本发明涉及激光除锈领域，尤其涉及一种用于轴承的钛板激光预除锈装置及激光预除锈方法。
背景技术：
1、随着科技的日益进步，轴承作为机械设备中的一种重要零部件，在各个制造领域的应用越来越广泛。小到自行车、洗衣机，大到火箭、高铁、宇宙飞船都有轴承的身影。在我们的生活中，低端轴承几乎随处可见，而高性能轴承却十分难得。衡量低端轴承与高性能轴承的区别在于振动的幅度与磨损的状态。钛合金材料具有高强度、耐腐蚀、耐高温和低温等优良性能，能够适应各种恶劣的工作环境，常用于航空发动机前端风扇和低压压气机中，钛合金加工的轴承对蒸汽涡轮中的腐蚀性物质具有极好的耐腐蚀性能，用它制成的轴承在含有氯化物、氢氧化物及硫酸盐的环境中使用，不会出现点蚀、应力腐蚀及腐蚀疲劳。
2、钛合金轴承在长期处于潮湿的环境下容易产生氧化皮即锈迹，在工业应用中经常要对钛合金轴承本身进行防锈处理，但在防锈处理之前，由于钛合金在制作过程中通过加热炉烧制时会出现氧化的现象，因此需要对出炉前后的钛合金板材的表面进行除锈处理，然后再制作为轴承器件。而随着近年来市场对于钛合金轴承外壁等方面要求的提高，钛合金轴承除锈需求加大。
3、激光作为一种加工工艺，能实现金属表面锈蚀层的快速清洗。与传统加工方法不同的是，激光具有高亮度、高单色性等优点，能实现远距离非接触式清洗，因此能利用激光对远距离除锈。
4、但现有的激光除锈装置对应的激光控制方法大多流程复杂，且控制激光除锈的精准度不够高，容易导致各部分锈蚀情况差异较大。由于钛板激光除锈对除锈结果要求较高，不能损伤金属结构，导致现有的激光除锈装置并不能具有良好的除锈结果。同时，部分钛板的生锈表面并非全面生锈，有可能只在部分区域有锈蚀，如果采用全面除锈，则会造成除锈时间过长，导致除锈效率较低。
技术实现思路
1、本发明要解决的技术问题是传统的用于轴承的钛合金板材进行激光除锈时，除锈效率低、精准度不高、工序耗时长，同时容易导致金属损伤，目的在于提供一种用于轴承的钛板激光预除锈装置与除锈方法，通过采用yolo算法进行目标检测，解决了常规钛板除锈中效率较低、精准度不高、工序耗时长，同时容易导致金属损伤的问题。
2、为解决上述技术问题，本发明一方面提供一种用于轴承的钛板激光预除锈装置，所预除锈装置包括图像获取模块、数据储存模块、数据处理模块、锈迹识别模块、激光除锈模块、中央处理器、锈迹处理电路；
3、所述图像获取模块用于获取待除锈钛板表面的目标图像，实时获取预设点阵区域内激光脉冲照射后的目标图像；
4、所述数据储存模块用于储存包含yolo算法的激光除锈程序，收集包含钛板进炉样本图像，以及钛板出炉后有或没有锈迹的钛板图像，以获得数据集，同时为每张图像创建相应的标签，来指示锈迹的位置，从而用于监督学习；
5、所述数据处理模块用于处理数据储存模块获得的数据集，通过调整图像大小、亮度、对比度的方式，以确保预设锈迹识别模型在不同条件下能够稳定工作，同时将数据集分为训练集和测试集，确保预设锈迹识别模型的泛化性能；
6、所述锈迹识别模块用于基于预设锈迹识别模型对待除锈钛板图像进行锈迹识别，获得锈迹参数信息，并通过锈迹处理电路控制输出至激光除锈模块中激光器的输出信号，从而调整激光除锈的强度；
7、所述激光除锈模块包括用于根据锈迹参数信息和预设锈迹识别模型确定激光的参数，并根据所述激光的参数对所述待除锈钛板进行除锈，同时根据目标图像调节所述激光的参数，直至获取到的所述目标图像满足预设的除锈条件。
8、进一步地，所述锈迹处理电路包括输入端口v3，放大器u1，mos管q8，电阻r17、r20、r19、r15、r22、r21、r26、r12，电容c8、c11、c10、c6、c7，所述锈迹处理电路中输入端口v3与电容c8的负极连接，电容c8的正极分别与电阻r17的一端、电阻r19的一端、电阻r20的一端连接，电阻r17的另一端与高电平vcc连接，电阻r20的另一端接地，电阻r19的另一端与mos管q8的栅极连接，mos管q8的源极分别与电阻r22的一端、电容c11的正极连接，电阻r22的另一端接地，电容c11的负极接地，mos管q8的漏极分别与电阻r15的一端、电容c7的正极连接，电阻r15的另一端与高电平vcc连接，电容c7的负极分别与电阻r21的一端、电容c6的一端、电容c10的一端、放大器u1的反相输入端连接，电阻r21的另一端接地，电容c10的另一端接地，电容c6的另一端与电阻r12的一端连接，电阻r12的另一端与放大器u1的输出端连接，电阻r26的一端与放大器u1的同相输入端连接，另一端接地，放大器u1还包括正电源端和负电源端。
