基于圖像識(shí)別的鐵路貨車軸承缺陷識(shí)別方法研究

宋春雪 趙國(guó)榮 呂珊 高一方 郭鵬飛

摘要：目前，鐵路貨車軸承檢修時(shí)采用黑磁粉探傷技術(shù)，依賴探傷人員人工排查軸承表面缺陷，這種排查方式人工成本高，工作效率低，誤檢、漏檢嚴(yán)重。近年來(lái)，深度學(xué)習(xí)技術(shù)在表面損傷檢測(cè)和識(shí)別領(lǐng)域廣泛應(yīng)用，使得檢測(cè)精度和工作效率大大提升。論文在構(gòu)建鐵路貨車軸承缺陷數(shù)據(jù)庫(kù)的基礎(chǔ)上，進(jìn)行了數(shù)據(jù)預(yù)處理和數(shù)據(jù)增強(qiáng)，提出一種新的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型，該模型在識(shí)別率上具有一定的優(yōu)勢(shì)。

關(guān)鍵詞：鐵路貨車;滾動(dòng)軸承;表面缺陷檢測(cè);卷積神經(jīng)網(wǎng)絡(luò)

隨著人工智能的發(fā)展，視覺檢測(cè)技術(shù)被廣泛應(yīng)用于工業(yè)檢測(cè)領(lǐng)域，在部分崗位上已經(jīng)取代人工作業(yè)，很大程度上提高了生產(chǎn)效率[1]。因此，研發(fā)鐵路貨車軸承黑磁粉探傷自動(dòng)檢測(cè)設(shè)備，代替人工識(shí)別缺陷，不僅可以降低人員勞動(dòng)強(qiáng)度和人員培訓(xùn)成本，同時(shí)能夠保證軸承探傷缺陷識(shí)別的工作效率和準(zhǔn)確率，是未來(lái)發(fā)展的趨勢(shì)與熱點(diǎn)。本文將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到鐵路貨車軸承黑磁粉探傷中，為實(shí)現(xiàn)自動(dòng)檢測(cè)提供技術(shù)上的支持。

1圖像預(yù)處理

1.1數(shù)據(jù)采集

數(shù)據(jù)采集是直接在軸承探傷過(guò)程中進(jìn)行的。缺陷在磁粉聚集狀態(tài)下，顯示明顯[2]。采集數(shù)據(jù)時(shí)，采用的攝像設(shè)備為Canon EOS M200數(shù)碼相機(jī)，白光燈的照度與現(xiàn)行的軸承探傷白光燈照度一致，在500 lx下進(jìn)行的拍攝，拍攝要求是鏡頭與缺陷所在平面保持平行，鏡頭與軸承表面距離約為15 cm左右，將采集完成的缺陷傳輸?shù)接?jì)算機(jī)進(jìn)行圖像處理。

1.2數(shù)據(jù)清洗與整理

采集的數(shù)據(jù)通常包含圖像噪聲大、數(shù)據(jù)缺失、數(shù)據(jù)不規(guī)則等特點(diǎn)，因此需要進(jìn)行數(shù)據(jù)的整理與清洗工作。主要進(jìn)行了以下幾部分工作。

（1）將相似度比較高的缺陷圖片人工篩查，實(shí)現(xiàn)去重處理。

（2）將反光嚴(yán)重，影響缺陷顯示的圖片數(shù)據(jù)人工刪除。

（3）對(duì)所有數(shù)據(jù)進(jìn)行維納濾波，實(shí)現(xiàn)所有數(shù)據(jù)的圖像去噪。

（4）采用自動(dòng)閾值分割，配合多次數(shù)學(xué)形態(tài)學(xué)中的運(yùn)算方法進(jìn)行缺陷的提取。對(duì)于復(fù)雜的圖片配合圖像處理軟件GIMP提取出所有缺陷的二值圖像，保證缺陷的二值圖像提取準(zhǔn)確。

2數(shù)據(jù)集生成

數(shù)據(jù)由鐵路貨車軸承探傷缺陷原圖和缺陷的標(biāo)簽圖兩部分構(gòu)成。首先將圖片設(shè)置為統(tǒng)一像素大小，為防止內(nèi)存溢出，將原圖與標(biāo)簽圖分別切割成256×256像素大小，為了避免邊緣信息丟失，切割時(shí)窗口重疊尺寸為64。切割從左到右，自上而下依次切割。每幅圖片可以切割353幅小圖片。數(shù)據(jù)切割后，得到的數(shù)據(jù)集不均衡，對(duì)切割后的圖片挑選出存在白色目標(biāo)的圖片與缺陷原圖，最終得到包含缺陷的數(shù)據(jù)為604幅。

