数据图像进行特征维度压缩处理，得到压缩维度数据图像；通过轴承图像检测模型对压缩维度数据图像进行图像特征组合，得到组合特征数据图像；通过轴承图像检测模型对组合特征数据图像进行特征维度还原处理，得到初始维度数据图像；通过轴承图像检测模型对初始维度数据图像进行缺陷特征预测，得到第二缺陷检测结果。需要说明的是，轴承图像检测模型是对目标检测轴承图像进行检测的，目标检测轴承图像是经过第一传统图像处理算法得到的，具体来说是将大椭圆区域图像和小椭圆区域图像进行图像相减后得到的，从而解决了轴承图像检测模型（深度学习算法模型）无法定位的问题，防止由于缺陷相似度高而将非检测区域的图像判定为缺陷的问题。

其中，细粒度图像聚合处理可以是将目标检测轴承图像在不同图像细粒度上进行聚合处理。特征数据图像可以是进行细粒度图像聚合处理后得到的数据图像。可以理解的是，特征数据图像可以表征目标检测轴承图像中的图像特征数据。特征维度压缩处理可以是对特征数据图像的特征向量的维度进行压缩处理，也即将高维度的特征向量压缩为低维度的特征向量。压缩维度数据图像可以是进行特征维度压缩处理后得到的图像。可以理解的是，压缩维度数据图像可以是低维度的特征向量的数据图像。图像特征组合可以是对图像的特征进行组合。组合特征数据图像可以是进行图像特征组合后得到的数据图像。特征维度还原处理可以是将特征向量的维度还原到压缩之前的维度。初始维度数据图像可以是进行特征维度还原处理后得到的数据图像。

具体的，在根据目标区域图像确定待检测轴承图像对应的目标检测轴承图像之后，可以进一步通过轴承图像检测模型对目标检测轴承图像进行细粒度图像聚合处理得到特征数据图像，并对特征数据图像进行特征维度压缩处理得到压缩维度数据图像，再对压缩维度数据图像进行图像特征组合得到组合特征数据图像，以对组合特征数据图像进行特征维度还原处理得到初始维度数据图像，从而对初始维度数据图像进行缺陷特征预测得到第二缺陷检测结果。

上述技术方案，通过对特征数据图像进行特征维度压缩处理，能够在保留核心信息的同时，去掉一些噪声和冗余信息，减少计算量和存储空间。

可选的，轴承图像检测模型可以采用改进的YOLOv5（You Only Look Onceversion 5，一种计算机视觉的目标检测算法）架构；改进的YOLOv5架构中的网络层可以包括特征提取卷积层、归一化层和Leaky ReLU激活函数。

其中，特征提取卷积层可以负责提取图像中的特征。归一化层可以对数据做归一化处理，加速模型训练和提高模型泛化能力。Leaky ReLU激活函数可以有效解决梯度消失问题。

考虑到轴承缺陷检测的实时性要求，需要对多工位的图进行处理，节拍要求较高，所以对YOLOv5架构进行了针对性的改进：一是去掉YOLOv5架构中的池化操作，以减少网络层，提高自编码器的稳定性，同时提高模型运算的效率；二是将网络层中原有的激活函数Sigmoid改成Leaky ReLU，这样可以解决可能存在的梯度消失等问题。

可选的，轴承图像检测模型可以包括backbone（骨干）模块、编码模块、neck（脖子）模块、解码模块和预测模块。也即，改进的YOLOv5架构可以包括backbone（骨干）模块、编码模块、neck（脖子）模块、解码模块和预测模块。可以理解的是，改进的YOLOv5架构中的网络层可以配置在任意一个模块中。

具体的，可以通过backbone模块对目标检测轴承图像进行细粒度图像聚合处理得到特征数据图像。可以通过编码模块对特征数据图像进行特征维度压缩处理得到压缩维度数据图像。可以通过neck模块对压缩维度数据图像进行图像特征组合得到组合特征数据图像。可以通过解码模块对组合特征数据图像进行特征维度还原处理得到初始维度数据图像。可以通过预测模块对初始维度数据图像进行缺陷特征预测得到第二缺陷检测结果。

可以理解的是，自编码器（也即编码模块和解码模块）是一种无监督式学习模型。它基于反向传播算法与最优化方法（如梯度下降法），利用输入数据本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出数据。在时间序列异常检测场景下，异常对于正常来说是少数，所以如果使用自编码器重构出来的输出数据跟原始输入的差异超出一定阈值的话，原始时间序列即存在了异常。通常自编码器包含两个主要的部分：Encoder（编码器）和Decoder（解码器）。编码器的作用是把高维输入编码成低维的隐变量，从而强迫神经网络学习最有信息量的特征；解码器的作用是把隐藏层的隐变量还原到初始维度，最好的状态就是解码器的输出能够完美地或者近似恢复出原来的输入。

