【论文阅读】Bearing-DETR: A Lightweight Deep Learning Model for Bearing Defect Detection Based on RT-DETR

Bearing-DETR: A Lightweight Deep Learning Model for Bearing Defect Detection Based on RT-DETR

发表期刊：Sensors；发表时间：2024；
论文地址

摘要

准确、高效地检测轴承缺陷对工业安全和生产效率至关重要。本文介绍了一种利用RT-DETR结构优化的深度学习模型–Bearing-DETR。通过DySample动态上采样、使用Meta-Mobile模块(MMB)的高效模型优化(EMO)和可变形大内核注意(D-LKA)，Bearing-DETR在缺陷检测方面提供了显著改进，同时保持了适用于低资源设备的轻量级框架。在化工厂的数据集上进行了验证，Bearing-DETR的性能优于标准的RT-DETR，在IOU=0.5时，平均精度(MAP)为94.3%，在IOU=0.5-0.95时，平均精度(MAP)为57.5%。它还将浮点运算(Flop)减少到8.2G，参数减少到3.2M，强调了其提高的效率和减少的计算需求。这些结果证明了Bearing-DETR在改变制造环境中的维护策略和质量控制方面的潜力，强调了适应性以及对可持续性和运营成本的影响。

引言

轴承是化工设备中不可缺少的部件，是旋转轴的重要支承。它们的性能对设备的稳定性和可靠性有着深远的影响。轴承功能不充分可能会导致旋转部件的不平衡，从而导致振动和噪音增加，在严重情况下还会导致设备故障或损坏。此类故障会造成重大的机械危险，有可能导致事故、人员伤亡和财产损失。此外，轴承的维护和更换需要暂停设备，从而降低生产效率。因此，确保化工生产过程的无缝运行取决于轴承的可靠性。（背景描述）

各种缺陷，如凹槽、磨损和划痕，可能会在生产、组装或运输过程中影响轴承的质量。检测这些缺陷对于维护设备功能和安全至关重要。虽然传统的缺陷检测方法，如视觉检测和简单的基于传感器的技术，提供了部分解决方案，但它们往往无法满足高精度和实时监控的要求。计算机视觉和人工智能的出现为轴承缺陷检测提供了新的途径。这些现代方法提供了增强的智能性、准确性和效率，在缺陷检测方面取得了突破。

目标检测是一项重要的计算机视觉任务，需要在图像或视频中定位和识别目标。几十年来，研究人员精心设计了无数的检测方法，从基于特征的方法到基于模板的方法，以及最近的深度学习方法。图1显示了重要对象检测模型的演变，突出了从传统方法到高级深度学习技术的进展。