3基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的軸承探傷缺陷識(shí)別

3.1實(shí)驗(yàn)?zāi)Ｐ?/p>

本文建立的改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)模型包含編碼層和解碼層，能夠?qū)崿F(xiàn)端到端的訓(xùn)練。主要包含如下幾點(diǎn)。

（1）編碼層部分，包含五層，每層網(wǎng)絡(luò)包含兩次3×3的雙卷積操作，加強(qiáng)對(duì)不同尺度特征學(xué)習(xí)的能力。

（2）在編碼層部分，對(duì)每一層的輸入都進(jìn)行上下兩次雙卷積策略后，然后對(duì)上下兩層的卷積輸出加入密集卷積網(wǎng)絡(luò)，對(duì)應(yīng)的上層與之前所有層的上層進(jìn)行相互連接，對(duì)應(yīng)的下層與之前所有下層相互連接，雙密集網(wǎng)絡(luò)的加入，實(shí)現(xiàn)了軸承缺陷特征的進(jìn)一步利用，減少冗余參數(shù)的使用，同時(shí)防止梯度消失問(wèn)題的發(fā)生。

（3）特征融合。雙密集策略后，將兩層的特征進(jìn)行融合。

（4）每層之間利用2×2的最大池化操作進(jìn)行采樣，一共包含四次下采樣，四次上采樣。

（5）編碼層與解碼層相對(duì)應(yīng)的層進(jìn)行了跳層連接。

（6）引入全局最大池化策略。在編碼層的最后，將每一層的輸入與第五層的輸出，分別進(jìn)行全局最大池化策略，該策略通過(guò)最大池化的轉(zhuǎn)移不變性，保留了各層特征的原始特征，然后將所的特征進(jìn)行融合。

（7）引入殘差網(wǎng)絡(luò)。在解碼器層中，將編碼器各層與其對(duì)應(yīng)解碼器層各層特征融合，在每層都引入了殘差策略，進(jìn)一步實(shí)現(xiàn)了深層特征的融合，防止特征在逐層網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的損失或丟失，保證了特征的完整性。

（8）同時(shí)，為了防止梯度的彌散問(wèn)題，在每層的最后，加入了批量規(guī)范化，從而提高了模型的泛化能力，加速網(wǎng)絡(luò)的收斂。

3.2實(shí)驗(yàn)結(jié)果

利用本文的網(wǎng)絡(luò)模型進(jìn)行對(duì)鐵路貨車缺陷軸承缺陷數(shù)據(jù)集的訓(xùn)練與驗(yàn)證，結(jié)果變化曲線如圖1。

由結(jié)果可知，使用本文改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行網(wǎng)絡(luò)驗(yàn)證時(shí)，一開始便具有很高的準(zhǔn)確率，在95%以上，損失值在0.2%以下。迭代次數(shù)為10次左右時(shí)，準(zhǔn)確率與損失值趨于穩(wěn)定，準(zhǔn)確率最高達(dá)98.72%，損失值在0.02%以下。無(wú)過(guò)擬合和振蕩現(xiàn)象。

4結(jié)論

本文提出一種改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)鐵路貨車軸承缺陷進(jìn)行檢測(cè)，編碼層采用雙密集網(wǎng)絡(luò)、雙卷積網(wǎng)絡(luò)、全局最大池化來(lái)進(jìn)行特征的提取與加深，解碼層通過(guò)單層卷積操作與殘差網(wǎng)絡(luò)完善特征信息，減少特征消失。通過(guò)實(shí)驗(yàn)結(jié)果表明，本文建立的改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)模型運(yùn)用于鐵路貨車軸承缺陷識(shí)別當(dāng)中可以得到很高的識(shí)別準(zhǔn)確率，識(shí)別效果也較好。有望解決鐵路貨車軸承探傷缺陷檢測(cè)中，人工識(shí)別的這一難題。

參考文獻(xiàn)：

[1]李建文.磁粉探傷缺陷識(shí)別自動(dòng)化系統(tǒng)設(shè)計(jì)與開發(fā)[D].南京：南京理工大學(xué)，2012.

[2]楊羿，張建東，李昊.鋼結(jié)構(gòu)橋梁焊接無(wú)損檢測(cè)技術(shù)應(yīng)用及發(fā)展[J].輕工科技，2020，36（12）：70-71+114.