原文传递
基于深度学习的钢轨表面缺陷识别算法研究
| 论文题名： | 基于深度学习的钢轨表面缺陷识别算法研究 |
| 关键词： | 钢轨表面缺陷;模型压缩;深度学习;YOLOv3-SPP软件 |
| 摘要： | 钢轨作为铁路轨道的基础设施，承受着来自列车的巨大压力，并且将压力传到轨枕、道床上，除此之外还起着引导列车前进方向的作用，因此必须及时维护、检修钢轨，使其保证良好的状态，以便列车安全运行。受环境因素、工人经验影响，传统的钢轨表面缺陷识别方式容易产生漏检、误检等情况，很难达到快速、准确、实时检测的要求。针对以上问题，本文首先对比了三种经典基于深度学习的目标识别算法，并且对钢轨表面缺陷数据集进行训练和测试；其次使用K-means算法对YOLOv3-SPP网络的先验框进行聚类优化；最后采用基于BN(BatchNormalization)层稀疏化的模型压缩方法对优化后的YOLOv3-SPP钢轨表面缺陷识别模型进行压缩。压缩后的钢轨表面缺陷识别模型的均值平均精度(meanAveragePrecision,mAP)达到了90.5%，且在边缘计算设备上的识别速度有了极大的提高。本文的主要研究内容如下： (1)对比了三种经典的目标识别算法FasterR-CNN、SSD(SingleShotMultiBoxDetecton)、YOLOv3-SPP的网络结构及特点。使用Python语言、Pytorch框架搭建了三种经典网络，建立了钢轨表面缺陷数据集，并且测试了三种识别算法的性能。综合识别速度和mAP指标，选取YOLOv3-SPP算法进行优化。依据钢轨表面缺陷的特点，使用K-means算法对钢轨缺陷标注框的大小重新聚类，将聚类结果作为YOLOv3-SPP算法的先验框。优化后的YOLOv3-SPP钢轨缺陷识别算法的mAP为90.7%。 (2)对优化后的YOLOv3-SPP钢轨缺陷识别模型进行了压缩。针对优化后的YOLOv3-SPP钢轨表面缺陷识别模型的参数冗余、占用计算资源多的情况，导致模型识别速度慢的问题，在BN层稀疏化的基础上，使用尺度因子γ作为卷积核对结果贡献的度量，分别进行了模型的通道剪枝和层剪枝，并且采用了三种不同的知识蒸馏策略对剪枝模型进行微调训练。剪枝85%的通道和8个残差模块的钢轨缺陷识别模型，完成微调后，mAP为90.5%，达到了原模型的性能，单张图片推理时间为10.3ms，相比原模型时间缩短了63%，权重文件压缩到了11.4MB，比原模型权重文件减小了227.6MB。 (3)使用TensorRT进一步加速剪枝模型。TensorRT使用了网络融合算法，并且使用了半精度数据类型(Half-PrecisionFloating-Point,FP16)代替单精度浮点数(Single-PrecisionFloating-Point,FP32)。85%通道剪枝和8个残差结构的剪枝模型，在边缘计算设备JetsonAGXXaiver上，通过TensorRT加速后，单张图片的推理时间为24.3ms。钢轨表面缺陷识别模型的速度有了进一步的提升，能够满足钢轨表面缺陷实时识别的要求。 |
| 作者： | 吴文俊 |
| 专业： | 车辆工程 |
| 导师： | 刘二林;张永理 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
