使用Background-Weakening方法检测齿轮表面缺陷和卷积神经网络

文摘

一种新型、高效和精确的方法来检测复杂背景下齿轮缺陷在工业装置生产提出了研究。首先,我们首先分析了图像滤波和平滑技术,我们利用为基础开发了一个复杂的microdefects background-weakening算法检测齿轮。随后,我们讨论了齿轮制造缺陷的类型和特征。复杂背景下的图像采集,提出了一种新型S-YOLO在线检测装置的缺陷,并在实验平台上验证在线齿轮缺陷检测复杂背景下。结果表明,S-YOLO具有更好的识别microdefects比YOLOv3复杂背景下目标识别网络。该算法具有良好的鲁棒性。代码和数据可用。

1。介绍

近年来,机械零件的在线质量检验需求高效、高精度制造条件持续增加与制造业的快速发展。考虑到齿轮传动部位,广泛应用在机械行业,在生产中齿轮质量尤为重要。齿轮行业的发展目前面临着巨大的挑战。复杂的背景,如油污和灰尘颗粒,无法避免齿轮生产线。识别方法准确、有效地识别齿轮表面缺陷在复杂背景和提高质量检验准确性和齿轮生产线的生产效率是很重要的推进制造业的水平。

传统的测试标准主要检测外观尺寸(1)和形状误差(2的部分,其中错误之间保持0.12毫米和0.23毫米。摘要齿轮缺陷位于深学习算法,为更精确的质量检验奠定了基础等后续尺寸测量。传统的齿轮制造缺陷检测是检测主要基于机器视觉(3,4),轮廓提取算法通常用于提取图像特征的一个齿轮。提取特征后,通过模板匹配齿轮检测和检查。这种方法不仅处理图像速度缓慢,还存在检测效率低,因为只有一个齿轮样品能被探测到的每个特性的形象。在光照不足或复杂的背景下,传统的视觉检测方法严重依赖光源,和background-weakening效果很差。因此,检测精度大大降低。

与深度学习在日常生活的快速发展5- - - - - -7和工业领域8,9),许多学者试图应用深度学习的方法来检测缺陷部分(10]。确保质量的在线缺陷检测,网络必须具备定位速度快,分类精度高。目前,主流的目标识别网络包括你只看一次(YOLOv3) [11],FAST-RCNN [12,13)、SSD和红外系统(14]。不需要复杂的计算,因为YOLOv3目标探测网络使用一个端到端的方法回归特性。先前的研究表明,YOLOv3速度比SSD,红外系统和其他目标识别网络。然而,直接应用YOLOv3方法检测齿轮缺陷不能满足工业生产的高精度要求。因此, - - - - - -意味着采用聚类方法获得最合适的锚提高YOLOv3的定位和检测精度检测装置的缺陷。背景是削弱,通过图像滤波去噪和平滑的复杂背景下装备制造业,从而提高齿轮缺陷在线检测的精度和检测效率。该算法为装备制造业提供参考以提高生产效率,提高产品质量,加强质量控制能力。

缺陷检测算法的基础上,深入学习算法YOLOv3 62齿轮表面制造提出了在这项研究中,主要贡献如下:(1)通过分析图像滤波和平滑技术旨在microdefects齿轮在一个复杂的背景下,本研究提出了一种复杂background-weakening算法基于图像滤波和平滑,这会削弱石油的背景噪音和灰尘,等等(2)本研究设计并打开源齿轮缺陷的常见缺陷的数据集,包括缺失的牙齿,破碎的牙齿,表面划痕,正常的齿轮(3)本研究提出了一种改进的网络称为S-YOLO齿轮缺陷在线检测。这个网络是由结合缺陷的类型和特点在实际制造齿轮的复杂背景下的图像采集工厂生产线。S-YOLO提高检测精度

