基于Faster R-CNN算法的列车轴承表面缺陷检测研究

• 作者: 石炜 李嘉楠 张惠丽 黄迎久
• 来源期刊: 机床与液压
• 关键词: 深度学习 缺陷检测 图像增广 卷积神经网络
• 年，卷（期）: 2021,（11）
• 所属期刊栏目: 试验与研究|TEST & RESEARCH
• 页码范围: 103-108
• 页数: 6页
• 分类号: TH133.3|TP183|TN911.73
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3881.2021.11.021

摘要

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测.建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较.试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03％、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73％、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求.