基于多域高效特征聚合网络的齿轮缺陷检测方法及系统与流程

本发明属于计算机视觉应用领域，尤其涉及基于多域高效特征聚合网络的齿轮缺陷检测方法及系统。

背景技术：

1、在智能制造的背景下，齿轮作为机械传动系统的核心组件，其运行状态直接影响机械设备的性能和安全性；齿轮在制造、安装及运行过程中，容易受到应力集中、摩擦磨损、疲劳破坏等因素的影响，产生磨损、断裂、破损等缺陷；这些缺陷如果得不到及时发现和修复，可能导致设备的运转不稳定，甚至引发重大安全事故。因此，在智能制造框架下，精确的齿轮缺陷检测不仅是确保设备正常运转和延长使用寿命的关键，也是推动智能生产线高效、安全运行的核心环节。

2、传统的齿轮缺陷检测方法主要依赖于人工检测、振动分析或声发射检测等手段；这些方法虽然在一定程度上能够识别齿轮的缺陷，但存在诸多局限性，例如，人工检测效率低下、主观性强，容易因人力因素而导致漏检或误检；振动分析和声发射检测虽然可以对齿轮运行状态进行监测，但对细微缺陷的检测敏感性不足，且通常需要专业的分析人员进行数据解读，增加了检测的复杂性和成本。

3、基于深度学习的齿轮缺陷检测方法能够自动学习和提取复杂的齿轮缺陷特征，大大提高了检测的准确性和鲁棒性，并且检测成本低。然而，齿轮缺陷比如断裂等具有特征稀疏性，容易在特征提取和融合过程中被忽略或丢失，导致模型在面对这些稀疏且细微的缺陷时，检测精度往往较低，难以满足实际工业需求。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于多域高效特征聚合网络的齿轮缺陷检测方法及系统，构建多域高效特征聚合网络，进行鲁棒性强、精度高的齿轮缺陷检测。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了基于多域高效特征聚合网络的齿轮缺陷检测方法。

4、基于多域高效特征聚合网络的齿轮缺陷检测方法，包括：

5、获取待检测的齿轮图像；

6、将所述齿轮图像输入到训练好的多域高效特征聚合网络中进行缺陷检测，得到标识有缺陷候选区域的齿轮缺陷图像；

7、其中，所述多域高效特征聚合网络包括多域混合特征提取网络、多尺度特征聚焦传播融合网络以及检测头网络；所述多域混合特征提取网络，采用多域特征无损下采样模块在频域和空间域下对齿轮图像进行特征提取并实现下采样，得到新尺度的特征图，利用高效混合特征感知模块从局部和全局、空间和通道的角度进一步提取特征信息，得到多尺度特征图；所述多尺度特征聚焦传播融合网络，对多尺度特征进行融合，得到融合后的特征图；所述检测头网络，根据融合后的特征图，检测齿轮缺陷。

8、进一步的，所述多域混合特征提取网络，由多个多域特征无损下采样模块和高效混合特征感知模块组成，具体为：

9、依次由第一多域特征无损下采样模块、第二多域特征无损下采样模块、第三多域特征无损下采样模块、第一高效混合特征感知模块、第四多域特征无损下采样模块、第二高效混合特征感知模块、第五多域特征无损下采样模块以及第三高效混合特征感知模块级联构成。

10、进一步的，所述多域特征无损下采样模块，是采用小波变换和卷积操作分别提取频域特征和空间域特征，实现下采样；对频域特征和空间域特征进行融合，得到初始特征图，具体为：

11、（1）特征图经过小波变换得到高频特征图、、和低频特征图，特征图经过卷积操作得到特征图，其中，、、、和的宽和高为特征图的一半，通道数相等；

12、（2）将高频特征图、和分别与可学习的权重参数、和相乘得到高频特征图、和,将特征图，和相加得到特征图，将特征图与可学习的权重参数相乘得到特征图；将低频特征图与可学习的权重参数相乘得到特征图；将特征图与特征图在通道维度进行拼接，得到特征图，其中，、、和的取值均大于0，小于1；

13、（3）将特征图经过卷积核大小为3×3，步长为1的卷积将特征图的通道数变为的四分之一，得到特征图；

14、（4）将特征图分别经过由卷积核大小为3×3、步长为1的卷积组成的两个映射函数，得到特征图和；

15、（5）将特征图与相乘得到特征图，将特征图与相加得到特征图；

16、（6）将特征图经过卷积核大小为1×1，步长为1的卷积，得到特征图，特征图为多域特征无损下采样模块输出的特征图，其中，特征图的宽和高是特征图的一半，通道数是两倍。

17、进一步的，所述高效混合特征感知模块，是从输入的特征图中提取局部特征和全局特征；对局部特征和全局特征在空间和通道两个维度上进行融合，得到进一步特征提取的特征图，具体为：

18、（1）特征图经过卷积核大小为1×1，步长为1的卷积，得到特征图，特征图的宽和高与特征图相同，通道数为特征图的一半；

19、（2）将特征图经过卷积核大小为k×k、步长为1的卷积进行局部特征提取，得到特征图，将特征图与可学习的权重参数相乘得到特征图；

20、（3）将特征图经过视觉状态空间模块进行全局特征提取，得到特征图，将特征图与可学习的权重参数相乘得到特征图；其中，视觉状态空间模块vssblock是vmamba网络中的核心模块，在不牺牲全局感受野的情况下达到线性复杂度，高效的遍历空间域；