本文的主要结构如下。第二部分主要描述了相关的齿轮制造缺陷和各种技术服务工作装置运行故障和疲劳损伤缺陷检测。第三部分提出了background-weakening算法在齿轮制造复杂的背景。第四部分介绍了深度学习网络目标探测模型,基于改进YOLOv3模型和模型训练。第五部分设计和制造工业在线检测平台的缺陷。第六部分设计,使齿轮缺陷数据和比较,分析了实验结果。最后一部分总结了研究内容。

2。相关工作

在研究故障诊断装置运行时,Mączak和Jasiński15]讨论了螺旋齿轮箱的仿真模型,分析了这一现象在tooth-meshing过程在制造和装配误差的存在。这项工作提出了一种基于该模型的齿轮故障诊断方法。检测方法简单,检测速度快。然而,齿轮检测的效果在大容量的运动在生产线上是未知的。Gandarias et al。16)把压力阅读作为一个标准的图像处理技术与新的高分辨率的压力传感器。它连接的触觉传感器机器人探测器与高分辨率和图像识别的实现联系对象通过卷积神经网络(CNN)和迁移学习。陆et al。17]应用改进的CNN模型组成的嵌入式系统信号采集和处理电路和提出了现场电机故障诊断方法。提出了一种异构计算框架,一个完整的嵌入式系统设计的基础上,分析不同的运动信号。这种方法使用人工智能技术提供解决方案领域电动机故障诊断的小,灵活、方便的手持设备。程和胡18)提出了一个基于物理模型的方法来检测损伤量化的行星齿轮组。损伤演化的特征跟踪的性能进行了分析通过double-sample测试方法,和行星齿轮传动系统的状态监测是实现。Nabih et al。19)实验验证了单级齿轮传动系统的动力学模型,分析了影响射孔的TE。结果证明,一个简单的穿孔模型可以再现实际振动由穿孔表面的失败造成的。尤尼斯等人。20.)提出了一种振动声学信号分析理论。理论利用声信号的特征提取和分类准确地识别齿轮和轴承的缺陷,但其算法不能识别缺陷的准确位置。

在研究齿轮缺陷检测通过数据采集和信号处理装置操作期间,赵et al。21)提出了一个变速箱健康评估框架基于R / C(前/滑落)信号分析通过研究机械振动信息。提出了基于稀疏特性增强方案指导提取弱相位抖动与齿轮缺陷和检测齿轮的损伤位置。Kidar et al。22)提供了裂纹特征的振动信号通过数据的数值模型。分析阶段使用希尔伯特方法估计和信号参数估计通过滑动窗口旋转不变技术而实现齿轮裂纹的检测。一个传感器位置优化方法提出了基于有限元分析和光谱分析(23]。现有两个非线性模型的机械旋转部分都得到完美的解决,和整个系统的动态响应下缺陷激发被用来确定缺陷检测的预见性维护最优传感器位置。机械旋转部分的缺陷是准确地检测到。莫雷诺et al。24]提出的各种信号处理策略齿轮早期检测和量化的缺陷。比较在麦克风的早期检测功能,加速计和LDV传感器验证,声学信号是第一个方法检测的初始进步裂纹齿轮(1.3毫米长裂纹检测)。用话筒信号有明显的优势,但其结果是敏感的速度和扭矩。齿轮点蚀的测试,振动数据被记录在25]。应用vibration-based时间、频率、倒频谱,小波变换,和其他方法在每一组实验数据,点蚀故障,在综述了齿轮点蚀故障的进步。