9、进一步地，所述锈迹处理电路还包括输出端口v4，mos管q10、q11、q12，放大器u1，电阻r31、r32、r33，所述锈迹处理电路中放大器u1的输出端分别与电阻r31的一端、mos管q10的栅极连接，电阻r31的另一端分别与电阻r32的一端、mos管q11的栅极、mos管q10的源极、mos管q11的源极、mos管q12的漏极、地线连接，电阻r32的另一端与mos管q12的栅极连接，电阻r33的一端与高电平vcc连接，另一端分别与mos管q10的漏极、mos管q11的漏极、mos管q12的漏极连接，输出端口v4与mos管q11的漏极连接。
10、另一方面，本发明还提供一种激光预除锈方法，所述方法包括如下步骤：
11、step1：数据收集与标注：收集钛板表面数据图像，包括钛板进炉样本图像，以及钛板出炉后的有锈迹或没有锈迹的图像，调整图像的大小、亮度、对比度的一致性；
12、step2：数据预处理：将钛板进炉样本图像，以及钛板出炉后的有锈迹或没有锈迹的图像分别分割成s×s网格，每个单元格负责监测中心点落在该单元格内的目标，对单元格内的图像进行标注，包括锈迹的位置和类别，并将标注信息转换为模型所需格式，将数据集分为训练集和测试集，确保模型的泛化性能；
13、step3：模型选择与训练：选择目标检测模型；使用训练集对选择的模型进行训练，模型将学习锈迹的特征和位置；
14、step4：模型评估与部署：使用测试集评估模型的性能，确保其能够准确地识别锈迹，然后将训练好的模型部署到生产环境中；
15、step5：图像获取：获取待除锈钛板表面的目标图像，实时获取预设点阵区域内激光脉冲照射后的目标图像；
16、step6：实时预测：在钛板出炉时，将激光预除锈装置与部署的模型结合使用，将step5获取的目标图像作为模型输入信息，实时预测锈迹可能出现的地方；
17、step7：激光刺激：根据模型的预测结果，提前使用激光对可能出现锈迹的位置进行刺激形成氧化膜，防止锈迹的生成。
18、进一步地，所述step3至step4中模型选择使用yolo算法进行目标检测，训练模型包含以下步骤：
19、s1：数据集准备：收集包含有或没有锈迹的钛板图像样本，表明锈迹的位置和类别；
20、s2：标签处理：将图像分割成s×s网格，为每个图像的锈迹标注边界框，并为每个图像的锈迹边界框生成标签，标签格式包括边界框坐标和目标类别；对于一个边界框包括(x，y)和(w，h)，其中x和y是边界框中心的相对坐标，w和h是边界框的宽度和高度；
21、s3：模型配置：根据位置的要求和数据集的类别数进行模型配置，调整网络结构和超参数；
22、s4：模型训练：使用标注数据集对模型进行训练，钛板进炉样本图像为输入值，钛板出炉后的标注数据集为输出值，在训练过程中，模型将学习锈迹的特征和位置；训练过程会涉及对目标检测损失函数的最小化，该损失函数在yolo算法中使用复合损失函数，包括定位损、置信度损失和分类损失，总损失＝定位损失+置信度损失+分类损失；其中，定位损失用于衡量模型对目标边界框位置的预测精度，确保模型准确地预测目标边界框的位置，通过最小化坐标损失，模型学会调整边界框的位置，使其更接近实际目标位置；置信度损失用于衡量模型对目标存在与否的置信程度的预测精度，确保模型能够准确判断目标是否存在，通过最小化置信度损失，模型学会提高对目标存在与否的判断准确性；分类损失仅在预测存在目标的网格单元中计算，用于衡量模型对目标类别的分类预测精度，确保模型在目标存在的情况下准确地分类目标类别，通过最小化分类损失，模型会提高对目标类别的分类准确性；
23、s5：训练优化：通过梯度下降优化算法，调整模型参数以最小化损失函数，沿着损失函数梯度的反方向更新模型的参数，以降低损失函数值；
24、s6：模型评估：使用测试集来评估模型的性能，包括精度、召回率指标；
25、s7：调整和优化：根据模型在测试集上的表现进行调整和优化，并根据需要调整模型结构或超参数；
26、s8：部署模型：将训练好的模型部署到实际应用中，结合激光预除锈装置进行实时目标检测。
27、进一步地，所述梯度下降优化算法包含以下步骤：
28、ss1：初始化参数：随机初始化模型的参数，调整权重和偏置；
29、ss2：计算损失函数梯度：使用反向传播算法计算损失函数对每个参数的梯度，梯度表示了损失函数在当前参数值处的变化率；
30、ss3：参数更新：沿着梯度的反方向调整参数，以减小损失函数值，其中更新规则如下：
