Bearing defects detection based on standardized sample split

Abstract

表面缺陷对轴承的性能和寿命存在严重影响。近年来，深度学习在缺陷检测中发挥了重要的作用，然而对于轴承检测而言，缺陷样本的采集耗时耗力。选择轴承内径作为研究对象，根据轴承的对称性特性提出一种规范化样本拆分方法，可有效扩充轴承样本数据集。分别采用不同的样本处理方法，而后利用ResNet网络训练轴承缺陷检测模型，进行多组对比实验，实验结果表明：直接采用原始图像进行网络训练，检测效果较差，模型的AUC (area under the curve)仅为0.558 0；对原始图像进行样本拆分，训练出的模型检测效果有所提升，其模型AUC提升为0.632 6；将原始图像进行4点透视变换校正后再进行网络训练，检测效果同样有所提升，其模型AUC提升为0.661 3；将原始图像进行透视变换校正且规范化样本拆分后，检测效果最好，其模型AUC增加为0.849 6。