在技术层面来说，编码过程可以把高维输入X编码成低维的隐变量h，从而强迫神经网络学习最有信息量的特征；解码过程把隐藏层的隐变量h还原到初始维度，达到了编码模块的最好的状态，也就是输出能够完美地或者近似恢复出原来的输入,即/>≈X。在深度学习的算法中，通过在轴承图像检测模型中加入自编码器，通过自编码器中的编码模块对数据做降维压缩处理，得到图像的关键特征，以在数据量少的情况下能够通过自编码器获取其关键特征，进行进一步处理，从而解决了由于数据量少导致的模型训练瓶颈。

可选的，在通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果之前，还可以将目标检测轴承图像由图像格式转换为字节数据格式，并将字节数据格式的目标检测轴承图像传送至轴承图像检测模型接收图像的缓存区中，以将字节数据格式的目标检测轴承图像作为轴承图像检测模型的输入数据。

上述技术方案，通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测，能够解决深度学习无法定位的问题，避免由于相似度较高导致的将非检测区域的图像判断为缺陷区域的情况。

可选的，在通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果之前，还可以对轴承图像检测模型进行模型训练。具体的，获取训练样本图像并对训练样本图像中的缺陷区域进行标注得到标注样本图像，将训练样本图像输入至轴承图像检测模型中，通过轴承图像检测模型对训练样本图像进行细粒度图像聚合处理得到样本特征数据图像，并对样本特征数据图像进行特征维度压缩处理得到样本压缩维度数据图像，再对样本压缩维度数据图像进行图像特征组合得到样本组合特征数据图像，以对样本组合特征数据图像进行特征维度还原处理得到样本初始维度数据图像，从而对样本初始维度数据图像进行缺陷特征预测得到样本缺陷检测结果，进而根据样本缺陷检测结果和标注样本图像对轴承图像检测模型进行模型训练。

S250、根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域。

本实施例的技术方案，通过第一传统图像处理算法获取待检测轴承图像，确定待检测轴承图像的目标区域图像，并通过第一传统图像处理算法根据目标区域图像确定待检测轴承图像对应的目标检测轴承图像，以通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测得到第一缺陷检测结果，并通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果，从而根据第一缺陷检测结果和第二缺陷检测结果确定目标检测轴承图像的目标轴承缺陷区域，解决了现有轴承缺陷检测的检出率较低以及误判率较高的问题，能够准确的确定轴承缺陷区域，降低轴承缺陷的误判率，从而提高轴承缺陷的检测精度和检出率。

实施例三

图3是本发明实施例三提供的一种轴承缺陷检测装置的示意图，如图3所示，所述装置包括：检测图像确定模块310、第一缺陷检测结果确定模块320、第二缺陷检测结果确定模块330以及目标轴承缺陷区域确定模块340，其中：

检测图像确定模块310，用于通过第一传统图像处理算法确定目标检测轴承图像；

第一缺陷检测结果确定模块320，用于通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果；

第二缺陷检测结果确定模块330，用于通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果；

目标轴承缺陷区域确定模块340，用于根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域。

本实施例的技术方案，通过第一传统图像处理算法确定目标检测轴承图像，以通过第二传统图像处理算法对目标检测轴承图像进行第一缺陷检测得到第一缺陷检测结果，并通过轴承图像检测模型对目标检测轴承图像进行第二缺陷检测得到第二缺陷检测结果，从而根据第一缺陷检测结果和第二缺陷检测结果确定目标检测轴承图像的目标轴承缺陷区域，解决了现有轴承缺陷检测的检出率较低以及误判率较高的问题，能够准确的确定轴承缺陷区域，降低轴承缺陷的误判率，从而提高轴承缺陷的检测精度和检出率。

可选的，检测图像确定模块310，可以具体用于：通过第一传统图像处理算法获取待检测轴承图像，并确定待检测轴承图像的目标区域图像；通过第一传统图像处理算法根据目标区域图像确定待检测轴承图像对应的目标检测轴承图像。

可选的，检测图像确定模块310，可以进一步用于：通过第一传统图像处理算法对待检测轴承图像进行图像缩放处理，得到目标缩放图像；通过第一传统图像处理算法根据目标缩放图像中各像素点的灰度值，对目标缩放图像进行像素点筛选，得到目标像素点图像；通过第一传统图像处理算法对目标像素点图像进行第一形状选择，得到目标形状图像；通过第一传统图像处理算法对目标形状图像进行区域填充，得到目标填充图像；通过第一传统图像处理算法根据目标形状图像和目标填充图像进行第一图像相减处理，得到目标相减图像；通过第一传统图像处理算法对目标相减图像进行第二形状选择，得到待检测轴承图像的目标区域图像。