31、新参数＝旧参数-学习率*梯度，其中学习率是一个控制更新步长的超参数，它影响参数更新的大小；
32、ss4：重复迭代：重复执行步骤ss2和步骤ss3，直到损失函数收敛到满意的程度或达到预定的迭代次数。
33、进一步地，所述yolo算法包含以下步骤：
34、步骤1：首先将输入图像分成一定数量的边界框，如果钛板锈迹的中心落在某个边界框中，则该边界框负责对该钛板锈迹的预测，其中锈迹边界框都要经过回归方程，最终预测出n个锈迹边界框和每个锈迹边界框对应的置信度；
35、步骤2：所述锈迹边界框对应的置信度计算方法为公式如下：
36、
37、其中表示第i个网格的第j个边界框的置信度，表示预测的边界框和真实锈迹边界框的交并比，pr(object)表示矩形框内有锈迹的可能性，有锈迹时为1，没有锈迹时为0；
38、步骤3：同时每个边界框还需要预测出n个条件概率值，n为锈迹类别个数，条件概率计算方法公式如下：
39、
40、这样每个边界框最后都会得到很多张量，然后再根据设置的置信度阈值，去除一些置信度较低的边界框，最后再进行非极大值抑制处理，得到最终的检测结果。
41、本发明的上述技术方案相比现有技术具有以下优点：
42、1.本发明通过采用yolo算法进行目标检测，解决了常规用于轴承的钛板除锈中效率较低、精准度不高、工序耗时长，同时容易导致金属损伤的问题。
43、2.本发明通过综合考虑坐标、置信度和分类三个方面，通过最小化总损失，模型整体上能够更好地处理目标检测任务，平衡准确性和精度，通过最小化坐标损失，模型学会调整边界框的位置，使其更接近实际目标位置，通过最小化置信度损失，模型学会提高对目标存在与否的判断准确性，通过最小化分类损失，模型学会提高对目标类别的分类准确性。
44、3.本发明通过优化算法(如梯度下降)使用损失函数的梯度来调整模型的权重和参数，使得模型能够逐渐提高对任务的准确性。
1.一种用于轴承的钛板激光预除锈装置，其特征在于，所预除锈装置包括图像获取模块、数据储存模块、数据处理模块、锈迹识别模块、激光除锈模块、中央处理器、锈迹处理电路；
2.根据权利要求1所述的激光预除锈装置，其特征在于，所述锈迹处理电路包括输入端口v3，放大器u1，mos管q8，电阻r17、r20、r19、r15、r22、r21、r26、r12，电容c8、c11、c10、c6、c7，所述锈迹处理电路中输入端口v3与电容c8的负极连接，电容c8的正极分别与电阻r17的一端、电阻r19的一端、电阻r20的一端连接，电阻r17的另一端与高电平vcc连接，电阻r20的另一端接地，电阻r19的另一端与mos管q8的栅极连接，mos管q8的源极分别与电阻r22的一端、电容c11的正极连接，电阻r22的另一端接地，电容c11的负极接地，mos管q8的漏极分别与电阻r15的一端、电容c7的正极连接，电阻r15的另一端与高电平vcc连接，电容c7的负极分别与电阻r21的一端、电容c6的一端、电容c10的一端、放大器u1的反相输入端连接，电阻r21的另一端接地，电容c10的另一端接地，电容c6的另一端与电阻r12的一端连接，电阻r12的另一端与放大器u1的输出端连接，电阻r26的一端与放大器u1的同相输入端连接，另一端接地，放大器u1还包括正电源端和负电源端。
3.根据权利要求2所述的激光预除锈装置，其特征在于：所述锈迹处理电路还包括输出端口v4，mos管q10、q11、q12，放大器u1，电阻r31、r32、r33，所述锈迹处理电路中放大器u1的输出端分别与电阻r31的一端、mos管q10的栅极连接，电阻r31的另一端分别与电阻r32的一端、mos管q11的栅极、mos管q10的源极、mos管q11的源极、mos管q12的漏极、地线连接，电阻r32的另一端与mos管q12的栅极连接，电阻r33的一端与高电平vcc连接，另一端分别与mos管q10的漏极、mos管q11的漏极、mos管q12的漏极连接，输出端口v4与mos管q11的漏极连接。
4.一种基于权利要求1-3任一项所述的激光预除锈装置的激光预除锈方法，其特征在于，所述方法包括如下步骤：
5.根据权利要求4所述的激光预除锈方法，其特征在于，所述step3至step4中的模型选择使用yolo算法进行目标检测，训练模型包含以下步骤：
6.根据权利要求5所述的激光预除锈方法，其特征在于，所述梯度下降优化算法包含以下
7.根据权利要求5所述的激光预除锈方法，其特征在于，所述yolo算法包含以下步骤：
