1.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：
2.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。
3.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。
4.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。
5.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。
技术实现要素：
6.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。
7.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。
8.上述技术方案的工作原理如下：本发明通过将获取的图像数据进行处理，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；取，能够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，然后通过正样本和负样本构成的训练样本数据集对深度学习卷积神经网络模型进行训练，从而完成深度学习识别模型的构建，待检测的曲轴便可通过深度学习识别模型进行表面情况的识别，并且进一步训练深度学习识别模型。
9.在进一步的技术方案中，所述获取待检测的曲轴的表面图像包括：通过相机对待检测的曲轴的表面进行多角度拍摄。
10.如此设置，能够使得获取的图像更具多样性，提升鲁棒性和泛化性。
11.在进一步的技术方案中，所述曲轴表面缺陷检测方法还包括步骤s4：根据所述曲轴表面情况，向筛选机构发出正品信号或次品信号完成自动筛选。
12.如此设置，能够对正品曲轴和次品曲轴进行自动筛选，及时剔除次品曲轴，保证曲轴的出品质量。
13.第二方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测系统，包括磁粉施加装置、荧光照射装置、拍摄装置及深度学习神经网络识别模块；所述磁粉施加装置用于对曲轴的表面施加磁粉；所述荧光照射装置用于对曲轴表面进行荧光照射，以便于判断曲轴的表面状态；所述拍摄装置用于获取曲轴的表面图像数据并与相应的所述表面状态相对应，并以此得到训练样本数据集；其中，得到所述训练样本数据集具体包括：获取的曲轴表面图像包括正常的图像数据个、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；所述深度学习神经网络识别模块采用所述训练样本数据集对自身进行训练，以用
于待检测的曲轴表面情况的识别。
14.在进一步的技术方案中，还包括相互连接的控制装置及筛选装置，所述控制装置用于根据所述曲轴表面情况产生正品信号或次品信号，所述筛选装置根据所述正品信号或次品信号进行自动筛选。
15.在进一步的技术方案中，所述控制装置用于在所述曲轴表面情况为带有缺陷时产生次品信号，所述筛选装置根据所述次品信号将带缺陷的曲轴自动筛选出来。
16.本发明的有益效果是：本发明通过将获取的图像数据进行处理，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；取，能够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，然后通过正样本和负样本构成的训练样本数据集对深度学习卷积神经网络模型进行训练，从而完成深度学习识别模型的构建，待检测的曲轴便可通过深度学习识别模型进行表面情况的识别，并且进一步训练深度学习识别模型。
具体实施方式
17.下面对本发明的实施例作进一步说明。
18.实施例1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，包括以下步骤：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。即，从正常的图像数据n中随机选取x张图像组成个正样本，从正常的图像数据n中随机选取x-1张图像与从带有缺陷的图像数据m中随机选取1张图像组成个负样本，此时正负样本达到均衡。
19.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。
20.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。所述y张表面图像是从待检测的曲轴的y个不同工位采集得到。
21.上述技术方案的工作原理如下：本发明通过将获取的图像数据进行处理，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；取，能够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，然后通过正样本和负样本构成的训练样本数据集对深度学习卷积神经网络模型进行训练，从而完成深度学习识别模型的构建，待检测的曲轴便可通过深度学习识别模型进行表面情况的识别，并且进一步训练深度学习识别模型。
22.在另外的实施例中，所述获取待检测的曲轴的表面图像包括：通过相机对待检测的曲轴的表面进行多角度拍摄。如此设置，能够使得获取的图像更具多样性，提升鲁棒性和泛化性。
23.在另外的实施例中，所述曲轴表面缺陷检测方法还包括步骤s4：根据所述曲轴表面情况，向筛选机构发出正品信号或次品信号完成自动筛选。如此设置，能够对正品曲轴和次品曲轴进行自动筛选，及时剔除次品曲轴，保证曲轴的出品质量。
24.实施例2第二方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测系统，包括磁粉施加装置、荧光照射装置、拍摄装置及深度学习神经网络识别模块；所述磁粉施加装置用于对曲轴的表面施加磁粉。
25.所述荧光照射装置用于对曲轴表面进行荧光照射，以便于判断曲轴的表面状态。
26.所述拍摄装置用于获取曲轴的表面图像数据并与相应的所述表面状态相对应，并以此得到训练样本数据集；其中，得到所述训练样本数据集具体包括：获取的曲轴表面图像包括正常的图像数据个、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。
27.所述深度学习神经网络识别模块采用所述训练样本数据集对自身进行训练，以用于待检测的曲轴表面情况的识别。
28.在另外的实施例中，还包括相互连接的控制装置及筛选装置，所述控制装置用于根据所述曲轴表面情况产生正品信号或次品信号，所述筛选装置根据所述正品信号或次品信号进行自动筛选。
29.在另外的实施例中，所述控制装置用于在所述曲轴表面情况为带有缺陷时产生次品信号，所述筛选装置根据所述次品信号将带缺陷的曲轴自动筛选出来。
30.以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。