在研究检测齿轮的小缺陷,刘等人。26)旨在解决高成本、低效率、速度慢、精度低的手动汽车锥齿轮表面缺陷检测和尺寸测量。他们研究和分析这三个有效algorithms-neighborhood意味着差分法,圆近似法和快速旋转定位方法。全面锥齿轮质量检测系统是基于摄像机视觉技术开发的,可以同时检测和测量的大小锥齿轮表面缺陷。Fedala et al。27)旨在改善齿轮缺陷的检测和识别能力,提取的特征角的角加速度频域采样、传输错误,瞬时角速度。然后使用SVM进行分类,实现齿轮故障检测在正常和非平稳的状态。从被测信号隔离缺陷信号,Djebala et al。28)提出了一种齿轮缺陷检测方法基于小波多分辨率分析和希尔伯特变换。实验表明,与常用的分析工具相比,这种新方法可以隔离缺陷频率,使小或结合缺陷的检测。专注于内啮合齿轮缺陷,张和风扇(29日)提出了一个通用的公式的识别和封闭的缺陷进行N-lobed非圆形齿轮(N-LNG)定位功能。的封闭条件定位函数被引入满意两个校正参数:比例和可控。可控校正参数进一步验证和改进的基础上,内部距之间的关系曲线的曲率半径的内啮合的外啮合曲线N-lobed非圆齿轮。方法应用在几个算例,仿真结果表明,该方法可以有效地识别并进行封闭N-LNG定位功能的缺陷。

齿轮缺陷检测领域,许多学者进行了相关理论研究齿轮操作错误、表面缺陷等方面。然而,研究表面制造缺陷在齿轮的制造和高速在线缺陷检测与许多地方需要进一步改进。

3所示。复杂Background-Weakening算法

大量油、灰尘和其他碎片堆积在输送机设备生产,他们的背景复杂齿轮图像样本进行测试。准确地识别小齿轮制造缺陷,如划痕和小齿轮坏了牙齿,是很困难的。这些缺陷被称为背景噪音。收集的图片还相机产生噪声的随机性光子通量和传送带上的齿轮都在运动。如果实际像素值被噪音吗 ,获得的灰度值如下:

噪音被认为是光滑的全貌;即噪声是独立于图像上的像素的位置。噪音,这叫做平稳噪声,是图像中每个像素的均匀分布。

两种方法通常用于削弱期间收集的照片中的两种噪声齿轮生产:时域平均去噪(30.和空间平均去噪31日]。时域平均捕获和平均同一场景的多个图像。如果图像采集,然后时域平均方法如下: 在哪里表示灰度值的位置 在的形象。时域平均法有效地减少噪声,噪声的方差减少到原始 。抑制噪声,该方法必须收集图像在同一场景。在线缺陷检测,获得同一场景的多个图像可以提高缺陷识别的准确性。然而,它极大地提高了算法的运行时间,从而降低整体的检测效率。

因此,使用的空间平均去噪通过过滤器的像素 和遍历相同的形象。根据操作和过滤器,过滤算法包括过滤,屏蔽滤波、高斯滤波和中值滤波。其中,滤波和高斯滤波是最常用的滤波算法。意思是过滤可以表示为 在哪里 表示图像的像素位置的参数确定滤波器的长度和宽度。

如果原始图像矩阵

然后过滤后的矩阵

在实际操作过程中,输入图像通常是一个广场 。像素在矩阵通过均值滤波处理的大小 获得在 :

见公式(3)和(6),平均滤波器实际上平均有效像素的计算范围和分配他们的中间值滤波窗口。油渍和尘埃背景的齿轮生产车间,均值滤波器平均像素值,如石油和尘埃,与周围背景像素。它模糊了石油、灰尘和其他小颗粒。它同时也突显出齿轮的位置和特征信息在整个图像为后续的特征提取做准备。

尽管均值滤波削弱小颗粒,在后台油污和灰尘等,大部分的静止图像中噪声由于透镜成像原理的形式出现在高频波动的灰度值。抑制高频噪声通过过滤不满意。因此,为了最大限度地抑制高频平稳噪声的影响,高斯滤波器用于二次平滑图像。因此,处理图像的特征值变得容易提取。一维高斯滤波器可以表示为

二维高斯滤波器应用于图像处理可以表示为

第一次意味着复杂背景图像的过滤后,石油的影响,灰尘和其他突然背景噪音是削弱。高频噪声的复杂背景图像是削弱了第二次高斯滤波后,与齿轮体相对形象突出,允许方便地提取齿轮的身体功能。

