一种基于无监督学习算法的轴承外侧面缺陷检测方法
本发明涉及一种轴承表面缺陷检测方法，具体涉及一种基于无监督学习算法的轴承外侧面缺陷检测方法，属于机器视觉检测。
背景技术：
1、在对轴承外侧面进行缺陷检测时，由于轴承外侧面图像使用线阵相机采集，其形态和其他三个面不同，并且，轴承外侧面的缺陷种类复杂多样，没有明确的类别标签，而且现场采集的外侧面缺陷样本较少，因此，使用现有技术中基于有监督学习模型的检测方法很容易造成过拟合而无法进行准确的缺陷检测。
技术实现思路
1、基于以上背景，本发明的目的在于提供一种基于无监督学习算法的轴承外侧面缺陷检测方法，解决背景技术中所述的问题。
2、为了实现上述发明目的，本发明提供以下技术方案：
3、一种基于无监督学习算法的轴承外侧面缺陷检测方法，该方法包括以下步骤：
4、采集待测轴承的外侧面图像，以固定大小的窗口对所述外侧面图像进行遍历；
5、将遍历后的窗口图像依次输入改进生成对抗网络异常检测模型中进行检测；
6、其中，所述的改进生成对抗网络异常检测模型包括用于区分输入图像为真实图像或生成图像的判别器、用于将隐空间中的随机噪声向量经过上采样和变换映射为生成图像的生成器、用于将输入图像快速映射到隐空间的编码器；所述的编码器包括依次连接的两个下采样模块、一个se-block模块、两个下采样模块、一个se-block模块、一个线性层和一个tanh激活函数层；所述的se-block模块包括以残差结构连接的cbl模块和se注意力模块，所述的se注意力模块包括依次连接的一个全局平均池化层、一个线性层、一个relu激活函数层、一个线性层和一个sigmoid激活函数层；所述的改进生成对抗网络异常检测模型采用迁移学习的方式进行训练，先使用其它数据集上训练好的生成对抗网络异常检测模型的参数设定判别器、生成器和编码器的预权重，再使用采集的轴承外侧面图像数据集训练改进生成对抗网络异常检测模型，从而对判别器、生成器和编码器的参数进行微调。
7、作为优选，将遍历后的窗口图像依次输入改进生成对抗网络异常检测模型中进行检测，具体包括：
8、计算输入的窗口图像的异常分数，所述的异常分数的数学表达式为：
9、a(x)＝ar(x)+kad(x)；
10、
11、式中，a(x)为异常分数，ar(x)为图像重建误差，即输入图像x与生成图像g(e(x))之间的差异，ad(x)为判别器特征残差误差，即输入图像x与生成图像g(e(x))在判别器的中间层输出之间的差异，n为输入图像的像素点数量，nd为判别器的中间层维度，k为权重参数，f为判别器的中间层输出函数，g为生成器函数；
12、比对异常分数与预先确定的判别阈值，若异常分数大于判别阈值，则输入的窗口图像为具有缺陷的异常图像，否则为正常图像。
13、作为优选，所述的判别阈值的确定方法包括：
14、通过初定一个判别阈值计算假正例率fpr和真正例率tpr，不断改变阈值，得到不同的假正例率fpr和真正例率tpr；
15、在xy坐标系绘制以fpr为横坐标、以tpr为纵坐标的roc曲线；
16、计算roc曲线与直线y＝-x+1的交点，作为fpr和tpr达到相对最佳时的平衡点，根据该平衡点，确定判别阈值。
17、作为优选，所述的判别器包括依次连接的一个不启用批量归一化的下采样模块、三个下采样模块和一个线性层。
18、作为优选，所述的生成器包括依次连接的一个线性层、一个批量归一化层、一个上采样模块、一个cbl模块、一个上采样模块、一个cbl模块、一个卷积层和一个tanh激活函数层。
19、作为优选，所述的cbl模块包括一个卷积层、一个批量归一化层和一个leakyrelu激活函数层。
20、作为优选，所述的判别器的损失函数的数学表达式为：
21、
22、所述的生成器的损失函数的数学表达式为：
23、
24、式中，x为真实数据，pr(x)为真实数据的分布，z为随机噪声，p(z)为随机噪声的分布，d为判别器函数，g为生成器函数，为期望；
25、所述的编码器的损失函数的数学表达式为：
26、
27、式中，n为输入图像的像素点数量，nd为判别器的中间层维度，k为权重参数，f为判别器的中间层输出函数，g为生成器函数，e为编码器函数。
28、与现有技术相比，本发明具有以下优点：
29、本发明的一种基于无监督学习算法的轴承外侧面缺陷检测方法，通过引入自适应编码器构建改进生成对抗网络异常检测模型，并且以迁移学习的方式进行训练，能够更好地处理轴承外侧面图像的各种复杂情况，对轴承外侧面的缺陷检测具有更准确的检测结果。
技术特征：
1.一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：将遍历后的窗口图像依次输入改进生成对抗网络异常检测模型中进行检测，具体包括：
3.根据权利要求2所述的一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：所述的判别阈值的确定方法包括：
4.根据权利要求1所述的一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：所述的判别器包括依次连接的一个不启用批量归一化的下采样模块、三个下采样模块和一个线性层。
5.根据权利要求1所述的一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：所述的生成器包括依次连接的一个线性层、一个批量归一化层、一个上采样模块、一个cbl模块、一个上采样模块、一个cbl模块、一个卷积层和一个tanh激活函数层。
6.根据权利要求1所述的一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：所述的cbl模块包括一个卷积层、一个批量归一化层和一个leakyrelu激活函数层。
7.根据权利要求1所述的一种基于无监督学习算法的轴承外侧面缺陷检测方法，其特征在于：所述的判别器的损失函数的数学表达式为：
技术总结
本发明提供一种基于无监督学习算法的轴承外侧面缺陷检测方法，该方法包括以下步骤：采集待测轴承的外侧面图像，以固定大小的窗口对所述外侧面图像进行遍历；将遍历后的窗口图像依次输入改进生成对抗网络异常检测模型中进行检测；其中，改进生成对抗网络异常检测模型包括判别器、生成器、编码器；编码器包括依次连接的两个下采样模块、一个SE‑Block模块、两个下采样模块、一个SE‑Block模块、一个线性层和一个Tanh激活函数层；SE‑Block模块包括以残差结构连接的CBL模块和SE注意力模块。本发明能够更好地处理轴承外侧面图像的各种复杂情况，对轴承外侧面的缺陷检测具有更准确的检测结果。
技术研发人员：张一康,梁诗钧,李家乐,李俊峰,潘海鹏
受保护的技术使用者：浙江理工大学
技术研发日：
技术公布日：2024/12/5