21、（4）将特征图与特征图在通道维度进行拼接，得到空间特征图，其中，空间特征图特征图的宽、高以及通道数相同；

22、（5）将特征图分别经过最大池化和平均池化，得到特征图和；将特征图与可学习的权重参数相乘得到特征图；将特征图与可学习的权重参数相乘得到特征图；将特征图与特征图相加得到特征图；

23、（6）将特征图经过卷积核大小为3×3，步长为1的卷积，得到特征图，将特征图经过sigmoid激活函数得到特征图；

24、（7）将特征图与空间特征图相乘得到特征图，特征图为高效混合特征感知模块输出的特征图。

25、进一步的，所述多尺度特征聚焦传播融合网络，包含第四高效混合特征感知模块、第五高效混合特征感知模块、第六高效混合特征感知模块、第七高效混合特征感知模块、两个相同的多尺度特征聚合模块、两个相同的卷积模块、两个相同的上采样模块以及四个相同的拼接模块。

26、进一步的，所述多尺度特征聚合模块，是通过通道分割、上采样和卷积，对待聚合的特征图进行处理，得到多个新的特征图；对多个新的特征图进行聚合，得到聚合后的特征图，具体为：

27、（1）将特征图输入卷积核大小为1×1、步长为1的卷积模块中，得到特征图，其中，特征图的宽和高与特征图的相等，通道数为特征图的一半；

28、（2）将特征图输入上采样模块中，得到特征图，将特征图输入卷积核大小为1×1、步长为1的卷积模块中，得到特征图，其中，特征图和特征图的宽、高和通道数相等；

29、（3）将特征图在通道维度进行均等分割，得到特征图和；将特征图输入卷积核大小为3×3、步长为2的卷积模块中，得到特征图；将特征图输入最大池化模块得到特征图，将特征图输入卷积核大小为3×3、步长为1的卷积模块中，得到特征图；将特征图和特征图拼接得到特征图，将特征图输入卷积核大小为1×1、步长为1的卷积模块中，得到特征图，其中，特征图和特征图、的宽、高和通道数相等；

30、（4）将特征图、和分别与可学习的权重参数，和相乘得到特征图、和，将特征图，和在通道维度进行拼接得到特征图；

31、（5）将特征图分别输入卷积核大小为5×5、步长为1,卷积核大小为9×9、步长为1,卷积核大小为11×11、步长为1的三个卷积模块中，得到特征图、和；

32、（6）将特征图、和分别与可学习的权重参数、和相乘得到特征图、和,将特征图、和相加得到特征图；

33、（7）将特征图输入卷积核大小为1×1、步长为1的卷积模块中，得到特征图，特征图为特征聚合模块的输出特征图。

34、进一步的，所述检测头网络，采用yolov8的检测头网络输出缺陷候选区域的位置和类别，其中，所述类别包括齿破损、齿断裂和齿面磨损。

35、本发明第二方面提供了基于多域高效特征聚合网络的齿轮缺陷检测系统。

36、基于多域高效特征聚合网络的齿轮缺陷检测系统，包括获取模块和检测模块：

37、获取模块，被配置为：获取待检测的齿轮图像；

38、检测模块，被配置为：将所述齿轮图像输入到训练好的多域高效特征聚合网络中进行缺陷检测，得到标识有缺陷候选区域的齿轮缺陷图像；

39、其中，所述多域高效特征聚合网络包括多域混合特征提取网络、多尺度特征聚焦传播融合网络以及检测头网络；所述多域混合特征提取网络，采用多域特征无损下采样模块在频域和空间域下对齿轮图像进行下采样，构建初始特征图，利用高效混合特征感知模块从局部和全局、空间和通道的角度对初始特征图进行增强，得到多尺度特征图；所述多尺度特征聚焦传播融合网络，对多尺度特征进行融合，得到融合后的特征图；所述检测头网络，根据融合后的特征图，检测齿轮缺陷。

40、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于多域高效特征聚合网络的齿轮缺陷检测方法中的步骤。

41、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于多域高效特征聚合网络的齿轮缺陷检测方法中的步骤。

42、以上一个或多个技术方案存在以下有益效果：

43、本发明使用在多域进行下采样的方式以减少稀疏特征的丢失，从局部和局部、空间和通道的角度进行特征提取以丰富特征表示，同时对多尺度特征进行聚合，使多尺度特征具有丰富的上下文信息，最终提高齿轮缺陷的检测精度；该方法在齿轮缺陷检测的场景下具有鲁棒性强，检测精度高的特点。

44、在图像处理过程中，本发明使用数据增强方法，使训练得到的网络具有更好的鲁棒性；使用多域高效特征聚合网络检测齿轮缺陷，成本低、效率高，同时免除主观影响。采用设计的多域混合特征提取网络、多尺度特征聚焦传播融合网络、检测头网络以及构成以上网络的多域特征无损下采样模块、高效混合特征感知模块和特征聚合模块等，与之前的神经网络模型相比，可以更准确的检测出齿轮缺陷。

45、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。