10.19713/j.cnki.43-1423/u.T20200388
基于图像增强与深度学习的钢轨表面缺陷检测
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.
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
18
U216.3(铁路线路工程)
国家自然科学基金资助项目61261040
2021-04-23（万方平台首次上网日期，不代表论文的发表时间）
共7页
623-629
