5、基于生成对抗网络的轴承滚子缺陷检测与分割技术

基于生成对抗网络的轴承滚子缺陷检测与分割技术

1. 引言

轴承是现代机械设备中不可或缺的部件，能减少机械结构的摩擦和损耗，广泛应用于航空、航海、军事等众多领域。其质量直接影响机器的运行效率，据相关调查，轴承故障是工业机械故障中最常见的类型，占比达30% - 40%。

带有划痕、刮擦和标记等缺陷的轴承，会严重干扰机器的正常运行。目前检测轴承滚子表面缺陷的方法可分为接触式和非接触式：
- 接触式检测方法 ：如红外探伤检测，对外部环境敏感，操作要求高，还可能划伤轴承表面，检测效率低。
- 传统非接触式检测方法 ：
- 人工检测效率低下。
- 超声波检测成本高昂。
- 光电检测对不同轴承滚子适应性好，但对光线敏感。
- 磁粉检测虽能有效检测内部缺陷，但有安全风险，无法应用于生产过程。

相比之下，基于视觉的方法高效且成本低。不过传统基于视觉的方法需要手动设计特征，缺乏灵活性。而深度学习能直接从底层数据中学习特征，在计算机视觉任务中表现出色。由于缺乏公开的轴承滚子缺陷数据集，训练数据不足会影响分类精度，因此引入生成对抗网络（GAN）进行数据增强。

主要内容包括：
- 评估四种流行的卷积神经网络（CNN）检测轴承滚子缺陷，未进行数据增强时最佳网络在侧面、端面和倒角图像上的平均准确率为83.6%，使用深度卷积生成对抗网络（DCGAN）增强数据后，检测准确率提高到89.2%。
- 基于分类结果，使用目标检测网络识别细粒度缺陷，实验结果显示其平均精度（0.938）和召回率（0.940）超过第一种方法。

2