一种金属试样表侧面滚动接触疲劳裂纹检测方法

本发明涉及金属表面滚动接触疲劳裂纹检测，具体为一种金属试样表侧面滚动接触疲劳裂纹检测方法。

背景技术：

1、在工业生产中，金属零件的疲劳失效，是最为常见的一种失效形式。其一般表现为金属表面产生裂纹、点蚀、剥落等不可逆转的缺陷，严重的甚至会产生断裂、崩坏等永久性疲劳损伤。当机械设备中的金属零件发生疲劳破坏，工作时噪声增大，温升加剧，不仅影响设备的正常使用，设备使用寿命也将大大缩减。严重的还会导致安全事故的发生。大量研究表明，80％的金属失效是由于零件的疲劳破坏引起的，而大多数的疲劳破坏是从裂纹的扩展开始的。因此，对金属滚动接触疲劳所产生的裂纹进行实时且准确检测十分重要。

2、传统的检测方法是由人工检测金属表面是否存在裂纹，其成本高，主观性强，且无法观测到早期裂纹的产生。而采用机器视觉的方法对金属滚动接触疲劳裂纹进行检测，可以做到准确，高效地检测。与人工检测相比，具有更高的稳定性，且不受工作环境的束缚。不仅节约了人工成本，还提高了检测效率。传统的机器视觉方法，大多是利用目标区域的特征对裂纹进行提取，主要方法包括边缘检测，阈值分割，灰度变换等。kong等人将特征跟踪技术应用在视频中，通过对比裂纹张开与闭合视频帧的差异，实现了亚毫米级的疲劳裂纹识别及量化。liu等人提出了一种基于像素级改进的结构分析裂纹检测算法，并根据裂纹局部区域的平均值和标准差计算裂纹宽度，实现了对隧道裂纹进行宽度检测。郁文玺等人采用多尺度形态学对裂纹进行初步提取，然后提出一种自适应阈值算法，对裂纹进行分割。这类传统的机器视觉方法主要应用于光线条件均匀、目标特征清晰无遮挡、反射情况较少等强约束场景，以及特定条件下的检测。无法在复杂环境下如，油污，凹坑，粉尘颗粒等对疲劳裂纹进行准确检测。

3、而利用深度学习的方法对裂纹进行检测，不仅检测精度高，速度快，并且在复杂背景下的目标特征也能准确提取。因此，被广泛应用于裂纹的检测之中。juhuyan等人在fast-rcnn的基础上，嵌入灵敏度检测网络，并将其连接到区域建议细化网络进行分类以及回归，实现了复杂背景下的混凝土裂纹检测，fast-rcnn精度虽高，但参数量大，检测速度慢。altabey等人提出了一种融合深度学习以及三维阴影建模的管道腐蚀裂纹自动识别技术。实现了高效、准确地对金属管道腐蚀裂纹进行检测。吕帅帅等人以人脸检测模型为基础，提出一种对关键部位状态进行对比的裂纹识别方法，该方法排除了表面划痕的干扰，精度高。张静等人将res2net-50引入faster r-cnn中，并采用多次余弦退火衰减法对学习率进行调整，使得训练时间得到缩减，同时检测精度得到提升，但该方法同样参数量较大，很难做到实时裂纹检测。何国源将swin transformer与yolox结合，并提出一种新的特征融合方法对唐卡图像进行检测，实验结果表明，改进后模型的精度得到了部分提升，但收敛速度变慢。深度学习的高效率，高精度，高适应性，已广泛地应用于缺陷检测任务中，但大多数模型无法达到实时，高精度的检测。

4、因此需要对以上问题提出一种新的解决方案。

技术实现思路

1、本发明的目的在于提供一种金属试样表侧面滚动接触疲劳裂纹检测方法，针对金属滚动接触疲劳所产生的裂纹检测问题，为了研究裂纹的扩展信息，评估金属滚子的使用寿命，为获取材料极限性能提供技术支撑，将swin transformer作为主干网络引入yolox目标检测模型中，引入通道及空间注意力机制，并用focal loss替换掉置信度损失函数。

