[发明专利]一种样本可均衡的曲轴表面缺陷检测方法及检测系统

说明书

本发明公开了一种样本可均衡的曲轴表面缺陷检测方法及检测系统，检测方法包括：构建训练样本数据集，包括：在曲轴表面施加磁粉并以荧光照射，获取曲轴的表面图像；判断并标注表面状态，得到正常的图像数据个、带有缺陷的图像数据个，定义张图像作为一个数据样本，当张图像全部为正常图像时此样本才标记为正样本，否则为负样本，两者构成训练样本数据集，的取值为(N+1）/(M+1)；基于深度学习卷积神经网络模型进行训练；将待检测的曲轴的y张图像与N中的x‑y张图像形成一个数据样本，通过深度学习识别模型确定曲轴表面情况。本发明能够使得带缺陷与正常的图像数据保持均衡，并在同样数量的图像下起到样本扩充的效果。

技术领域

本发明涉及曲轴表面检测技术领域，特别是涉及一种样本可均衡的曲轴表面缺陷检测方法及检测系统。

背景技术

曲轴是发动机的驱动轴，是每一台发动机中最重要的组成部分，一般通过锻造或铸造工艺进行生产。曲轴经过锻打或铸造成型后，还需要经过热处理、抛丸清理、探伤检测等工序。在成型生产和热处理中，曲轴极易产生各方面的生产缺陷，如剪切裂纹、锻造折迭、淬火裂纹、磨削裂纹等。这些缺陷的存在极易使发动机在运行过程中发生断裂造成安全事故和财产损失。因此，在生产的最后工序，检测曲轴缺陷、发现质量问题在曲轴的生产过程中极其重要。

在我国，利用荧光磁粉探伤进行质量检测的技术已广泛地被应用于工业实际生产中，通过荧光磁粉进行无损探伤的方法仍属于半自动化方式，这种方式将除了需要人工观察进行缺陷确认外，其他步骤均采用机械和电气部分进行了替代。在曲轴的缺陷检测、半轴的缺陷检测、工件裂纹质量检测等方面都采用此种荧光磁粉探伤机进行检测，曲轴具有表面平滑、缺陷在荧光灯下极易观察的特点。曲轴表面缺陷多以裂纹为主，如果在工件表面施加磁粉，则会在工件表面呈现出线型的裂纹，工作人员通过在荧光灯下直接观察判断工件好坏的方式进行检测。采用此种方式检测工件表面或近表面缺陷，通常情况下可以取得较高的准确率。

然而，磁粉探伤检测法工作环境非常恶劣，操作人员持久、单调地进行重复性的工作，很容易产生视觉疲劳造成缺陷的漏检或误判，检测结果受主观因素、视力和经验的影响较大，并且长期被荧光灯照射对人体有害。

基于此，目前市场上出现了一些基于深度学习的卷积神经网络模型，通过对零部件表面的图像进行识别并分类，能够得到表面检测结果。由于深度学习是基于数据驱动的，识别算法性能的好坏和数据样本的好坏有直接密切关系。在实际生产中，获取的带有缺陷的图像数据远少于正常图像数据，传统样本制作方法使得正负样本存在严重不均衡，这将对算法的性能造成严重影响。

发明内容

针对上述问题，本发明提供了一种样本可均衡的曲轴表面缺陷检测方法，使得训练样本数据集中负样本和正样本保持均衡，并且在采集相同图像数量的情况下该样本制作方法相比传统的样本制作方法还起到样本扩充的效果。

本发明的技术方案是：

第一方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测方法，包括：S1、构建训练样本数据集，包括：在曲轴表面施加磁粉并以荧光照射，获取曲轴的表面图像；判断并标注表面图像状态，得到正常的图像数据个、带有缺陷的图像数据个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出，化简得；S2、基于深度学习卷积神经网络模型，通过所述训练样本数据集对所述深度学习卷积神经网络模型进行训练，完成深度学习识别模型的构建；S3、获取待检测的曲轴的y张表面图像，与从正常的图像数据N中随机选取的x-y张图像组成一个待识别样本，通过所述深度学习识别模型确定曲轴表面情况。