4所示。改善YOLOv3网络的建设和培训

4.1。YOLOv3网络结构的特征

YOLOv3网络模型使用一个端到端的网络体系结构中实现一个CNN。基本的网络结构如图1。

首先将输入图像划分为其网络 网格聚类和图像。如果图像中对象的中心点下跌YOLO-divided网格,网格负责预测对象。每个网格负责预测B边界框和边界框的信心。信心反映边界框中包含对象的概率预测的网络模型和预测的准确性边界框的位置,这可以表示为 在哪里(十字路口在联盟)代表了真正的目标边界框的交叉率和预测目标边界框,可由图表示2。如果一个对象存在于网格, ,然后

否则, ,也就是说,

YOLOv3网络中,每一个边界框预测五值,包括( )和信心, 代表中心的坐标点预测的边界框 是边界框的宽度和高度。信心是预测的借据边界和真正的边界框。

每个网格的概率预测条件类别,包含对象的网格的概率属于某个类别。 。最后,条件概率乘以信心,和某种类型的对象的概率出现在盒子和适合度边界框的对象得到:

在损失函数的设计,YOLO网络的加权求和的意思部分损失函数。通过权衡协调错误,借据错误,和分类错误和求和,计算总损失函数,可以表示为

的损失预测中心坐标表示为

的损失预测边界框的宽度和高度表达如下: 在哪里表示坐标误差的加权因子的整体损失函数。

损失的预测类别表示为

丧失信心的预测表示如下: 在哪里分数是信心;的十字路口是预测边界框和基本事实,当一个对象存在于细胞;和= 1;否则,它是0;代表了信心重量当不存在对象的边界框(10]。

4.2。改善YOLOv3网络

原YOLOv3网络使用一个CNN,所以通过多个卷积层抽象提取的图像特征提取。最后,图像的分类和预测。结合缺陷的类型和特点在实际齿轮制造和复杂背景的图像采集工厂生产线,一种改进的在线缺陷检测网络提出了YOLOv3齿轮。这个网络称为S-YOLO,代表smoothing-YOLOv3。网络结构如图3。

S-YOLO的网络结构,端到端Darknet-53卷积网络形成于YOLOv3维护。此外,一个图像的平滑层添加的前端网络削弱齿轮图像的背景噪声收集生产过程中。

在平滑层,平均滤波器与像素 用于过滤和抚平首次收集到的图像。这个过程的目的是削弱杂质的影响,石油和粉尘颗粒等,形象。一个像素的高斯滤波器 然后使用二次平滑的图像。这个过滤器主要是减少收集图像中的高频噪声,进一步减少了石油的影响,尘埃颗粒和其他杂质的齿轮生产车间。

通过平滑层后,像素大小和齿轮缺陷特征保持不变。以下YOLOv3网络使用三个不同尺度特征图对缺陷检测。如图3规模,检测结果是通过几个黄色的卷积层第79卷积后层。在实验的输入图像大小 。因此,此时特征图像像素大小 。地图的感受野特性是相对较大的,因为这个时候将采样因子高,适合检测相对较大的缺陷大小的图像。网络开始upsampling特性映射的第79层。然后融合与第61层特性映射到地图获得的第91层更细粒度的功能。经过几次卷积层,输入图像的特征映射的16倍。它有一个中等规模的接受域与介质缺陷和适用于检测对象的大小。最后,第91层特征地图再次upsampled和合并36层特性映射到地图获得特性是downsampled 8倍的输入图像。它有最小的接受域和适用于检测小缺陷尺寸。

