《JOURNAL OF INTELLIGENT MANUFACTURING》：Deep learning method for wear assessment and regeneration support in gear hobbing tools
编辑推荐：
在现代制造环境中，切割工具的高效监测与再生对于维持产品质量和工艺连续性至关重要。研究人员提出了一种基于视觉的检测框架，用于评估齿轮滚刀，该框架将缺陷检测、磨损分割和尺寸磨损量化集成在一个统一的深度学习流水线中。该系统结合了轻量级Ghost Slim U-Net
在现代制造环境中，切割工具的高效监测与再生对于维持产品质量和工艺连续性至关重要。研究人员提出了一种基于视觉的检测框架，用于评估齿轮滚刀，该框架将缺陷检测、磨损分割和尺寸磨损量化集成在一个统一的深度学习流水线中。该系统结合了轻量级Ghost Slim U-Net架构与复合损失函数，并设计用于受控的工业检测环境。在一个从工业检测站获取的专家标注数据集上进行评估时，该框架在磨损分割任务上取得了平均\(F_{1}\)-score为\(0.886\pm 0.004\)的结果。同时，尺寸磨损估计的均绝对误差为\(4.05\pm 0.23\mu m\)。在受控的照明、对焦模糊和表面污染扰动下进行的额外实验，提供了在非理想成像条件下稳健性的比较评估。所得结果表明，所提出的框架可作为半自动化检测的操作员辅助工具，在保留专家对再生决策的监督的同时，支持更一致的磨损评估。
**齿轮滚刀磨损评估与再生支持的深度学习视觉检测方法研究解读**
**1. 研究背景与问题**
在齿轮制造领域，齿轮滚刀（gear hob cutter）是关键的切削工具，其磨损状态直接影响加工精度、表面质量和生产效率。然而，滚刀几何结构复杂、制造成本高昂，其磨损评估与再生决策是工业实践中的核心挑战。当前，直接的磨损评估方法（如显微镜检查）精度高，但高度依赖专家经验，耗时且主观性强，难以满足大规模、自动化生产的需求。间接方法（如传感器信号分析）虽可实时监测，但易受加工条件变化干扰，鲁棒性不足。因此，亟需一种集成化、自动化且鲁棒的视觉检测系统，以实现对滚刀磨损的精确量化，并为再生决策（如磨削余量确定）提供客观、一致的支持。
**2. 研究目标与内容**
为应对上述挑战，研究人员提出并验证了一个基于深度学习的统一视觉检测框架。该框架旨在整合缺陷检测、磨损区域分割（segmentation）和尺寸磨损量化，构建一个端到端（end-to-end）的自动化流水线，作为操作员辅助工具，支持半自动化检测与再生决策。研究发表于《JOURNAL OF INTELLIGENT MANUFACTURING》期刊。
**3. 主要关键技术方法**
本研究采用了一套多阶段视觉处理流水线，主要关键技术包括：1）**缺陷检测器**：基于YOLO12s目标检测模型，用于快速识别图像中的边缘磨损（edge wear）、积屑瘤（built-up edge）和表面污染（contamination）等缺陷。2）**语义分割模型**：提出了一种轻量级**Ghost Slim U-Net**架构，用于像素级精确分割边缘磨损区域。该模型通过Ghost卷积（Ghost Convolution）和通道缩减策略，在保持高分割精度的同时，大幅降低了计算复杂度。3）**复合损失函数（Compound Loss）**：融合了二元交叉熵（Binary Cross Entropy，BCE）、Dice-S?rensen损失、Focal Tversky损失、隔离惩罚（Isolation Penalty）和总变分（Total Variation）正则化项，以提升磨损分割的稳定性与空间一致性。源数据来自一个工业合作伙伴的测量系统（ZOLLER GmbH & Co. KG, Germany），共采集了50次扫描（共2500张标注图像），涵盖21个不同工具实例的多种状态，并采用5折交叉验证（5-fold cross-validation）进行模型评估。
