陶杭宇，姜曉燕

（上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620）

0 引言

作為機(jī)械設(shè)備的重要零件，軸承性能關(guān)系到設(shè)備的使用壽命以及可靠性，在設(shè)備運(yùn)行中占據(jù)著十分重要的地位。在機(jī)械設(shè)備運(yùn)行以及裝配過程中經(jīng)常會出現(xiàn)損壞的問題，所以在軸承生產(chǎn)企業(yè)在產(chǎn)品出廠前期或者使用一定時(shí)間后，需要實(shí)行一系列質(zhì)量檢測工作。但是采用人工方式檢測存在運(yùn)行成本高以及檢測效率低等問題，逐漸在生產(chǎn)質(zhì)檢過程中被淘汰，尤其對于智能化程度較高的自動化生產(chǎn)線，急需研究一種新型的檢測技術(shù)，以此提升機(jī)械設(shè)備軸承部件缺陷檢測檢測質(zhì)量與效率。

國內(nèi)相關(guān)專家針對機(jī)械設(shè)備軸承部件缺陷檢測方面的內(nèi)容展開了大量研究，例如石煒等人[1]主要通過Faster R-CNN算法完成軸承表面缺陷檢測和識別。黃鳳榮等人[2]以Faster R-CNN深度學(xué)習(xí)算法為框架，引入聚類理論確定anchor方案完成表面缺陷檢測。李彬等人[3]主要通過K-means算法完成不同類型聚類樣本的缺陷處理，經(jīng)過計(jì)算得到不同取值的先驗(yàn)框參數(shù)，利用改進(jìn)的參數(shù)調(diào)整方法對先驗(yàn)尺寸實(shí)行縮小和放大處理，分別提取不同層次的缺陷特征，最終完成缺陷檢測。

但是，與其他部位不同，由于機(jī)械設(shè)備軸承部件圖像噪聲較為復(fù)雜，不是單一噪聲，導(dǎo)致后續(xù)檢測軸承部件缺陷難度加大，因此為了提升檢測質(zhì)量與效率，提出一種基于混合深度學(xué)習(xí)的機(jī)械設(shè)備軸承部件缺陷檢測方法，并通過實(shí)驗(yàn)驗(yàn)證了該方法的實(shí)際應(yīng)用效果。

1 機(jī)械設(shè)備軸承部件缺陷檢測方法設(shè)計(jì)

1.1 機(jī)械設(shè)備軸承部件圖像復(fù)雜去噪處理

在機(jī)械設(shè)備軸承部件圖像去噪過程中，根據(jù)不同閾值進(jìn)行圖像去噪的效果存在十分明顯的差別。所以，選擇合適的閾值在圖像去噪過程中占據(jù)十分重要的地位。如果選擇閾值得比較小，則無法剔除圖像中全部的噪聲，圖像中會出現(xiàn)大量的噪聲點(diǎn)；假設(shè)選擇的閾值比較大，則會出現(xiàn)“扼殺”的現(xiàn)象，圖像中大量重要的細(xì)節(jié)信息會丟失，同時(shí)圖像也會變得十分模糊。

局部閾值是通過局部小波系數(shù)領(lǐng)域內(nèi)的特性確定最終閾值，通過設(shè)定的判定準(zhǔn)則以及小波系數(shù)確定屬于還是噪聲，所以通常下局部閾值的去噪效果會比權(quán)重閾值更加理想[4]。

軟閾值函數(shù)和硬閾值函數(shù)在圖像去噪過程中均具有缺陷，所以需要對兩者進(jìn)行改進(jìn)，構(gòu)建一個(gè)全新的閾值函數(shù)，使其可以更好完成數(shù)據(jù)的調(diào)整和改進(jìn)工作。為了簡化計(jì)算過程，引入可調(diào)因子，這樣可以準(zhǔn)確控制不同小波系數(shù)的逼近速度以及逼近程度，詳細(xì)的計(jì)算式如式(1)所示。

式(1)中，代表經(jīng)過閾值函數(shù)處理之后的小波系數(shù)；代表小波變換系數(shù)；λ代表閾值；β代表調(diào)節(jié)系數(shù)；m和n代表隨機(jī)常數(shù)。

當(dāng)閾值函數(shù)處于連續(xù)狀態(tài)，則說明可以有效克服硬閾值函數(shù)的不連續(xù)性所形成振蕩現(xiàn)象，同時(shí)和之間的偏差也越來越小，有效避免恒定誤差偏大情況的出現(xiàn)。

