[发明专利]基于多注意力机制的磨损表面损伤深度估计方法及系统

说明书

本发明公开了一种基于多注意力机制的磨损表面损伤深度估计方法及系统，以ResNet‑50编码层中的四层卷积块为主干，结合两层Conv‑ReLU的卷积块构建磨损表面基础特征提取层；将损伤区域分割分支网络及深度信息估计分支网络融合作为磨损表面深度估计模型；通过加权方式得到磨损表面深度估计模型的损失函数；选择具有典型损伤区域的磨损表面图像作为训练样本，以损失函数作为优化目标，采用适应性矩估计法训练磨损表面深度估计模型，将单张磨损表面图像输入磨损表面深度估计模型，得到磨损表面的损伤区域分割结果图及深度信息结果图。本发明有效实现从单张磨损表面图像估计三维深度信息，解决磨损表面分析技术领域中深度信息获取难度大，效率低，复杂度高的问题。

技术领域

本发明属于机器故障诊断领域的磨损表面分析技术领域，具体涉及一种基于多注意力机制的磨损表面损伤深度估计方法及系统。

背景技术

摩擦副的磨损会降低机械装备的运行可靠性和稳定性，甚至会导致严重故障。磨损表面作为磨损过程的直接产物，其损伤区域的形貌可以表征磨损演化机理和磨损严重程度。因此，磨损表面分析技术被视为关键摩擦学系统状态监测和故障诊断的最直接、可靠的技术手段。在机械装备“预知、预防”维护理念的推动下，磨损表面分析技术正向着原位、三维的方向快速发展，而基于工业内窥镜的原位在机检测技术则成为主要技术手段。然而，损伤形状复杂、尺寸不一制约了磨损表面分析的精度及效率，如何从单张二维表面图像中获取三维形貌信息则成为了磨损表面分析技术的研究难点。

基于机器视觉的磨损表面形貌分析技术实现了以二维磨损表面图像为基础的三维形貌信息提取。例如，以扫描电子显微镜获得的磨损表面图像为研究对象，利用多视图几何约束方法实现了表面三维重构。阴影形状恢复与立体视觉的融合技术实现了磨损表面深度信息的估计。基于复小波的增强阴影形状恢复变换方法被用于获取铣削机械零件的表面三维粗糙度。此外，光度立体视觉被创新性地用于原位磨损表面三维形貌信息提取中。然而，上述方法依赖于多个视图、多个理想假设和多个光源等辅助信息，但是复杂的机械装备工业环境以及内窥镜成像系统导致多目视觉系统搭建及图像采集困难，限制了上述方法在基于内窥镜的磨损表面检测中的应用场景。为此，三维形貌重建仍然是磨损表面分析的一项重要任务。

近年来，单目深度估计方法通过建立单张二维图像的像素值与深度值之间的映射关系，为单张磨损表面深度估计提供了更好的研究前景。然而在磨损表面损伤区域深度估计中仍存在着损伤区域边缘模糊、损伤形貌估计不准的问题。其关键原因在于现有的单目深度估计模型以相同的权重处理磨损表面整体区域，但损伤区域仅仅是其中小部分，导致了无法有效地重建损伤区域的三维形貌。

总体而言，目前磨损表面三维重建技术在状态监测及故障诊断中取得了一定的工程效果。但是，由于受内窥镜体积及机械设备内部复杂的成像环境限制，基于多视图、多光源辅助的三维形貌获取技术应用受限，而基于单图像深度估计模型存在磨损损伤区域边缘模糊、损伤形貌估计不准等问题，降低了磨损表面损伤区域三维形貌提取的精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多注意力机制的磨损表面损伤深度估计方法及系统，通过将多重注意力机制引入至U-net网络架构，以提取磨损表面更关注磨损区域的特征图，从单张磨损表面图像中实现损伤深度信息估计，为磨损表面分析技术提供更有效的三维形貌信息获取方法。

本发明采用以下技术方案：

基于多注意力机制的磨损表面损伤深度估计方法，包括以下步骤：

S1、以ResNet-50编码层中的四层卷积块为主干，结合两层Conv-ReLU的卷积块构建磨损表面基础特征提取层；

S2、结合U-Net结构架构和磨损表面特性，基于步骤S1构建的磨损表面基础特征提取层构建损伤区域分割分支网络及深度信息估计分支网络，将损伤区域分割分支网络及深度信息估计分支网络融合作为磨损表面深度估计模型；