1.一种基于Faster-RCNN的轴承滚子瑕疵检测方法,其特征在于,所述方法包括以下步骤:S1:获取数据,通过实验装置设备拍摄轴承滚子照片;
S2:将数据集分为训练集和预测集,为训练集中的数据制作单一缺陷标签,测试集中的数据不作处理;
S3:用训练集训练Faster-RCNN网络;
S4:用训练好的Faster-RCNN模型对预测集的图片进行检测,得到每张图片的检测结果;
S5:删除原有标签,为训练集中的数据制作15类缺陷标签,每种标签分别对应一种缺陷类型,预测集中的数据不作处理;
S6:用新的训练集训练Faster-RCNN网络;
S7:用新的Faster-RCNN模型对预测集的图片进行检测,得到每张图片的检测结果;
所述步骤S3包括以下步骤:
S3-1:选用Faster-RCNN网络对训练集进行训练,定义并初始化相关参数,分类模型选择resnet101,输入的图像尺寸为1920*1200;
S3-2:将图片作为神经网络的输入,其中所选用的Faster-RCNN部分网络包含13个卷积层,13个ReLU层,4个池化层,通过该网络可提取输入图片的特征映射,用于后续的区域生成网络和全连接层;
S3-3:区域生成网络生成区域候选框,兴趣区域池化层利用区域生成网络生成的区域候选框和之前已获得的特征映射,得到固定大小的特征图;
S3-4:将兴趣区域池化层形成固定大小的特征图进行全连接操作,进行具体类别的分类,用L1 Loss完成边框回归操作获得物体的精确位置,计算损失函数,同时更新整个网络的参数,得到训练模型,训练损失包括分类损失和回归损失;
所述S3-3中,RPN模块生成region proposals,RoI Pooling层利用RPN生成的proposals和之前已获得的特征映射,得到固定大小的proposal feature maps;
所述S3-4中,将RoI Pooling层形成固定大小的proposal feature maps进行全连接操作,利用softmax进行具体类别的分类,用L1 Loss完成边框回归操作获得物体的精确位置,计算损失函数,同时更新整个网络的参数,得到训练模型,训练损失包括分类损失和回归损失,计算式如下:式中,i表示每一个样本的下标,
2.如权利要求1中所述的一种基于Faster-RCNN的轴承滚子瑕疵检测方法,其特征在于,所述步骤S1中,实验装备包括由透明材料制得的传送圆盘,传送圆盘的边缘设有4个工位,每个工位均设有一台面阵相机;所述4个工位分别为轴承滚子外圆柱面检测工位、轴承滚子内圆柱面检测工位、轴承滚子上端面检测工位和轴承滚子下端面检测工位。
3.如权利要求1或2所述的一种基于Faster-RCNN的轴承滚子瑕疵检测方法,其特征在于,所述步骤S2中,对于任一工位,挑选1000张图片,按比例分为训练集和预测集,为训练集中的次品照片做标签。