本文所用的圖像去噪方法就是通過以上的小波去噪原理[5，6]，通過選擇滿足需求的小波基函數(shù)以及分解層數(shù)，將改進(jìn)后的閾值函數(shù)應(yīng)用到小波閾值處理過程中，將高低頻小波系數(shù)有效結(jié)合，完成圖像重構(gòu)，確保圖像中的噪聲得到有效剔除。詳細(xì)的操作步驟如下所示：

1）使用合適的小波基函數(shù)以及分解層數(shù)對包含噪聲的機(jī)械設(shè)備軸承部件圖像展開正交小波變換處理，進(jìn)而得到不同尺度的小波系數(shù)。

2）對小波系數(shù)進(jìn)行修正處理，重新估計(jì)小波系數(shù)。

3）重構(gòu)經(jīng)過處理的小波系數(shù)，最終達(dá)到圖像去噪的目的。

為了得到更加滿意的機(jī)械設(shè)備軸承部件圖像去噪效果，需要將中值濾波和小波變換相結(jié)合。

小波變換是一種全新的信號變換分析方法，主要通過不斷變化的時(shí)間窗完成信號分析工作。當(dāng)時(shí)間-尺度域越大，則使用的時(shí)間窗也就越大；反之，則使用越短的時(shí)間窗展開信號分析工作。

由于在機(jī)械設(shè)備軸承部件圖像分析過程中，需要設(shè)定不同方向?qū)?yīng)的小波函數(shù)，如式(2)所示。

式(2)中，φ、φ和ψ代表不同方向的正交矢量子空間。

小波分解過程可以用式(3)進(jìn)行描述：

式(3)中，A(a，b)、B(a，b)、C(a，b)f和D(a，b)f代表不同層次的小波分解結(jié)果；f(x，y)代表機(jī)械設(shè)備軸承部件圖像。

機(jī)械設(shè)備軸承部件圖像小波變換每一層被劃分為四個(gè)大小相同的圖像，即四個(gè)子帶，如圖1所示。

圖1 小波變換系數(shù)圖

通過中值濾波可以有效去除機(jī)械設(shè)備軸承部件圖像中的脈沖噪聲，主要通過選定像素點(diǎn)鄰域中的像素點(diǎn)中間值完成像素點(diǎn)替換，但是中值濾波算法在噪聲去除過程中會導(dǎo)致圖像的邊緣細(xì)節(jié)特征信息丟失。在中值濾波器展開理論分析的過程中所設(shè)定信號為理想信號，但是在實(shí)際運(yùn)行過程中，圖像信號的結(jié)構(gòu)也是十分復(fù)雜的，所以為了獲取更加滿意去噪的效果，需要改進(jìn)中值濾波算法：

雖然常規(guī)的中值濾波算法對脈沖噪聲具有良好的去噪效果，但是濾波窗口的大小會直接對去噪效果產(chǎn)生影響。當(dāng)選擇的濾波窗口比較小時(shí)，可以保留機(jī)械設(shè)備軸承部件圖像的細(xì)節(jié)邊緣特征，但是去噪能力會有所下降；當(dāng)選擇的濾波窗口比較小時(shí)，雖然可以有效增加去噪能力，但是難以保留圖像邊緣信息。自適應(yīng)中值濾波則是通過設(shè)定的條件不斷調(diào)節(jié)濾波窗口的大小，同時(shí)判斷當(dāng)前圖像像素是否為噪聲，若是則使用中值替換；反之則保持不變。

