[发明专利]一种基于改进神经网络的齿面损伤识别方法及装置

说明书

一种基于改进神经网络的齿面损伤识别方法及装置，属于齿轮的齿面损伤鉴别领域，该方法利用改进神经网络建立齿面损伤分类模型，之后通过向齿面损伤分类模型中输入待检测的齿轮表面图像，得到该齿轮表面损伤的分析结果。本发明通过对神经网络模型进行改进，使用全局平均池化来适应齿面尺寸并加速训练，应用迁移学习使模型更快收敛；最后，将数据集加载入改进的ResNet‑34中进行图像特征提取并训练，再利用分类函数进行分类处理，最终得到齿面损伤分类模型，再将需要检测的齿轮表面图像输入到模型中，既可以保证损伤识别的精度，又使模型被有效压缩，降低训练成本，大幅度提升了识别的效率。

技术领域

本发明涉及到齿轮的齿面损伤鉴别领域，具体的说是一种基于改进神经网络的齿面损伤识别方法及装置。

背景技术

齿轮是机械传动系统的关键部件，其质量直接影响传动系统的运行状况和使用寿命。然而，由于制造安装误差、运动冲击、滑动摩擦、循环交变弯曲应力、材料性能及热处理工艺的不同，齿轮可能产生不同的失效形式，较为常见的有齿面点蚀、齿面磨损、轮齿折断等，这些失效形式通常都可以表现在齿面上。齿面损伤会造成振动和产生噪声，降低使用寿命，影响齿轮的运动精度和工作稳定性。

目前，对于齿面损伤类型的识别主要依赖于车间工人及维修人员的肉眼检测，效率低、实时性差，且对人工要求较高。随着计算机技术和人工智能的飞速发展，机器识别逐渐代替人工作业，但目前国内外没有统一的标准或方法来对齿轮的齿面损伤类型进行识别。

发明内容

本发明的目的是提供一种基于改进神经网络的齿面损伤识别方法，采用机器视觉系统来代替人工作业，提高齿轮齿面损伤识别的准确率和效率。

本发明为实现上述技术目的所采用的技术方案为：一种基于改进神经网络的齿面损伤识别方法，该方法利用改进神经网络建立齿面损伤分类模型，之后通过向齿面损伤分类模型中输入待检测的齿轮表面图像，得到该齿轮表面损伤的分析结果；利用改进神经网络建立齿面损伤分类模型的步骤如下：

一)利用机器视觉系统获取齿轮的齿面图像，并依据齿面损伤的特征，将获取的齿面图像进行分类并标注出每个分类的真实标签；

二)将每一类的齿面图像裁剪至相同大小，并进行图像增强，形成分类的齿面图像数据集；

三)以ResNet-34作为初代网络模型构建卷积神经网络，并利用齿面图像数据集对构建的卷积神经网络进行训练，形成的权重保存到已构建的卷积神经网络中；

四)利用分类函数softmax对卷积神经网络的输出结果进行分类处理，得到各分类的概率向量；

五)选取概率向量中的最大值作为预测类型，并输出该预测类型及预测概率作为齿轮表面损伤的分析结果。

作为上述基于改进神经网络的齿面损伤识别方法的一种优化方案，所述步骤一)中将获取的齿面图像进行分类是指，将获取的齿面图像按照齿面点蚀、齿面磨损、轮齿折断和正常齿面四种类型并进行分类，并将四种类型作为对应分类的真实标签。

作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，所述步骤二)中图像增强的方法为，依次经水平翻转、垂直翻转、旋转180度、缩放、偏移、模糊、变亮、变暗和加入椒盐噪声。

作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，所述步骤二)形成分类的齿面图像数据集中，训练集和测试集的比例为9：1。

作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，所述步骤三)中的卷积神经网络，依次包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、全局平均池化层和全连接层。

作为上述基于改进神经网络的齿面损伤识别方法的另一种优化方案，构建所述步骤三)中卷积神经网络的具体操作为：

1)第一卷积层