4.3。 - - - - - -收购意味着Clustering-Based先天的盒子

虽然YOLO网络本身意思可以改善借据的价值,不断调整边界框的大小通过训练,使网络修改通过大量数据将减缓网络培训和阻止借据的价值获得实质性改善。齿轮训练数据集作为基础, - - - - - -意味着方法用于找到先验的锚箱最适合的大小齿轮缺陷。标准的 - - - - - -意味着方法使用欧氏距离,这种用法将导致大比小盒子盒子,产生更多的错误。因此,公式(18)用于表示距离,获得大量借据价值网络预测:

5。工业在线平台缺陷检测

图4描述了系统流程图的在线测试平台研究小组设计的齿轮制造缺陷。图5是一个在线测试平台对齿轮制造缺陷由研究团队(10,32]。这个平台包括输送带、数据处理器、数据采集传感器,光源,和其他机械支持,在触摸输入和显示数据的显示是32英寸工业触摸屏。视觉传感器设备使用MindVision高速工业和电子滚动快门照相机,它可以收集高速移动实时测试的样品。数据处理器是覆盆子πB3。系统中,以确保足够的光盒子,band-shaped环境光源LED安装可调亮度。专用环形光源的显微镜灯环安装在工业相机来填补测试样本与光和获得一个清晰的样品图像。设备使用一个变速电机驱动传送带。盒子的外面装有可视化的显示测试结果。GPU1080显卡的戴尔工作站,主要用于数据分析,用来降低数据处理机的计算负载。同时,树莓πB3无线通信模块,可实现端到端测试实验平台和工作站之间的沟通。 The SQL SERVER 2008 R2 database is installed on the workstation to realize real-time local data capturing and automatic real-time data storage in the cloud.

齿轮被运送到工业相机镜头的视场通过传送带。检测齿轮传递后,光纤传感器将触发脉冲发送到图像采集部分。然后发送一个图像采集部分开始脉冲的工业相机和照明系统根据预设程序和延迟。工业相机开始捕捉图像,显微镜灯环专用的环匹配的光源提供照明工业相机的曝光时间。捕获的图像后,相机的图像采集接收模拟信号数字化,通过一个模拟数字转换。图像采集部分存储数字图像处理器或计算机内存。处理器处理、分析和识别收集装置的图像。然后获得并保存检测结果。

6。实验结果和分析

6.1。生产装置的数据集

在设备制造期间,率直的涡轮机滚刀或不均匀材料齿轮坯经常引起齿面撕裂,牙齿断裂,和齿轮表面划痕,等等,如图6。

齿轮缺陷数据集 根据类型的收集装置生产中常见的缺陷。四种类型的数据集是破碎的牙齿图像集 ,缺失牙图像集 ,齿轮表面划痕图像集 ,和正常图像集 。

数据增强可以丰富小数据集或缺乏多样化的数据集。常见的数据增强方法包括颜色抖动,PCA抖动,随机,随机作物,水平/垂直翻转。在收集300件每个类型的齿轮通过齿轮数据工业相机,实现数据的随机图像旋转角度提高。最后,1000件每个类型得到的图像数据,从而收集总共4000件齿轮图像数据。具体的数据分布如表所示1。

6.2。双重过滤背景减弱

意味着过滤的效果图像噪声去除复杂背景中考虑。如图7原始灰度图像背景噪音,如灰尘和油污,如图7(一)。这些声音后齿轮特征提取有一定影响。均值滤波后操作,如图7 (c)背景噪音部分减弱,减弱的程度取决于卷积核的大小意味着过滤器。均值滤波操作之后,整个齿轮的一部分仍有缺陷检测所需的所有特性。表示数据之间的比较7 (b)和7 (d)后,图像的平滑度增加意味着过滤。此外,整个像素梯度往往是光滑的,这是一个很好的数据条件通过深入学习算法缺陷识别和分类。