通過上述分析將經(jīng)過中值濾波和小波變換相結(jié)合的方式完成圖像去噪處理，詳細(xì)的操作步驟如圖2所示。

圖2 機(jī)械設(shè)備軸承部件圖像去噪處理流程圖

1）通過自適應(yīng)中值濾波去除機(jī)械設(shè)備軸承部件圖像中的脈沖噪聲，獲取小波分解系數(shù)。

2）將步驟1）中經(jīng)過處理的圖像實(shí)行小波變換，得到小波分解系數(shù)。

3）通過改進(jìn)的閾值函數(shù)對分解系數(shù)展開處理，得到小波估計(jì)系數(shù)。

4）通過處理后的小波系數(shù)完成機(jī)械設(shè)備軸承部件圖像重構(gòu)，最終實(shí)現(xiàn)圖像去噪處理。

1.2 基于混合深度學(xué)習(xí)的機(jī)械設(shè)備軸承部件缺陷檢測

混合深度學(xué)習(xí)是對數(shù)據(jù)信息展開表征學(xué)習(xí)，將比較簡單的特征關(guān)系轉(zhuǎn)換為復(fù)雜且抽象的組合特征，可以得到精準(zhǔn)的組合特征和各個(gè)任務(wù)之間的關(guān)系分析結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)是混合學(xué)習(xí)算法中一種比較常用的學(xué)習(xí)模型，被廣泛應(yīng)用于識別和檢測領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)主要包含局部感受野以及權(quán)值共享等優(yōu)勢，對輸入圖像的位置以及形狀具有不變性。神經(jīng)網(wǎng)絡(luò)中的局部感受可以提取圖像的基本特征信息，同時(shí)將得到的信息輸入下一層神經(jīng)網(wǎng)絡(luò)中進(jìn)行逐層整合處理，提取更加抽象的特征，完成網(wǎng)絡(luò)擬合處理。根據(jù)權(quán)值共享策略可以有效降低神經(jīng)元的數(shù)量以及網(wǎng)絡(luò)參數(shù)，同時(shí)在輸入圖像中存在平移變化，在不影響模型擬合結(jié)果的前提下能夠?qū)⑻卣餍畔⒄归_平移，最終得到相同的特征。

通過下采樣不僅可以降低圖像的分辨率，同時(shí)還能夠減少隱含層中特征信息的復(fù)雜度。所以，卷積神經(jīng)網(wǎng)絡(luò)可以直接使用原始圖像樣本作為輸入，不需要人工提取，進(jìn)而獲取更加準(zhǔn)確的檢測結(jié)果。

分析卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可知，卷積層和池化層作為提取圖像特征的功能連續(xù)交替出現(xiàn)，可以將圖像中包含的特征信息細(xì)化并簡化處理，同時(shí)選擇一組或者多組最優(yōu)的特征表述信號，同時(shí)采用全連接層將全部信息整合處理，同時(shí)通過分類器映射為特征所對應(yīng)的標(biāo)簽，最終實(shí)現(xiàn)機(jī)械設(shè)備軸承部件缺陷檢測。

1）輸入層：

圖像輸入層主要用來接受圖像輸入網(wǎng)絡(luò)，將輸入層設(shè)定為神經(jīng)網(wǎng)絡(luò)的第一層。假設(shè)輸入對象為圖像條件的情況下，可以采用2D或者3D圖像，經(jīng)過歸一化處理得到滿足輸入層尺寸需求的圖像規(guī)格。

2）卷積層：

卷積層在混合深度學(xué)習(xí)網(wǎng)絡(luò)中占據(jù)十分重要的地位，主要是由多個(gè)神經(jīng)元連接構(gòu)成。卷積神經(jīng)網(wǎng)絡(luò)中含有大量利用反向傳播算法得到的卷積單元，不間斷在輸入圖像中提取特征，同時(shí)將網(wǎng)絡(luò)中的底層特征轉(zhuǎn)換為高維特征。在第一層卷積計(jì)算過程中獲取邊緣以及線條等相關(guān)特征，逐漸實(shí)現(xiàn)點(diǎn)到面，最終完成特征整合處理。為了加快計(jì)算過程中，需要在特征面中增加特征點(diǎn)數(shù)量，同時(shí)選取規(guī)則為3×3或者6×6的權(quán)值矩陣設(shè)定為卷積核，通過式(4)可以獲取卷積核中特征面長度：

式(4)中，Hength代表卷積核對應(yīng)特征面的長度取值；Nength代表輸入的特征面長度；Eength代表卷積核大?。籘ength表特征面的滑動步長。

為了確保輸出層特征面的長度為整數(shù)，需要在特征面中增加偏置項(xiàng)，則卷積層對應(yīng)的特征圖Di，j可以表示為式(5)的形式：

式(5)中ai，j，代表偏置項(xiàng)。

3）池化層：

池化層位于卷積層之后，其特征面和上一層特征面具有一對一的關(guān)系，同時(shí)神經(jīng)元也是逐層對應(yīng)的。設(shè)定輸入特征圖矩陣為l，則最大池化模型和平均池化模型可以表示為式(6)的形式：

式(6)中，Nmax代表最大池化模型；Gavg代表平均池化模型；k代表移動步長。

在卷積神經(jīng)網(wǎng)絡(luò)模型中，池化操作是降低神經(jīng)元數(shù)量的重要操作步驟，通過以上操作可以有效降低模型的計(jì)算量。

4）Sofxmax層：

混合深度學(xué)習(xí)在機(jī)械設(shè)備軸承部件缺陷分類檢測中占據(jù)十分重要的地位，為了更好完成分類處理，需要通過Sofxmax層計(jì)算缺陷所屬于的類型，其中各個(gè)分類的概率q(y(i)=n|x i,θ)可以表示為式(7)的形式：

