原文传递
基于深度学习的高铁摩擦片表面裂纹缺陷检测研究
| 论文题名： | 基于深度学习的高铁摩擦片表面裂纹缺陷检测研究 |
| 关键词： | 高铁摩擦片;表面裂纹缺陷检测;深度学习;YOLO算法 |
| 摘要： | 近年来，高铁已经成为了大众化的交通工具，高铁摩擦片作为其中的核心零件，及时有效的检测出其表面的缺陷对行车安全具有重要意义。本文针对高铁摩擦片的表面裂纹是否存在缺陷进行检测，主要研究内容如下： （1）本文建立高铁摩擦片表面裂纹数据集，以工业CCD相机采集高分辨率下的2040张高铁摩擦片图像为基础，对其进行特征及缺陷类别的分析以及数据增强操作。对扩充后的图像进行标注，完成最终数据集的制作。 （2）本文针对高铁摩擦片表面裂纹在缺陷检测中效率和准确率不高的问题，以YOLOv4网络为基础，构建YOLO-DUAL高铁摩擦片表面裂纹的缺陷检测模型。在YOLOv4的CSPDarkNet53主干特征提取网络基础上新增由多层池化层和卷积层组合而成的辅助特征提取网络。基于目标框加权融合算法对先验框的大小进行重新计算优化，选择K-means++算法对先验框的超参数进行聚类运算，使其适配不同尺度下目标的形态特征。改进后的YOLO-DUAL网络mAP值从YOLOv4网络的60.17%提升到了61.58%，mIoU从52.32%提升到了58.68%，相比提升了6.36%。因此，改进后的YOLO-DUAL网络结构能够有效提升高铁摩擦片表面裂纹缺陷的检测性能。 （3）本文对YOLO-DUAL模型进行了轻量化处理，提出轻量型YOLO-MDUAL缺陷检测模型，设计并实现了移动端高铁摩擦片裂纹检测系统。选取MobileNetv3网络的前16层替换YOLO-DUAL中的CSPDarkNet53主干特征提取网络，将新增模块加入到YOLO-MDUAL模型的特征提取阶段。之后基于wx-tools轻量级开发框架，将训练好的YOLO-MDUAL模型权重及参数进行移植整合，实现了移动端高铁摩擦片裂纹检测系统。改进后的模型对比YOLO-DUAL模型将参数数量从6300万降到了3200万，同时网络的实时检测速度提升2.29倍，最终满足在算力较低的硬件设备中实时应用。 |
| 作者： | 张景博 |
| 专业： | 计算机技术 |
| 导师： | 汪日伟;李胜利 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