可选的，检测图像确定模块310，可以进一步用于：通过第一传统图像处理算法根据目标区域图像，确定目标区域图像的第一椭圆参数；通过第一传统图像处理算法根据第一椭圆参数确定待检测轴承图像对应的目标椭圆参数；通过第一传统图像处理算法根据目标椭圆参数确定目标检测轴承图像。

可选的，第一缺陷检测结果确定模块320，可以具体用于：通过第二传统图像处理算法对目标检测轴承图像进行中值滤波处理，得到目标滤波图像；通过第二传统图像处理算法对目标检测轴承图像和目标滤波图像进行第二图像相减处理，得到缺陷特征图像；通过第二传统图像处理算法对缺陷特征图像进行灰度梯度处理，得到有效缺陷特征图像；通过第二传统图像处理算法根据有效缺陷特征图像的缺陷熵值信息，确定第一缺陷检测结果。

可选的，第二缺陷检测结果确定模块330，可以具体用于：通过轴承图像检测模型对目标检测轴承图像进行细粒度图像聚合处理，得到特征数据图像；通过轴承图像检测模型对特征数据图像进行特征维度压缩处理，得到压缩维度数据图像；通过轴承图像检测模型对压缩维度数据图像进行图像特征组合，得到组合特征数据图像；通过轴承图像检测模型对组合特征数据图像进行特征维度还原处理，得到初始维度数据图像；通过轴承图像检测模型对初始维度数据图像进行缺陷特征预测，得到第二缺陷检测结果。

可选的，轴承图像检测模型可以采用改进的YOLOv5架构；改进的YOLOv5架构中的网络层可以包括特征提取卷积层、归一化层和Leaky ReLU激活函数；改进的YOLOv5架构中可以包括编码模块和解码模块；相应的，第二缺陷检测结果确定模块330，可以具体用于：通过编码模块对特征数据图像进行特征维度压缩处理，得到压缩维度数据图像；通过解码模块对组合特征数据图像进行特征维度还原处理，得到初始维度数据图像。

本发明实施例所提供的轴承缺陷检测装置可执行本发明任意实施例所提供的轴承缺陷检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如轴承缺陷检测方法。

在一些实施例中，轴承缺陷检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的轴承缺陷检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行轴承缺陷检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (6)

1.一种轴承缺陷检测方法，其特征在于，包括：

通过第一传统图像处理算法确定目标检测轴承图像；

通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果；

通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果，其中，所述轴承图像检测模型采用改进的YOLOv5架构；

根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域；

所述通过第一传统图像处理算法确定目标检测轴承图像，包括：通过所述第一传统图像处理算法获取待检测轴承图像，并确定所述待检测轴承图像的目标区域图像；通过所述第一传统图像处理算法根据所述目标区域图像确定所述待检测轴承图像对应的目标检测轴承图像；

所述通过所述第一传统图像处理算法确定所述待检测轴承图像的目标区域图像，包括：通过所述第一传统图像处理算法对所述待检测轴承图像进行图像缩放处理，得到目标缩放图像；通过所述第一传统图像处理算法根据所述目标缩放图像中各像素点的灰度值，对所述目标缩放图像进行像素点筛选，得到目标像素点图像；通过所述第一传统图像处理算法对所述目标像素点图像进行第一形状选择，得到目标形状图像；通过所述第一传统图像处理算法对所述目标形状图像进行区域填充，得到目标填充图像；通过所述第一传统图像处理算法根据所述目标形状图像和所述目标填充图像进行第一图像相减处理，得到目标相减图像；通过所述第一传统图像处理算法对所述目标相减图像进行第二形状选择，得到所述待检测轴承图像的目标区域图像；

所述通过所述第一传统图像处理算法根据所述目标区域图像确定所述待检测轴承图像对应的目标检测轴承图像，包括：通过所述第一传统图像处理算法根据所述目标区域图像，确定所述目标区域图像的第一椭圆参数；通过所述第一传统图像处理算法根据所述第一椭圆参数确定所述待检测轴承图像对应的目标椭圆参数；通过所述第一传统图像处理算法根据所述目标椭圆参数确定所述目标检测轴承图像；