式(7)中，θ代表概率向量。

在卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的過程中，通過隨機(jī)形成的權(quán)重展開訓(xùn)練，但是這樣會導(dǎo)致預(yù)測的數(shù)值以及實(shí)際數(shù)值之間存在明顯的誤差。采用Sofxmax層回歸算法的代價(jià)函數(shù)對預(yù)測值和真實(shí)值實(shí)行反向傳播處理，確保兩者之間的損失值達(dá)到最低。其中，回歸算法對應(yīng)的代價(jià)函數(shù)H(θ)可以表示為式(8)的形式：

在卷積神經(jīng)網(wǎng)絡(luò)中，各個(gè)連接點(diǎn)主要是通過全連接方式連通的，同時(shí)還可以降低網(wǎng)絡(luò)計(jì)算量。采用全連接方式可以有效對圖像特征細(xì)化處理，更好表述圖像的特征。

卷積神經(jīng)網(wǎng)絡(luò)還具有共享特征，即可以使用相同的權(quán)值和偏置項(xiàng)完成共享操作。在特征提取過程中會因?yàn)槌鼗椒ㄒ氪罅康脑肼?，無法實(shí)現(xiàn)特征的最優(yōu)選擇。為此，需要對傳統(tǒng)的池化方法改進(jìn)，同時(shí)在改進(jìn)池化模型的基礎(chǔ)上，選擇最佳特征。

在池化過程中，需要將機(jī)械設(shè)備軸承部件缺陷所在的區(qū)域抽象為池化域，同時(shí)將卷積層的特征層抽象為特征圖，進(jìn)而獲取改進(jìn)后的平均池化模型U，如式(9)所示。

在上述分析的基礎(chǔ)上，需要組建全新的卷積神經(jīng)網(wǎng)絡(luò)模型，同時(shí)將樣本測試集設(shè)定為輸入樣本訓(xùn)練CNN模型，輸出缺陷分類檢測結(jié)果，最終完成機(jī)械設(shè)備軸承部件缺陷檢測。

2 仿真實(shí)驗(yàn)

為了驗(yàn)證所提基于混合深度學(xué)習(xí)的機(jī)械設(shè)備軸承部件缺陷檢測方法的有效性，實(shí)驗(yàn)選取1000張機(jī)械設(shè)備軸承部件圖像作為測試對象。

其中，部分實(shí)驗(yàn)樣本圖像如圖3所示。

圖3 部分實(shí)驗(yàn)樣本圖像

采用三種檢測方法分別針對不同類型的缺陷展開檢測，詳細(xì)的實(shí)驗(yàn)測試結(jié)果如圖4所示。

圖4 三種軸承本文方法下的去噪結(jié)果

分析圖5中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法可以準(zhǔn)確檢測到機(jī)械設(shè)備軸承部件缺陷，而另外兩種方法只可以檢測到局部部件缺陷。由此可見，所提方法可以獲取更加精準(zhǔn)的缺陷檢測結(jié)果。

圖5 不同方法的機(jī)械設(shè)備軸承部件缺陷檢測結(jié)果對比分析

圖6 目標(biāo)檢測結(jié)果分析

分析不同條件下各個(gè)方法的檢測性能，選取漏檢率和準(zhǔn)確率作為測試指標(biāo)，詳細(xì)的實(shí)驗(yàn)測試結(jié)果如圖7和圖8所示：

圖7 不同方法的機(jī)械設(shè)備軸承部件漏檢率測試結(jié)果對比

圖8 不同方法的機(jī)械設(shè)備軸承部件缺陷檢測準(zhǔn)確率測試結(jié)果對比

分析圖7和圖8中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法的漏檢率在三種方法中最低，準(zhǔn)確率最高。由此可見，所提方法可以有效確保缺陷檢測結(jié)果的準(zhǔn)確性。

3 結(jié)語

針對傳統(tǒng)方法存在的不足，結(jié)合混合深度學(xué)習(xí)算法，提出一種新的機(jī)械設(shè)備軸承部件缺陷檢測方法。經(jīng)大量測試實(shí)驗(yàn)結(jié)果表明，所提方法可以獲取高精度的機(jī)械設(shè)備軸承部件缺陷檢測結(jié)果。

由于時(shí)間以及人為等因素的限制，所提方法仍然存在不足，后續(xù)將針對以下幾方面的內(nèi)容展開研究：

1）擴(kuò)大數(shù)據(jù)研究范圍，同時(shí)構(gòu)建高質(zhì)量的機(jī)械設(shè)備軸承部件缺陷樣本數(shù)據(jù)庫，對數(shù)據(jù)展開全方位的訓(xùn)練，進(jìn)而更好完成缺陷檢測。

2）測試時(shí)間會隨著樣本數(shù)量的增加而增加，所以需要深入研究神經(jīng)網(wǎng)絡(luò)模型，更好完成算法的優(yōu)化，使其檢測時(shí)間更短，效率更高。