比较图8显示图像中的高频噪声是高斯滤波器抑制二次过滤后,图像的低频部分是突出显示。因此,齿轮的主要部分的影响突出图像中实现,这对于以下特征提取奠定了基础。

6.3。实验结果在不同 - - - - - -意味着

不断调整边界框的大小,借据的价值必须增加。参数设置下表2,不同的聚类效果值在不同训练数据 - - - - - -算法测试手段。实验结果表中列出3。

集群效应有利于齿轮缺陷情况。S-YOLO分配三种不同大小的先验盒子每个规模在执行的三个特性检测。当值等于9,9种先天的盒子可供分配。因此,在分配时,三个先天的盒子可能被指定为每个尺度特性。细节如表所示4。

最小的特征映射 (更大的接受域),更大的优先盒(58岁的53)(54岁,38)(73年38)是地图应用特性,适合检测表面划痕有大量缺陷尺寸。介质特性图 (媒介接受域)适用于中等优先级箱(61)(45 43岁)40.5(46岁),适合中型缺陷的检测对象。较小的优先框(33岁,25)(31日,41)(41岁,26)是地图应用于更大的特点 (小的接受域),适用于检测对象小缺陷尺寸,如断和失踪的牙。训练时,使用所产生的集群模型的训练 模型可以显著缩短训练时间,提高模型借据的价值。

6.4。分析齿轮缺陷检测结果

图9显示了YOLOv3对象的综合性能检测网络在可可和其他主流的网络数据集。修改YOLOv3模型后,S-YOLO目标探测模型是训练有素的。通过模型训练、齿轮缺陷检测验证终于在检测平台上执行。图10显示了S-YOLO模型的检测没有复杂的背景条件,如油污和灰尘颗粒。图11描绘了S-YOLO模型的测试情况,当石油和尘埃粒子填充背景的模拟实际工厂生产高速齿轮制造缺陷测试平台。提供了实验测试结果表5。

一个对比表5和图11表明,提出网络S-YOLO增加齿轮制造的复杂背景的优点,同时保留传统YOLOv3,检测速度和多尺度预测。图像的平滑层和 - - - - - -意味着聚类方法被用来分配最优先盒多尺度检测,大大抑制了复杂背景的影响模型的检测效果。这也使得模型失去稳定和提高平均借据在训练价值。S-YOLO应用于高速齿轮制造缺陷检测实验平台。其分类效果达到100%的准确率,平均达到93.96%的信心。该算法具有良好的鲁棒性。

7所示。总结

制造齿轮制造过程缺陷进行了分析和研究。一个dual-filtering background-weakening算法来解决石油污染,灰尘,在生产和其他复杂的背景。结合深入学习算法和目标探测网络模型YOLOv3, S-YOLO的网络模型提出了齿轮制造缺陷检测。9个优化锚值获得通过 - - - - - -意味着集群,减少波动下降的损失在模型训练和改进的借据平均价值模型。建立了齿轮制造缺陷数据集使用数据增强方法。应用该算法和模型验证了通过建立一个在线平台工业缺陷检测。结果表明,该算法能满足实际生产的要求。

数据可用性

代码和数据都可用https://github.com/Yuli-Ya/Detecting-Gear-Surface-Defects。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

L.Y., Z.W.概念化和数据管理工作。Z.W.表现的方法。L.Y.与软件和资源,也写作(草稿准备和审查和编辑)和资金收购。Z。W, L.Y.,和Z。D. carried out the validation.

确认

这部分工作是支持由中国国家自然科学基金批准号。91746116和91746116下,贵州省的科技项目批准号。2308[2017],[2015]4011年,5013年[2016],和贵州省的合作创新(YJSCXJH[2018] 052号)。

