基于Anchors设计和模型迁移的钢轨内部伤损检测方法.pdf
《基于Anchors设计和模型迁移的钢轨内部伤损检测方法.pdf》由会员分享,可在线阅读,更多相关《基于Anchors设计和模型迁移的钢轨内部伤损检测方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第卷第期 年 月铁 道 学 报 文章编号:()基于 设计和模型迁移的钢轨内部伤损检测方法吴福培,谢晓扬,黄耿楠,吴 涛,李昇平(汕头大学 工学院,广东 汕头;广州特种机电设备检测研究院,广东 广州)摘 要:钢轨内部伤损的准确检测是保障列车安全运行的重要环节,如何提高伤损检测算法的泛化能力和鲁棒性是当前自动检测该类伤损面临的主要问题。为此,提出一种基于 设计和模型迁移的钢轨内部伤损检测方法。首先,采用图像数据增强技术扩充现有图像数据集,获取适量的训练样本。其次,设计以交并比为距离度量的 聚类算法获取新的 多维度约束,提高伤损检测精度。最后,在基于改进 模型的迁移学习方法基础上,训练所提的钢轨伤损
2、检测模型。试验结果表明,本文检测方法所得精确率、召回率和 值均达到 ,对不同类型的内部伤损取得了较好的检测效果;与现有方法相比,本文所提方法的识别准确率高、误报率低,可有效检测钢轨内部伤损。关键词:钢轨内部伤损;缺陷检测;深度学习;模型迁移中图分类号:文献标志码:,(,;,):,(),:;收稿日期:;修回日期:基金项目:国家自然科学基金();广东省自然科学基金();广东省普通高校重点领域专项()第一作者:吴福培(),男,广西玉林人,教授,博士。:通信作者:吴 涛(),男,湖北黄冈人,副教授,博士。:铁路钢轨与列车接触并长期遭受列车的摩擦和冲击,易产生各种表面和内部伤损,极可能对列车的安全运行带
3、来隐患。当前常用的无损检测方法主要包括视觉检测、超声波检测和漏磁检测等。超声波检测因具有穿透力强、指向性好和灵敏度高等特点已被广泛用于钢轨内部伤损检测。当前钢轨伤损检测方法分为两类:一类是利用高速摄像机获取钢轨表面图像,并采用纹理和灰度等方法检测钢轨表面伤损。基于此类方法,闵永智等设计了钢轨表面缺陷检测装置和提出了基于图像灰度梯度特征的钢轨表面缺陷检测方法,可检测不第 期吴福培等:基于 设计和模型迁移的钢轨内部伤损检测方法同环境的钢轨疤痕和裂纹伤损,但其缺陷漏检率和误检率分别为 和 。彭方进提出一种高鲁棒性的钢轨表面缺陷检测算法,对不同拍摄条件下检测钢轨表面缺陷的准确率不低于 ,且具有较高的鲁
4、棒性。此外,通过考虑钢轨的特定特征,文献设计了一种面向背景的缺陷检测器以检测钢轨表面缺陷。试验结果表明,该方法具有客观的检测能力,且可避免外部因素对检测结果的干扰。尽管上述方法可取得较好的伤损检测效果,但总体上仍存在准确率较低和泛化能力较差等问题。另一类是利用超声波探伤仪采集的 型图像检测钢轨内部伤损。该方面研究的文献相对较少,其研究成果主要体现在一些单位开发的钢轨探伤系统中。如 公司的探伤车可对各种类型的钢轨缺陷进行检测和分类。美国铁路协会的超声波探伤系统可检测整个钢轨部分,包括轨头、腹板和底座。基于对 型图像中各伤损特征的研究,本文课题组提出一种伤损检测及其参数学习方法。该方法的检测准确率
5、高于 ,检测效果良好。此外,为进一步提高钢轨内部伤损的智能化检测,本文课题组曾提出一种基于伤损特征分析的钢轨伤损智能识别与分类方法。该方法的检测准确率高于 ,平均检测时间为 帧,可用于实时检测。尽管该类方法具有高效率和高自动化的特点,但仍存在鲁棒性差和受限于特定伤损特征等问题。综上所述,准确率较低、泛化能力不足、鲁棒性不高和受限于特定伤损特征是当前钢轨伤损检测方法面临的主要问题。随着深度学习在目标检测和分类领域的快速发展,上述问题有望得以解决。目前已有基于深度学习的表面缺陷检测方法成功应用于工业场景中。黄凤荣等为提高发动机零件表面缺陷的检测准确率和效率,提出一种基于聚类算法生成 的 表面缺陷检
6、测方法,可准确有效地检测零件的表面缺陷,满足智能制造的生产需求。为检测钢轨表面裂缝,文献设计了一种基于深度迁移学习的检测算法,可有效降低图像噪声对检测结果的影响,召回率高,且可检测大、小尺寸的裂纹。等提出一种基于深度学习的铁路检测方法,其精确率和召回率分别可达 和 以上,可实现钢轨接头或缺陷的良好检测。此外,文献提出一种基于贝叶斯 和注意力网络的钢轨表面缺陷检测算法,旨在复杂多样的钢轨场景下提高缺陷的检测精度和速度。试验结果表明,该算法的分割精度可达 ,运行时间为 帧。从上述分析可知,深度学习算法可自动获取图像中丰富的特征信息,具有检测准确率高、鲁棒性强和泛化能力好等优点,可有效检测钢轨伤损。
