基于YOLOv5的换向器表面缺陷检测算法研究

摘%要 在零部件制造和使用过程中" 可能会在零部件表面出现缺损现象" 而零部件在反复使用 过程中其微小缺陷可能扩大甚至使损坏零部件" 进而导致零部件所在系统发生故障% 以工业用典型零 部件换向器为研究对象" 提出了基于深度学习算法的零部件缺陷检测方法% 研究中" 基于 ^@<BUK@G]5 [[数据集" 首先采用 E@I7=F数据增强方法对换向器缺陷数据集中的数据进行旋转$ 裁剪等处理" 对 数据集进行扩充" 构建数据集% 其次" 将构建的数据集划分为训练集和测试集% 采用构建的训练数据 集" 搭建深度学习框架并采用 3;M;C/ 卷积神经网络训练模型" 建立换向器表面缺陷识别模型% 最 后" 采用构建的识别模型对测试集中的数据进行测试% 结果表明" 训练模型性能评价指标平均精确率 均值! S*># 及正样本召回率! HBF7<<# 均高达 ,/a以上" 采用深度学习中 3;M;C/ 目标检测算法对换向 器表面缺陷的检测精度可高达 ,#a%
的一款模型" 在检测速度和精度上有着较强的优
势" 能够在保持较高检测精度的同时满足实时性
要求" 是继 3;M;C( 之后被广泛应用于工业检测
的算法% 相对于其他版本的 3;M;算法" 3;M;C/
可以在不降低检测精度的情况下" 采用 Y@F4I框
架将图像切片" 加快了训练速度% 同时" 3;M;C/
关键词 换向器表面缺陷& 深度学习& 卷积神经网络& 3;M;C/ 算法 中图分类号 &>"$"%%文献标识码 *%%文章编号 "##" +",-.)#)(#- +##)" +#!
<+'+(.6"#)(1%#.,&"5 -#.*+&+6&,)% 6#55$&(&#.'$.-(6+*+-+6&8('+*#)?@A@3/
:'*12.=7@5<="") " E*3=5F6B8"") " A*12345R=89( " [;12]67@5PB="") " '*;17"") " 'Z]=5I="")
!"L]6778T=^BDM7O@G7K@GD@P]4GP7FBZ89=8BBG=8978N HBS784P7FK4G=89" .=' 78 _8=CBGI=KD" .=' 78 !"##-/" A6=87& )L.=' 78 ^BDM7O@G7K@GD@PJ8KB<<=9B8K*NN=K=CBE784P7FK4G=89" .=' 78 _8=CBGI=KD" .=' 78 !"##-/" A6=87& (LA@<<B9B@P>6DI=FI78N Z<BFKG@8=FZ89=8BBG=89" .=8D7891@GS7<_8=CBGI=KD" .=8D789`-`###" A6=87#
电机被广泛应用在不同工业现场和行业中"
而换向器是直流电动机$ 直流发电机和交流整流
子电动机电枢上的一个重要部位" 它在电动机转
动的过程中扮演了关键的角色" 确保电动机能够
持续稳定地运转" 其可靠性对整个生产过程具有
重要意
,!-
义
%
换 向 器 在 工 作 中 存 在 磨 损"
当换
向器磨损严重或者换向器表面发生缺陷如裂纹 时" 电机在运转时会产生火花" 进一步加剧电刷 和换向器的损伤" 降低电机效率" 缩短电机的使 用寿命% 目前国内对于换向器表面质量是否存在 缺陷检测的研究较少% 基于以上分析" 本文以换 向器为研究对象" 提出一种基于深度学习的换向 器表面缺陷检测系统% 该系统首先构建换向器表
78'&.(6&( [4G=89S784P7FK4G=8978N 4I=89SBF678=F7<R7GKI" NBPBFKIS7D@FF4G@8 K6BI4GP7FB@PSBF678=F7< R7GKI" N4G=89GBRB7KBN 4IB@PF@SR@8B8KI" K6B=GS=8@GNBPBFKIS7DBTR78N @GBCB8 F74IBN7S79BK@K6BF@S5 R@8B8KI" <B7N=89K@S7<P48FK=@8 =8 K6BIDIKBS K@Q6=F6 K6BDOB<@89L&6=I7GK=F<BK7UBIKDR=F7<=8N4IKG=7< F@SR@8B8KF@SS4K7K@GI7IK6BGBIB7GF6 @Ok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a" 78N K6BNBKBFK=@8 7FF4G7FD@PK6BF@SS4K7K@GI4GP7FBNBPBFKIO7IBN @8 3;M;C/ 7<9@G=K6S F78 GB7F6 K@,#aL 9+2:#.*'( F@SS4K7K@GI4GP7FBNBPBFK& NBBR <B7G8=89& F@8C@<4K=@87<8B4G7<8BKQ@GU& 3;M;C/ 7<9@G=K6S
+))+
重 型 机 械%% %%%%%%%%%%%%%%%%)#)( ;#X-
#%前言
在机械零部件使用过程中" 不可避免会产生
诸如微小裂纹$ 凸起等缺陷" 这些微小缺陷随着
产品的反复使用可能会持续增加" 从而严重影响
产品的功能和寿命" 甚至导致整个系统发生故
障% 研究显示" $#a的机械零部件都是由于缺陷
图 )%AW] 模块结构
3;M;C/ 的损失函数包括三个部分" 分别为
分类损失$ 预测框置信度损失和预测框定位损
失% 其中分类损失和预测框置信度损失均为二分
类交叉墒损失" 3;M;C/ 网络中采用 2J;_l M@II
,
作为边界框回归损失计算式
,-
(
"
2J;_fJ;_4;
!"#
)2J;_ f"
+J;_i
"+''($ "
!)#
式中( "为两个框中的最小外接矩形& ''($为
预测框与真实框的并集%
"X)%3;M;模型性能指标
模型性能主要包括两个方面( 一个是检测精
度" 另一个是检测速度% 性能评估指标有准确
率$ 精确率$ 召回率$ 平均精确度等% 对于一个
二分类算法来说" 预测的结果只有两类" 分别用
收稿日期 )#)( +#$ +"(& 修订日期 )#)( +#, +#! 基金项目 国家自然科学基金!-"-#(()`# & 西安市科技计划项目!)".d::##-## & 陕西省表面工程与再制造重点实验室开放基金项目
!)#))]]ZH#/# & 西安文理学院交叉建设项目. 腐蚀科学与数字信息技术/ ! .3)#)(dA#"# & 陕西省教育厅重点科学研究计划 项目!)"d]#(`# & 陕西省) 四主体一联合* 非开挖水平定向勘察智能装备校企联合研究中心$ 大学生创新创业 训 练项 目 ! [A)#))#-"" [A)#)(#)"# 作者简介 张晓丽!",!, +# " 女" 副教授" 硕士生导师" 博士" 主要研究方向( 智能监测%
面缺陷数据集" 并对数据集进行类别$ 位置的标 定" 其次采用 3;M;C/ 算法进行模型的训练" 并 且对于已训练好的模型进行检测" 最后根据摄像 头摄取到的图像" 采用训练好的 3;M;C/ 网络模 型对换向器表面缺陷进行检测和识别%
"%理论分析
"X"%3;M;C/ 目标检测算法
3;M;C/ 是 3;M;系列中性能和通用性较强
导致疲
劳
损
坏
造
成
,"-
的
%
由于传统的人工检测
方式受视觉疲劳$ 注意力分散等因素的影响" 很
难达到现代工业生产中高效性和实时性的要求"
所以建立机械零部件表面缺陷智能检测系统对零 部件质量控制具有极其重要的意义,) +(- %
针对不同工件缺陷检测方法" 国内外学者进 行了广泛研究% 主要集中于基于传统图像处理方 法的和基于机器学习的工件表面缺陷方法两种% 韩素华等人针对国标 /""#/ 型号轴承套圈进行了 表面缺陷检测实验" 提出了基于机器视觉的表面 缺陷检测实验系统设计" 精度达 ,/a,`- % 3@4895 d=8 A67等人基于 Y7IKBG5H5A11提出一种多类型损 伤的自动检测方法" 结合无人机实现混凝土$ 钢 材腐蚀等自主视觉检测" 五类缺陷平均检测精度 ! SB78 *CBG79B>BGF=I=@8" S*># 达 到 $!X$a,/- % 3=K=89M=等 人 研 究 采 用 改 进 ]][! ]=89<B]6@K E4<K=W@T[BKBFK=@8 # 算法对灌装线集装箱表面缺 陷进行检测" 采用 E@O=<B1BKC" 替换 ]][算法中 的 \22"- 特征提取网络" 简化了检测模型" 识 别率约为 ,/a,-- % 综上" 采用深度学习中的卷
) 正* 和) 负* 来表示% 采用 3;M;模型对一组样
本进行二分类预测时" 根据预测样本类别和实际
样本类别" 会出现 ` 类情况(
!"# 预测结果为正" 实际样本也为正% 这种
采用 >DK@GF6 框 架" 使 得 3;M;C/ 的 大 小 对 比
3;M;C($ 3;M;C` 等版本降低了 ,#a左右" 从而
使得 3;M;C/ 的 部 署 具 有 更 多 的 灵 活 性" 同 时
3;M;C/ 给出的四个不同大小的模型可以实现在
不同精度
要
求
下
的
检
,$-
测
%
因 此"
3;M;C/ 训练
)#)( ;#X-%%%%%%%%%%%%%%% %%%重 型 机 械
+)"+
基于 3;M;C/ 的换向器表面缺陷检测算法研究
")
张晓丽