引用

1. m·j·罗宾逊、j.p.奥克利和m·j·坎宁安“图像分析方法在齿轮计量的准确性,“测量科学与技术》第六卷,没有。7,860 - 871年,1995页。视图:出版商的网站|谷歌学术搜索
2. m·a .阿尤布a·b·默罕默德和a . h . Esa“使用机器视觉在线检查圆度,”Procedia技术15卷,第816 - 807页,2014年。视图:出版商的网站|谷歌学术搜索
3. 问:郭,c, h·刘,张x”在轮胎x射线图像缺陷检测使用加权结构不同,“杂志上的传感器卷,2016篇文章ID 4140175, 12页,2016。视图:出版商的网站|谷歌学术搜索
4. j .元,问:王,李,“柔韧的高精度标定方法,双目结构光扫描系统,”科学世界日报,卷2014,不。8篇文章ID 753932 8页,2014。视图:出版商的网站|谷歌学术搜索
5. j·g·杨和杨”,修改卷积神经网络基于辍学和随机梯度下降优化器,”算法,11卷,不。3,28-43,2018页。视图:出版商的网站|谷歌学术搜索
6. g·杨,杨j·w·盛f .初级,李和美国“卷积神经网络尴尬的情况下检测相机社交机器人在智能家居中,“传感器,18卷,不。5,1530 - 1553年,2018页。视图:出版商的网站|谷歌学术搜索
7. 盛w·j·杨,杨,“基于ROI的动态手势识别算法和CNN社会机器人”2018年13日世界智能控制与自动化大会(WCICA)长沙,页389 - 394年,中国,中国,2018年7月。视图:出版商的网站|谷歌学术搜索
8. y徐,c·杨,j .钟n . Wang和l .赵”由遥操作机器人教学基于视觉交互和极端的学习机器,”Neurocomputing卷,275年,第2103 - 2093页,2018年。视图:出版商的网站|谷歌学术搜索
9. m .筹伯·m·d·伯克,“工业革命分子:自动合成的小分子,”《应用化学国际版卷,57号16,4192 - 4214年,2018页。视图:出版商的网站|谷歌学术搜索
10. j·杨,李,z高,z . Wang和w·刘,“实时识别方法0.8厘米织补针和KR22轴承基于卷积神经网络和数据的增加,“应用科学,8卷,不。10,1857年,页2018。视图:出版商的网站|谷歌学术搜索
11. j . Redmon和a·哈蒂”Yolov3:增量改进”,2018年,http://arxiv.org/abs/1804.02767。视图:谷歌学术搜索
12. 在r . Girshick“快速r-cnn。2015年IEEE计算机视觉国际会议(ICCV),页1440 - 1448,圣地亚哥,智利,2015年12月。视图:谷歌学术搜索
13. d . w . Liu Anguelov, d . Erhan et al .,“Ssd:单身multibox探测器拍摄,”计算机视觉——2016年大会。2016年大会。课堂讲稿在计算机科学中,卷9905b . Leibe, j . Matas n·m·威林,Eds。页21-37 Springer,可汗,2016年。视图:出版商的网站|谷歌学术搜索
14. 林t, p .美元,r . Girshick k .他b . Hariharan和s Belongie“特性为目标检测金字塔网络,”2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页2117 - 2125年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
15. Mączak和m . Jasiński,“基于模型检测齿轮的局部缺陷,”应用力学的存档,卷88,不。1 - 2、215 - 231年,2018页。视图:出版商的网站|谷歌学术搜索
16. j . m . Gandarias a . j . Garcia-Cerezo和j . m . Gomez-De-Gabriel”CNN-based方法对于高分辨率的触觉传感器的目标识别,”IEEE传感器杂志,19卷,不。16,6872 - 6882年,2019页。视图:出版商的网站|谷歌学术搜索
17. s, g .钱,问:他,f·刘,刘y,和王,“Insitu公司电机故障诊断使用增强的卷积神经网络在嵌入式系统中,“IEEE传感器杂志,p . 2019。视图:出版商的网站|谷歌学术搜索
18. z Cheng和n .胡“定量损伤检测基于物理模型的行星齿轮组,“中国机械工程杂志》上,25卷,不。1,第196 - 190页,2012。视图:出版商的网站|谷歌学术搜索
