详情

原文传递基于机器视觉的钢轨表面缺陷检测方法研究

论文题名：	基于机器视觉的钢轨表面缺陷检测方法研究
关键词：	钢轨表面;缺陷检测;多尺度卷积;可变形卷积;注意力机制
摘要：	铁路作为国家战略性、先导性的重要交通基础设施，是国家区域发展引擎以及综合交通运输体系骨干。随着铁路列车运行速度、运营密度和载重量的增长，钢轨表面与列车车轮之间的摩擦不断增大，从而增大了钢轨表面出现缺陷的概率。钢轨表面缺陷的存在轻则影响旅客出行的体验感，重则产生安全隐患，甚至引起铁路交通事故。所以，对钢轨表面缺陷进行准确检测并及时维护十分重要。　　目前用于钢轨表面缺陷检测的方法难以适应钢轨复杂的服役环境，本文针对钢轨表面图像在被噪声污染条件下难以有效降噪的问题，以及污渍导致误检测和缺陷形状不一导致难以准确检测的问题展开研究，并开发钢轨表面缺陷检测系统，主要内容如下：　　（1）为解决钢轨表面缺陷图像降噪依赖人工设置参数和缺陷边缘模糊的问题，提出基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪方法。首先采用多尺度卷积提取和学习含噪图像的特征，克服单尺度卷积特征提取不够精细导致边缘模糊的问题；其次利用跳跃连接融合网络深层特征和浅层特征，强化浅层特征的影响；然后利用注意力机制调节特征在空间不同位置的权重，筛选出能够表征噪声的特征，得到噪声信息；最后，采用重建模块去除含噪图像的噪声信息，实现端到端的图像降噪。实验结果从定性和定量角度证明所提方法不仅降噪效果更好，且更有效地保留了缺陷边缘信息。　　（2）考虑钢轨表面缺陷检测时污渍导致误检测和缺陷形状不一导致难以准确检测的问题，提出了一种基于改进YOLOv7的钢轨表面缺陷检测方法。首先在构建数据集时添加包含污渍的钢轨图像作为负样本，利用标签差异使网络学习区分缺陷和污渍的特征，克服缺陷检测时将污渍误检为缺陷的问题；其次将可实现语义信息和细节信息融合的YOLOv7作为基础构建模型，使用可变形卷积替换网络中的普通卷积，利用其为卷积采样点添加偏置的能力，增强网络对缺陷几何形变的适应能力；同时将通道注意力机制嵌入网络中，利用其为不同通道特征加权的特点，使网络提取特征信息时考虑不同通道的重要性，增强模型对缺陷特征的提取能力；最后，依据构建的改进YOLOv7网络实现端到端钢轨表面缺陷检测。实验结果证明了所提方法的有效性和可行性。　　（3）结合钢轨表面图像特点和机器视觉缺陷检测流程，分析钢轨表面缺陷检测系统的功能需求，进行基于机器视觉的钢轨表面缺陷检测系统总体方案的设计和功能实现。软件能实现数据采集、数据管理、数据标注、数据集划分、降噪模型训练和应用、检测模型训练和应用、检测结果统计和人工核查的功能，为降噪方法和检测方法实际应用提供了借鉴。　　论文的末尾对全篇工作进行了总结，阐述现有方法仍存在的不足，并对后续的相关研究进行了展望。
作者：	潘升
专业：	机械工程
导师：	陈仁祥
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023