一种基于深度学习网络的钢轨表面缺陷检测方法技术

本发明专利技术属于深度学习领域，提供了一种基于深度学习网络的钢轨表面缺陷检测方法，目的在于解决现有钢轨检测方法存在的各种问题。该深度学习方法首先将输入的钢轨图像自动重置为416*416，接着进行图像提取和处理输出。图像提取主要由Darknet‑53模型完成。处理输出主要由类FPN网络模型完成。图像提取首先将钢轨图像划分单元格，根据缺陷在单元格的位置，通过维度聚类的方法计算缺陷的宽高，中心点的坐标，将坐标归一化处理。同时使用逻辑回归来预测边界框对象分数，使用二元交叉熵损失来预测边界框包含的类别，计算置信度，然后经过处理输出中的卷积，上采样，网络特征融合得到预测结果。本发明专利技术可以准确的识别缺陷，有效提高钢轨表面缺陷检测识别率。

【技术实现步骤摘要】
一种基于深度学习网络的钢轨表面缺陷检测方法
本专利技术属于深度学习领域，尤其涉及一种基于深度学习网络的钢轨表面缺陷检测方法。
技术介绍
随着我国铁路事业的兴盛，运营的里程、速度、密度不断增加,对钢轨的检测要求进一步提高。列车在钢轨上行驶时,会与钢轨内表面产生摩擦、滚动接触、弹塑形变。日积月累,便会使钢轨表面产生缺陷,其表现形式为轨面磨损、压溃，剥离，波浪磨损、纵横裂型核伤等现象，严重影响甚至危及到乘客的安全。因此,为了铁路更加安全，快速的行驶，为了增加乘客的安全感与舒适度，对钢轨表面缺陷的检测就显得极为重要。传统的钢轨表面缺陷检测方法就是采用人工检查的方式。但这种方式存在着效率低、耗时耗力，通常主观且不产生可审计视觉记录等诸多问题。目前针对钢轨表面缺陷检测的方法有很多，如三维检测，超声波探伤检测，电涡流检测，地穿雷达，数字图像处理等。这些方法虽然能够达到检测的目的，但是由于各种外部干扰，其信号难以处理并可能导致检测盲点。而且，这些方法在实时性方面并没有达到理想的效果。因此它们对于钢轨表面缺陷的检测仍有着很大的进步空间。因此，目前需要选择一种更好的方法来解决上述存在的问题，从而能够更为本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的钢轨表面缺陷检测方法，其特征在于，包括如下步骤：步骤一：收集钢轨图像，其中一部分钢轨图像手动标注钢轨缺陷位置，制作钢轨缺陷训练集，另一部分未标注钢轨缺陷位置的钢轨图像作为测试样本集。步骤二：训练深度学习神经网络模型；步骤三：将钢轨缺陷训练集输入到深度学习神经网络模型中，网络进行梯度更新，深度学习神经网络模型不断学习钢轨缺陷的特征；步骤四：当深度学习神经网络模型的loss训练到0.1±0.09且达到收敛时，训练过程结束，对钢轨缺陷训练集和测试样本集的样本进行检测，输出测试样本集的测试准确率；步骤五：对钢轨缺陷训练集和测试样本集的准确率进行比较；若准确率低于期望值，则更改...

【技术特征摘要】
1.一种基于深度学习网络的钢轨表面缺陷检测方法，其特征在于，包括如下步骤：步骤一：收集钢轨图像，其中一部分钢轨图像手动标注钢轨缺陷位置，制作钢轨缺陷训练集，另一部分未标注钢轨缺陷位置的钢轨图像作为测试样本集。步骤二：训练深度学习神经网络模型；步骤三：将钢轨缺陷训练集输入到深度学习神经网络模型中，网络进行梯度更新，深度学习神经网络模型不断学习钢轨缺陷的特征；步骤四：当深度学习神经网络模型的loss训练到0.1±0.09且达到收敛时，训练过程结束，对钢轨缺陷训练集和测试样本集的样本进行检测，输出测试样本集的测试准确率；步骤五：对钢轨缺陷训练集和测试样本集的准确率进行比较；若准确率低于期望值，则更改深度学习神经网络模型的参数，重复步骤一到四，直到测试的准确率达到期望值或高于期望值。2.如权利要求1所述的基于深度学习网络的钢轨表面缺陷检测方法，其特征在于，所述步骤一中，使用labelimg软件来对钢轨缺陷图像进行手动标注即画出的实际边界框；标注的结果是分别得到了三种格式的文件：lxml，jpg，txt；其中lxml是生成的标签的宽高的信息，jpg指钢轨图像，txt是一种包括类别，边界框的宽高及中心点坐标的文本文件。3.如权利要求1所述的基于深度学习网络的钢轨表面缺陷检测方法，其特征在于，所述深度学习神经网络模型为YOLOv3网络，包括输入层，隐藏层，输出层组成；输入层用于输入图像；隐藏层包括1*1与3*3...

【专利技术属性】
技术研发人员：张辉，宋雅男，刘理，钟杭，梁志聪，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南,43