(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210829822.5 (22)申请日 2022.07.15 (65)同一申请的已公布的文献号 申请公布号 CN 114897909 A (43)申请公布日 2022.08.12 (73)专利权人 四川大学 地址 610000 四川省成 都市一环路南 一段 24号 专利权人 四川飞亚动力科技股份有限公司 (72)发明人 谢罗峰　卓师铭　殷鸣　殷国富　 刘建华　杨扬　赖光勇　杨敏　 余雅彬　 (74)专利代理 机构 成都环泰专利代理事务所 (特殊普通 合伙) 51242 专利代理师 周克然(51)Int.Cl. G06T 7/00(2017.01) G06V 10/20(2022.01) G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) 审查员 马天骥 (54)发明名称 基于无监督学习的曲轴表面裂纹监测方法 及系统 (57)摘要 本发明公开了一种基于无监督学习的曲轴 表面裂纹监测方法及系统， 所述监测方法包括： 建立表面裂纹监测初模型； 通过真实样本数据集 和无标注样 本数据对模型进行训练， 得到表面裂 纹监测最终分类模型； 输入所采集的曲轴表面图 像至最终分类模 型， 对该曲轴表 面裂纹状态进行 分类。 本发 明的曲轴表面裂纹监测方法减少了标 注曲轴表 面图像所需的成本， 即在后续的曲轴表 面裂纹检测上投入的成本； 本发明可操作性强， 迭代方式可靠， 其分类精度能够随着分类完成的 曲轴表面图像样本数据量的增 加而上升 。 权利要求书2页 说明书6页 附图3页 CN 114897909 B 2022.09.20 CN 114897909 B 1.一种基于无监 督学习的曲轴表面裂纹监测方法， 其特 征在于， 包括： 建立表面裂纹监测初模型， 其中， 所述的表面裂纹监测初模型包括用于提取曲轴表面 裂纹高维特征的VAE特征提取网络和用于根据输入特征向量进行表面裂纹状态分类的 Clusteri ng分类器； 训练表面裂纹监测最终分类模型， 包括： 采集一些曲轴表面的图像数据并标注对应曲轴的裂纹状态， 以建立真实样本数据集； 采集另一些曲轴表 面的图像数据建立无标注样 本数据集； 其中， 所述裂纹状态包括无裂纹、 第一阶段和第二阶段， 第一阶段表示曲轴存在再制造价值， 即初始裂纹， 第二阶段表示曲轴 无对应再制造价 值， 即严重裂纹； 将所建立的真实样本数据集输入VAE特征提取网络中， 通过VAE特征提取网络中的编码 器模块对曲轴表面图像进行编码， 通过服从正态分布q(z|x)的高维特征空间的数据映射， 分割对曲轴表面图像成形影响程度高的二维特征信息与无关冗余像素信息， 并将所需的高 影响特征信息以一维特 征向量的形式保存； 利用所述VAE特征提取网络 中的解码器模块， 对所保存的一维特征向量进行解码， 通过 服从正态分布P(z|x)的高维特征 空间数据映射， 将 输入的所述一 维特征向量解压为二 维曲 轴表面图像； 引入包含损失均值μ与损失方差σ 的隐变量， 通过计算损失并反向传播来进行 梯度下降， 进 而优化VAE特征提取网络； 将所建立的无标注样本数据集输入已优化好的VAE特征提取网络中， 将VAE特征提取网 络的编码器输出特征信息以一维特征向量形式保存而不再输入VAE特征提取网络的解码 器； 将所述的一维特征向量输入Clustering分类器中， 通过聚类分类器对特征数据进行分 类并保存其分类结果； 通过所保存的分类结果与真实样本数据集比对， 计算该监测初模型的分类精度， 根据 所述分类结果标注并建立新样 本数据集， 并使用所述新样本数据集训练VAE特征提取网络， 优化VAE的网络参数， 并使用所述真实样本数据集验证优化后的监测初 模型分类精度， 进一 步优化网络参数； 重复采用新样本数据集对V AE进行训练， 直至监测初模型达 到预设的分类精度； 输入所采集的曲轴表面图像至最终分类模型， 对该曲轴表面裂纹状态进行分类。 2.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 所述Clusteri ng分类器所使用的分类算法包括K ‑means算法。 3.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 正态分布q  (z|x)～ η(0， 1)； 正态分布P(z|x)～l ogη(z； μ(i)， σ2(i)x)； 所述计算损失的损失函数为 ELBO＝Eq(z|x)(log P(x|z)+log(P(z) ‑log(q(z|x))))； 所述隐变量为Z～ η( μ， σ )； 其中， P与q表示概率分布的特征空间， η表示正态分布， x表示输入矩阵， i表示当前输入矩阵的索 引值， μ 表示均值， σ 表示方差， Eq(z|x)表示q(z|x)下的损失函数ELBO。 4.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 所述网络参数的优化 算法包括Adam算法。 5.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 所述采集一些曲轴表面的图像数据包括： 选取各种工况下 的曲轴， 使用相 机在光照充足的权　利　要　求　书 1/2 页 2 CN 114897909 B 2环境中从不同角度拍摄曲轴表面图像。 6.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 对所述曲轴表面图像进行图像预处 理； 其中， 所述图像预处 理包括裁 剪处理及归一 化处理。 7.根据权利要求6所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 所述归一 化处理包括尺寸归一 化至(224,224)和灰度归一 化至(0， 1)。 8.根据权利要求1所述的一种基于无监督学习的曲轴表面裂纹监测方法， 其特征在于， 所述裂纹状态的确定采用针对曲轴表面的磁粉探伤法或着色渗透法。 9.一种基于无监督学习的曲轴表面裂纹监测系统， 其特征在于， 包括终端设备及摄像 组件， 所述终端设备存储有权利要求1 ‑8任一项所述一种基于无监督学习的曲轴表面裂纹 监测方法的最终分类模型， 所述摄像组件用于采集待测曲轴的表面图像并传输至所述终端 设备。 10.根据权利要求9所述的一种基于无监督学习的曲轴表面裂纹监测系统， 其特征在 于， 还包括用以补充照明亮度的面阵光源、 以及用以存储所述待测曲轴的表面图像的图像 采集卡， 所述图像采集 卡与所述摄 像组件连接并安装于所述终端设备中。权　利　要　求　书 2/2 页 3 CN 114897909 B 3