7、因此,为准确地检测钢轨内部伤损,提出一种基于 设计和模型迁移的钢轨内部伤损检测方法。首先,采用图像数据增强技术扩充现有的伤损图像数据集,避免所提模型发生过拟合。其次,采用 聚类算法设计新的 多维度约束,提高伤损的检测精度。最后,在基于改进 模型的迁移学习方法和扩充的样本数据集的基础上,训练并检验所提的钢轨伤损检测模型。钢轨内部伤损类型及其特征分析超声波钢轨探伤仪检测钢轨内部伤损时,其探头向钢轨内部发射一定频率的声波。声波在钢轨内部传播以检测内部伤损。当遇到不同阻抗的伤损时,声波会产生一次反射和二次反射。然后,通过分析反射波的大小、数量和波形,可对各类钢轨伤损进行成像和显示,成像后的图像即为 型
8、图像,见图。图 钢轨内部伤损的 型图像 型图像显示了伤损在钢轨内部的水平和深度信息。在使用探伤仪检测伤损时,不同角度的探头检测不同位置的伤损,并采用不同的颜色进行区分。此外,受检测位置和环境等因素的影响,检测过程产生的杂波也在 型图像中显示。结合超声波成像方式、伤损位置、伤损特征和传统的钢轨伤损分类方法,将钢轨内部伤损归类为 种,见表。表 钢轨内部伤损分类序号伤损类型标注时的英文缩写伤损标记颜色轨头内侧核伤红色轨头中间核伤绿色轨头外部核伤蓝色螺孔内侧上裂绿色螺孔内侧下裂绿色螺孔内侧倒打下裂绿色螺孔外侧上裂蓝色螺孔外侧下裂蓝色螺孔外侧倒打下裂蓝色螺孔水平裂红色轨底横裂绿色和蓝色铁 道 学 报第
9、卷图 为各种类型伤损的集合。图 中标识的伤损序号与表 对应,其中,黑色椭圆内的图像为各种类型杂波,黄色三角形内的图像为接头。由图 可知,轨头核伤的成像长短不一,且单独或成对出现。螺孔下裂图像位于正常螺孔图像下方。轨底横裂图像的粗细程度和长度均有差异,但以成对形式实现超声波成像。图 钢轨内部伤损集合检测时,此类伤损图像主要存在以下检测难点:受钢轨表面平滑度和探伤车灵敏度等因素的影响,型图像的噪声无明显规律,对伤损的检测带来干扰;在 型图像中,不同类型伤损分布在不同区域,易对 型图像的数据增强引入不确定因素,如使用旋转方式对 型图像进行数据增强时,检测效果可能适得其反;型图像中伤损标注误差大。型图
10、像中,通常需要结合多个通道的图像来判断伤损的类别。然而,各个通道的图像形状并不固定,人工标注边界框时会产生比普通图像更大的标注误差。在深度学习的边界框回归阶段可能会发生边界框定位偏离的现象。为此,拟通过提出基于 设计和改进 模型的迁移学习伤损检测方法,解决 型图像中存在的噪声干扰、伤损分类困难和定位误差大的问题,提高伤损检测精度。基于 设计和模型迁移的伤损检测方法 综合上述分析可知,钢轨内部伤损种类多、颜色组成和位置特征差异大。此外,伤损所在的区域仅为整幅图像极小的一部分。若采用经典 架构检测钢轨伤损,可能存在以下问题:现有的 约束针对原检测目标设置,无法满足和应用于复杂多样的钢轨内部伤损检测
11、;仅使用最后一层特征图检测伤损,无法有效提取钢轨伤损的特征信息。由于最后一层特征图分辨率小且对应原图的视场范围较大,易丢失关键的细节信息,不利于检测钢轨伤损(小目标)。针对上述问题,提出一种基于 设计的改进 架构,见图,以检测钢轨内部伤损。该架构采用 为特征提取网络,并设计新的 约束以检测钢轨伤损。首先,将钢轨内部伤损图像输入 网络,结合特征金字塔结构提取不同大小的特征图并进行融合处理。其次,采用 聚 类 算 法 设 计 与 钢 轨 内 部 伤 损 相 关 的 多 维 度 约 束。然 后,通 过 ()网络得出候选区域,并将不同大小的特征图和候选区域输入到 ()中进行区域校准池化。最后,将得到的
12、特征图送入两个全连接层进行分类和边框回归。图 基于 设计的改进 架构 基于 聚类算法的 设计现有的 无法直接用于当前的钢轨内部伤损数据集,因此,需对 进行重新设计,以适应检测目标的实时变化。由于人工设计 需要进行大量的统计试验并进行验证,且设计不合理易对检测结果造成较大的标注误差。为解决上述问题,拟采用 聚类算法设计适用于检测钢轨内部伤损的 多维度约束。首先,以交并比为距离度量对数据集中各类型伤损进行聚类。然后,根据聚类结果重新设计,以更好地检测钢轨伤损。度量该距离为(,)(,)()式中:(,)为标注框 和聚类中心 之间的距离;第 期吴福培等:基于 设计和模型迁移的钢轨内部伤损检测方法(,),
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Anchors 设计 模型 迁移 钢轨 内部 伤损 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。