2、为实现上述目的，本发明提供如下技术方案：一种金属试样表侧面滚动接触疲劳裂纹检测方法，至少包括以下步骤：

3、s1：数据采集与数据增强；

4、s2：改进的yolox网络，将swin transformer作为yolox的主干特征提取网络，该网络采用多头注意力机制对目标区域进行特征提取，能够更好地捕捉图像中的全局信息，采用swin transformer特征提取网络，利用像素级自注意力运算去捕获全局信息，抽取出更强有力的提取出裂纹的特征；

5、s3：加入注意力机制，所述注意力机制至少包括cbam注意力机制，引入cbam注意力机制后，在增加模型感受野的同时，能够有效地抑制图像背景信息的干扰，使模型具有更强的表达能力，由于cbam的轻量级与通用性，它能够更好的融入目标检测网络中，并与目标检测网络一起进行端到端的训练；

6、s4：调整损失函数，将yolox算法中的置信度损失替换为focal loss，能够很好地解决正负样本比例不均匀的问题，同时调整容易分类和难分类样本的权重。

7、优选的，所述s1中数据采集使用的为至少包括有主轴电机、陪轴电机、润滑油管、激光光源、周面相机和端面相机的滚动接触疲劳试验机；

8、所述主轴电机其作用是带动主轴及主试件旋转；

9、所述陪轴电机用于带动陪轴以及陪试件的旋转，模拟试件的滚动接触，从而产生疲劳裂纹；

10、所述润滑油管用于引导油液进行喷油润滑，减少滚子之间的摩擦，降低滚子试件在工作时的温度和噪声；

11、所述频闪激光光源中的频闪光源指的是在高速运转的设备中，将高频率的光脉冲照射到物体上，并使相机拍摄与光源同步，从而降低图像处理的难度，同时提高系统的稳定性；

12、所述周面相机用于获取清晰的金属滚子试件周面图像信息，为了检测裂纹表面的长度信息；

13、所述端面相机用于获取清晰的金属滚子试件端面图像信息，为了检测裂纹侧面的深度信息。

14、优选的，所述s1中的数据增强为使用labelimg软件对裂纹图像进行标注，且针对数据集较少可能导致过拟合的情况，对现有数据集进行旋转缩放、仿射变换、高斯加噪、色域变换等方法进行数据集扩充，达到数据增强的目的。

15、优选的，所述s2中的swin transformer将图像分割成多个小块，并在后续操作中逐步将相邻分割图块进行合并，swin transformer使用了层次化构建transformer的方法，具有和卷积神经网络中类似的多尺度特征，在每一个stage都对图像进行下采样，通过多尺度的特征提取，能够将图像中的低层纹理特征与高层语义特征提取出来。

16、优选的，所述s3中的cbam注意力机制由两个相互独立的子模块分别对输入进来的特征层进行通道和空间维度的权值计算，并将得到的权值乘上原输入特征层，对输入的特征图进行自适应特征细化。

17、优选的，所述focal loss的函数表达式为：

18、

19、

20、式中，αt是平衡系数，用于平衡正负样本不均匀问题，αt∈[0，1]，y为样本的标签值，pt为样本的预测值，pt∈[0，1]，λ为可调节因子，用于平衡难易分类样本的权重，λ∈(0，+∞)。

21、与现有技术相比，本发明的有益效果是：

22、1、本发明针对卷积神经网络在全局特征提取上存在的不足，使用swin-transformer替换cspdarknet，作为模型的主干特征提取网络，利用多头注意力机制去提取更加有效的全局特征；

23、2、本发明在加强特征提取网络中引入cbam注意力机制，降低复杂背景对模型的干扰，增加模型对目标区域特征的表达能力；

24、3、本发明将置信度损失函数替换为focal loss，减少模型对图像背景区域的学习，提高目标区域的检测率；

25、4、与现有主流的目标检测模型相比，综合检测速度与检测精度，本发明提出的swin-yolox的检测效果更为突出，可以应用于试验机上金属疲劳裂纹的实时检测中。