表面缺陷对轴承的性能和寿命存在严重影响。近年来,深度学习在缺陷检测中发挥了重要的作用,然而对于轴承检测而言,缺陷样本的采集耗时耗力。选择轴承内径作为研究对象,根据轴承的对称性特性提出一种规范化样本拆分方法,可有效扩充轴承...表面缺陷对轴承的性能和寿命存在严重影响。近年来,深度学习在缺陷检测中发挥了重要的作用,然而对于轴承检测而言,缺陷样本的采集耗时耗力。选择轴承内径作为研究对象,根据轴承的对称性特性提出一种规范化样本拆分方法,可有效扩充轴承样本数据集。分别采用不同的样本处理方法,而后利用ResNet网络训练轴承缺陷检测模型,进行多组对比实验,实验结果表明:直接采用原始图像进行网络训练,检测效果较差,模型的AUC(area under the curve)仅为0.5580;对原始图像进行样本拆分,训练出的模型检测效果有所提升,其模型AUC提升为0.6326;将原始图像进行4点透视变换校正后再进行网络训练,检测效果同样有所提升,其模型AUC提升为0.6613;将原始图像进行透视变换校正且规范化样本拆分后,检测效果最好,其模型AUC增加为0.8496。展开更多
文摘表面缺陷对轴承的性能和寿命存在严重影响。近年来,深度学习在缺陷检测中发挥了重要的作用,然而对于轴承检测而言,缺陷样本的采集耗时耗力。选择轴承内径作为研究对象,根据轴承的对称性特性提出一种规范化样本拆分方法,可有效扩充轴承样本数据集。分别采用不同的样本处理方法,而后利用ResNet网络训练轴承缺陷检测模型,进行多组对比实验,实验结果表明:直接采用原始图像进行网络训练,检测效果较差,模型的AUC(area under the curve)仅为0.5580;对原始图像进行样本拆分,训练出的模型检测效果有所提升,其模型AUC提升为0.6326;将原始图像进行4点透视变换校正后再进行网络训练,检测效果同样有所提升,其模型AUC提升为0.6613;将原始图像进行透视变换校正且规范化样本拆分后,检测效果最好,其模型AUC增加为0.8496。