19. f . Nabih c . Jerome诉法布里斯,诉菲利普,“检测齿使传动误差测量的基础上,”机械系统设计和建模。课堂讲稿机械工程,m . Haddar l . Romdhane j . Louati和a·本·阿马拉,Eds。施普林格,柏林,海德堡。视图:出版商的网站|谷歌学术搜索
20. r·尤尼斯:Ouelaa: Hamzaoui, a . Djebala”实验研究结合齿轮和轴承故障的声音感知,”先进的声学和振动。应用状态监测,5卷,t . Fakhfakh f . Chaari l . Walha m . Abdennadher m . abb和m . Haddar, Eds。,卷76,不。5 - 8,页927 - 940,施普林格,可汗,2015。视图:出版商的网站|谷歌学术搜索
21. m .赵j .林y苗,x,”功能对变速箱使用前/采矿和健康评估滑落信号,”传感器,16卷,不。11,1837年,页2016。视图:出版商的网站|谷歌学术搜索
22. t . Kidar m·托马斯·m·Elbadaoui, r . Guilbault”阶段监测与滑动窗口ESPRIT和希尔伯特变换齿轮裂纹的早期检测”先进的机械状态监测在非平稳操作。课堂讲稿机械工程,g . Dalpiaz Ed,页287 - 299,海德堡激飞柏林,柏林,海德堡2014。视图:出版商的网站|谷歌学术搜索
23. k . r、f .伯加德和y郭,“数值振动分析在旋转机器使用两个轴承缺陷检测模型,”应用力学的存档,卷74,不。1 - 2,45-58,2004页。视图:出版商的网站|谷歌学术搜索
24. r·莫雷诺j . m . Chicharro p .大西洋马鲛,“最低可检测裂纹尺寸的比较从三个不同的齿轮传动系统振动传感器类型,“实验技术,38卷,不。1,第87 - 76页,2014。视图:出版商的网站|谷歌学术搜索
25. h . Ozturk i Yesilyurt, m . Sabuncu”检测和进步监测分布式齿轮点蚀故障,”杂志的无损评价卷,29号2、63 - 73年,2010页。视图:出版商的网站|谷歌学术搜索
26. d . r . Liu钟、h·律和j .汉“锥齿轮质量检验系统基于多摄像头视觉技术,”传感器,16卷,不。9,1364年,页2016。视图:出版商的网站|谷歌学术搜索
27. s . Fedala d·雷蒙德r . Zegadi, a . Felkaoui“齿轮故障诊断基于角度测量和支持向量机在正常和不稳定条件,”先进的机械状态监测在非平稳操作。CMMNO 2014。应用状态监测,卷4f . Chaari, r . Zimroz w . Bartelmus和m . Haddar, Eds。,pp. 291–308, Cham: Springer International Publishing, 2014.视图:出版商的网站|谷歌学术搜索
28. a . Djebala n . Ouelaa c Benchaabane, d . f . Laefer”应用小波多分辨率分析和希尔伯特变换齿轮齿缺陷的预测,”Meccanica卷,47号7,1601 - 1612年,2012页。视图:出版商的网站|谷歌学术搜索
29. 张x和美国球迷,识别和修改缺陷关闭的位置函数N-lobed非圆形齿轮,激飞新加坡,新加坡,2016年。
30. x, l .焦段y、x张“视频去噪通过空间自适应收缩系数和阈值调整Surfacelet变换域,“信号,图像和视频处理,8卷,不。5,901 - 912年,2014页。视图:出版商的网站|谷歌学术搜索
31. h·d·j·o·多明格斯和v . g .吉梅内斯,”评价的空间域去噪方法用于医学超声成像应用,”目前的趋势在以知识为基础的系统。智能系统参考图书馆,第120卷、Alor-Hernandez和r . Valencia-Garcia Eds。施普林格,页263 - 281年,可汗,2017年。视图:出版商的网站|谷歌学术搜索
32. j·杨,李,z . Wang和g .杨“实时很小部分缺陷检测系统使用深度学习在制造业,”IEEE访问7卷,第89291 - 89278页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019余Liya et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。