**4. 研究结果**
**4.1 消融实验（Ablation Study）**
通过对比完整复合损失函数与移除各分量后的性能，研究人员发现，完整复合损失函数取得了最高的分割性能（\(F_{1}\)-score: 0.936, Jaccard index: 0.881）。其中，BCE损失对性能影响最大，Dice损失也贡献显著，而Focal Tversky和总变分损失提供了较小但一致的改进，表明各损失分量提供了互补的监督信息。
**4.2 架构对比实验**
将提出的Ghost Slim U-Net与Vanilla U-Net、SegFormer-B0、Fast-SCNN及YOLO12n-seg等模型在分割精度和计算效率上进行比较。结果显示，Ghost Slim U-Net以仅0.28M参数和4.62 GFLOPs的计算量，取得了与参数量大123倍的Vanilla U-Net相当的分割性能（\(F_{1}\)-score: 0.936 vs 0.937）。同时，其推理速度最快（111.6张/秒），展现了在边缘磨损评估任务中优异的精度-效率权衡。
**4.3 系统鲁棒性分析**
通过引入高斯模糊（模拟失焦）、伽马校正（模拟光照变化）和合成污染（模拟表面杂质）等扰动，评估了系统在非理想成像条件下的稳定性。结果显示，Ghost Slim U-Net在三种扰动下均取得了最低的综合性能退化曲线下面积（\(AUC_{MAE}\)，值15.36），尤其在合成污染扰动下表现最优（7.71）。此外，采用复合损失函数相比单一BCE损失，在污染扰动下性能退化降低了约28%，表明其增强了模型对局部图像干扰的鲁棒性。
**4.4 端到端系统评估**
在完整的处理流水线评估中，系统在磨损分割任务上取得了平均\(F_{1}\)-score为\(0.886\pm 0.004\)，召回率为\(0.910\pm 0.004\)，精确率为\(0.877\pm 0.007\)。尺寸磨损量化的均绝对误差（MAE）为\(4.05\pm 0.23\mu m\)，均方根误差（RMSE）为\(8.63\pm 0.53\mu m\)。该MAE值低于文献中先前报道的结果（19.95 \(\mu m\)）。系统处理每张图像平均耗时95 ms，其中缺陷检测阶段占主要时间（61.2 ms）。对于包含812个切削齿的典型工具，完整扫描处理时间约为10分20秒。
**4.5 测量异常值分析**
通过对不同磨损严重程度和表面干扰条件下的误差进行分层分析，发现：磨损量化误差随磨损程度增加而增大（低磨损: MAE=1.83\(\mu m\); 高磨损: MAE=7.75\(\mu m\)）；积屑瘤（built-up）是导致大误差的主要来源，其存在会部分遮挡真实磨损边界，导致偶发的高估或低估；而表面污染的影响相对较小。这表明在复杂表面条件下，完全自动化解释存在局限性。
**4.6 扫描级过滤与分析**
研究人员评估了三种扫描级后处理策略（自动异常值剔除、操作员辅助剔除、混合策略），结果显示混合策略能显著降低误差，将扫描级MAE从4.05\(\mu m\)降至2.34\(\mu m\)，最大误差从27.76\(\mu m\)降至11.34\(\mu m\)。
**5. 讨论与结论**
本研究成功构建并验证了一个面向齿轮滚刀的视觉检测框架，通过集成轻量级深度学习模型与复合损失函数，在磨损分割精度、尺寸量化误差和计算效率之间取得了良好平衡。研究结论指出，该框架在受控实验条件下，可支持半自动化的磨损评估，通过提供客观、量化的结果，辅助操作员进行更一致的再生决策，从而减少对主观视觉判断的依赖。
然而，研究亦存在局限性。当前方案基于有限工业数据集，其性能受限于标注的主观性、数据采集成本以及工具几何、涂层和磨损机制的多样性。未来工作将聚焦于通过合成数据生成（如基于物理渲染的环境）和模拟方法扩展数据集，以提升模型的泛化能力和对更广泛工业场景的适用性。
