一种小尺寸轴承的视觉检测方法

本发明涉及轴承检测，具体涉及一种小尺寸轴承的视觉检测方法。

背景技术：

1、随着科技的发展，各类精密小尺寸轴承的应用日益广泛，如用于精密仪器、医疗设备、航空航天等领域。但传统的轴承检测方法存在一定局限性。具体来说，对于小尺寸杆端关节轴承等小尺寸轴承而言，其结构尺寸小，表面特征信息相对较少，同时不同批次轴承的公差存在一定差异，使得轴承滑动球面具有较高的可变性。这给自动化轴承检测带来了困难。因此，在密集混乱的小尺寸轴承自动化堆叠生产线上，常见的检测方法，如机器视觉法，往往难以提取区别特征，导致轴承检测的准确性较低，间接降低了生产效率。

技术实现思路

1、本发明的目的在于提供一种小尺寸轴承的视觉检测方法，该方法有利于提高对小尺寸轴承的检测精度和检测速度。

2、为了实现上述目的，本发明采用的技术方案是：一种小尺寸轴承的视觉检测方法，包括以下步骤：

3、s1、获取不同尺寸、不同批次的杆端关节轴承图片，标注信息制作成杆端关节轴承数据集；

4、s2、通过多特征随机融合数据增强方式扩充杆端关节轴承数据集；

5、s3、改进yolov5算法模型，包括：

6、s31、使用spd-conv模块改进骨干网络，并增加一个特征图输出通道；

7、s32、在颈部网络加入多层融合模块mfspd，重新构建颈部网络；

8、s33、在检测头中增加一个p4检测头，引入加权k-means聚类算法替换原k-means算法以生成更优先验框；

9、s34、在后处理中引入置信度传播聚类算法cp-cluster替代softnms算法，优化预测框置信度与检测速度；

10、通过杆端关节轴承数据集对改进的yolov5算法模型进行训练，得到训练好的检测模型；

11、s4、将待检测图像输入训练好的检测模型进行轴承检测与分类，自动识别各个尺寸与型号的杆端关节轴承。

12、进一步地，步骤s2中，通过多特征随机融合数据增强方式扩充杆端关节轴承数据集，包括：模糊，调整亮度，裁剪，旋转，平移，镜像，裁剪，缩放、噪声添加，颜色变化。

13、进一步地，步骤s3中，基于yolov5s网络模型进行改进，得到改进的yolov5s网络模型。

14、进一步地，步骤s3 1中，spd-conv模块由一个空间转深度层和一个无步长卷积层组成；其中空间转深度层按如下方式进行图像处理：

15、f0，0＝x[0：l：k，0：l：k]，f1，0＝x[1：l：k，0：l：k]，…，

16、fk-1，0＝x[k-1：l：k，0：l：k]；

17、f0，1＝x[0：l：k，1：l：k]，f1，1，…，

18、fk-1，1＝x[k-1：l：k，1：l：k]；

19、

20、f0，k-1＝x[0：l：k，k-1：l：k]，f1，k-1，…，

21、fk-1，k-1＝x[k-1：l：k，k-1：l：k]   (1)

22、给定任一初始特征图x，将x(i，j)通过i+x和j+y按k大小整除得到子特征图fx,y；每个子特征图按比例因子对x进行下采样；

23、在空间转深度层后，使用一个带有c2过滤器的无步长卷积层，将k2c1转为c2，其中c2＜k2c1，以尽可能保留所有有用的特征信息；

24、骨干网络基于cspdarknet53改进后增加一个160x160x128的特征图输出，用于后续检测小尺寸目标；并将步长为2的所有卷积层替换为spd-conv模块；改进后结构输出4个尺度分别为160x160x128、80x80x256、40x40x512和20x20x1024的特征图，然后输入颈部网络中进行下一步强化融合。

25、进一步地，步骤s32中，基于spd模块，构建多层融合模块mfspd；mfspd模块使用spd结构，从不同网络层进行特征提取，获得多尺度特征；mfspd模块采用连续的压缩-激活操作增强特征；mfspd模块使用加权残差连接，使得底层语义信息可以更好保留传递至模型顶层；通过卷积核为3，步长为2的卷积对输入数据进行卷积计算，然后与spd层进行add特征融合：

26、

27、然后经过卷积核为3，步长为1的卷积层，输出特征图与上一步步长为2的卷积层输出通过concat特征融合：

28、

29、conv层由conv2d卷积、bn归一化和silu激活函数组成，其中silu函数的公式为：

30、

31、进一步地，步骤s33中，在检测头中增加一个p4检测头，增加p4检测头后，不同尺度的检测头可对不同大小的杆端关节轴承进行多尺度检测；

32、在原k-means算法上使用加权k-means算法，给每个样本带上权重系数；采用聚类中心与样本之间的最大交并比来评价聚类结果；具体包括：

33、按需选取k个聚类中心；

34、求取每一个样本到feature map中心点之间的距离dic，计算公式如下：

35、

36、其中，xi，yi为第i个样本横、纵坐标，为第c个中心横、纵坐标；

37、求取每个样本对应其聚类中心的权重，并构造权重矩阵，式(6)为所有样本到任一中心点a距离的均值，式(7)为权重计算公式：

38、

39、

40、其中，wijc为第i个样本与第j个聚类中心的权重，c为聚类中心对应的feature map中心点；

41、更新目标函数d，即更新聚类中心：

42、

43、其中，bi为i样本标注框的宽高，cj为第j个聚类中心预选框；

44、循环迭代更新所有聚类中心，直到聚类中心位置不再改变。

45、进一步地，步骤s34中，在后处理中，引入置信度传播聚类算法cp-cluster作为后处理模块；具体实现方法为：

46、先将所有候选框转为无向图集合，然后在图中每个候选框相互传递正面消息与负面消息；落选的候选框被消除的同时，被选出的候选框置信度也被加强了；

47、正面消息传递中，将置信度比自身低，iou高于一个设定超参数阈值判断为弱势朋友聚类，通过弱势朋友的数量以及置信度更新强侧置信度，如式(9)：

48、

49、其中wbi为弱势朋友的集合，p为置信度；

50、负面消息传播中，将原来由高到低的排序改成图结构，省去排序，并且抑制两次；另外，加入sup矩阵，防止一个预测框被反复被同一个预测框抑制；式(10)通过最强朋友进行抑制，式(11)为更新弱侧置信度；

51、

52、

53、迭代循环，使算法收敛到最优解，最后过滤置信度低的预测框，只留下置信度最高的预测框。

54、进一步地，步骤s4中，通过训练好的检测模型对杆端关节轴承图像进行预测，其具体方法为：

55、首先，图像数据输入到模型的骨干网络中，经过多层特征提取，获得语义丰富的特征映射；然后，不同尺度的检测头对特征图进行解析，得到不同大小目标的预测框；而后，模型对每个预测框进行分类，判断其包含的目标类别；接着，后处理模块微调预测框及其置信度；最后，根据置信度阈值，筛选出满足要求的预测框，输出检测结果；其中，高置信度框对应检测到的轴承目标。

56、与现有技术相比，本发明具有以下有益效果：提供了一种小尺寸轴承的视觉检测方法，该方法对yolov5算法模型进行改进重建，重建后的算法模型明显增强了特征提取能力与检测精度，并且实时性与精确性皆满足检测要求；相较于主流检测网络，同等检测精度下，本方法需要更少的计算量与参数，大大节约了计算成本与内存空间。