所述通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果，包括：通过所述第二传统图像处理算法对所述目标检测轴承图像进行中值滤波处理，得到目标滤波图像；通过所述第二传统图像处理算法对所述目标检测轴承图像和所述目标滤波图像进行第二图像相减处理，得到缺陷特征图像；通过所述第二传统图像处理算法对所述缺陷特征图像进行灰度梯度处理，得到有效缺陷特征图像；通过所述第二传统图像处理算法根据所述有效缺陷特征图像的缺陷熵值信息，确定所述第一缺陷检测结果。

2.根据权利要求1所述的方法，其特征在于，所述通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果，包括：

通过所述轴承图像检测模型对所述目标检测轴承图像进行细粒度图像聚合处理，得到特征数据图像；

通过所述轴承图像检测模型对所述特征数据图像进行特征维度压缩处理，得到压缩维度数据图像；

通过所述轴承图像检测模型对所述压缩维度数据图像进行图像特征组合，得到组合特征数据图像；

通过所述轴承图像检测模型对所述组合特征数据图像进行特征维度还原处理，得到初始维度数据图像；

通过所述轴承图像检测模型对所述初始维度数据图像进行缺陷特征预测，得到所述第二缺陷检测结果。

3.根据权利要求2所述的方法，其特征在于，所述改进的YOLOv5架构中的网络层包括特征提取卷积层、归一化层和Leaky ReLU激活函数；

所述改进的YOLOv5架构中包括编码模块和解码模块；

通过所述轴承图像检测模型对所述特征数据图像进行特征维度压缩处理，得到压缩维度数据图像，包括：

通过所述编码模块对所述特征数据图像进行特征维度压缩处理，得到压缩维度数据图像；

通过所述轴承图像检测模型对所述组合特征数据图像进行特征维度还原处理，得到初始维度数据图像，包括：

通过所述解码模块对所述组合特征数据图像进行特征维度还原处理，得到初始维度数据图像。

4.一种轴承缺陷检测装置，其特征在于，包括：

检测图像确定模块，用于通过第一传统图像处理算法确定目标检测轴承图像；

第一缺陷检测结果确定模块，用于通过第二传统图像处理算法对所述目标检测轴承图像进行第一缺陷检测，得到第一缺陷检测结果；

第二缺陷检测结果确定模块，用于通过轴承图像检测模型对所述目标检测轴承图像进行第二缺陷检测，得到第二缺陷检测结果，其中，所述轴承图像检测模型采用改进的YOLOv5架构；

目标轴承缺陷区域确定模块，用于根据所述第一缺陷检测结果和所述第二缺陷检测结果，确定所述目标检测轴承图像的目标轴承缺陷区域；

所述检测图像确定模块，用于通过所述第一传统图像处理算法获取待检测轴承图像，并确定所述待检测轴承图像的目标区域图像；通过所述第一传统图像处理算法根据所述目标区域图像确定所述待检测轴承图像对应的目标检测轴承图像；

所述检测图像确定模块，用于通过所述第一传统图像处理算法对所述待检测轴承图像进行图像缩放处理，得到目标缩放图像；通过所述第一传统图像处理算法根据所述目标缩放图像中各像素点的灰度值，对所述目标缩放图像进行像素点筛选，得到目标像素点图像；通过所述第一传统图像处理算法对所述目标像素点图像进行第一形状选择，得到目标形状图像；通过所述第一传统图像处理算法对所述目标形状图像进行区域填充，得到目标填充图像；通过所述第一传统图像处理算法根据所述目标形状图像和所述目标填充图像进行第一图像相减处理，得到目标相减图像；通过所述第一传统图像处理算法对所述目标相减图像进行第二形状选择，得到所述待检测轴承图像的目标区域图像；

所述检测图像确定模块，用于通过所述第一传统图像处理算法根据所述目标区域图像，确定所述目标区域图像的第一椭圆参数；通过所述第一传统图像处理算法根据所述第一椭圆参数确定所述待检测轴承图像对应的目标椭圆参数；通过所述第一传统图像处理算法根据所述目标椭圆参数确定所述目标检测轴承图像；

所述第一缺陷检测结果确定模块，用于通过所述第二传统图像处理算法对所述目标检测轴承图像进行中值滤波处理，得到目标滤波图像；通过所述第二传统图像处理算法对所述目标检测轴承图像和所述目标滤波图像进行第二图像相减处理，得到缺陷特征图像；通过所述第二传统图像处理算法对所述缺陷特征图像进行灰度梯度处理，得到有效缺陷特征图像；通过所述第二传统图像处理算法根据所述有效缺陷特征图像的缺陷熵值信息，确定所述第一缺陷检测结果。

5.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的轴承缺陷检测方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-3中任一项所述的轴承缺陷检测方法。