")
马怡琛

(
仓玉萍

")
董少飞

郝%纳")
")
何思思
!"X西安文理学院 机械与材料工程学院 陕西省表面工程与再制造重点实验室" 陕西 西安 !"##-/& )X西安文理学院 机械与材料工程学院 西安市智能增材制造重点实验室" 陕西 西安 !"##-/& (X信阳师范大学 物理电子工程学院" 河南 信阳 `-`####
图 "%3;M;C/ 网络结构图
3;M;C/ 的主干网络! W7FUO@8B# 包括 Y@F4I$ AW]$ A( 和 ]>>模块" 目标检测模型中主干网 络的作用是实现对输入图像的特征提取% Y@F4I
)#)( ;#X-%%%%%%%%%%%%%%% %%%重 型 机 械
+)(+
模块在输入图像进入主干网络之前" 对图像进行 切片! ]<=FB# " 然后把切片后的结果拼接! A@8F7K# 起来% 网络结构中的基本单元卷积 ! A@8C# $ 批 量化归一化! W1# 和激活函数 ]=M_组成 AW] 模 块" 其结构如图 ) 所示%
速度快" 模型精度高" 内存占用小" 可以方便地
运用在更多复杂场景% 3;M;C/ 的网络结构主要
可以划分为主干! O7FUO@8B#$ 颈部! 8BFU#$ 头部
!6B7N#这 ( 个组成部分% 其网络结构如图 " 所示%
积神经网络可以自动提取工件表面缺陷的有效图
像信息" 分类精度较高且速度较快%