基于图像增强与深度学习的钢轨表面缺陷检测

• 作者: 罗晖 徐广隆
• 来源期刊: 铁道科学与工程学报
• 关键词: 钢轨表面缺陷检测 机器视觉 目标检测 图像增强 卷积神经网络
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 轨道与基础|Track and Foundation
• 页码范围: 623-629
• 页数: 7页
• 分类号: U216.3
• 语种: 中文
• DOI: 10.19713/j.cnki.43-1423/u.T20200388

摘要

相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低.针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法.首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别.通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87％,92.75％和91.52％,检测速度为每张图像0.265 s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中.