CN109064462A - 一种基于深度学习的钢轨表面缺陷检测方法 - Google Patents

一种基于深度学习的钢轨表面缺陷检测方法 Download PDF

Info

Publication number
CN109064462A
CN109064462A CN201810885515.2A CN201810885515A CN109064462A CN 109064462 A CN109064462 A CN 109064462A CN 201810885515 A CN201810885515 A CN 201810885515A CN 109064462 A CN109064462 A CN 109064462A
Authority
CN
China
Prior art keywords
layer
pond
training
batch
convolutional layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810885515.2A
Other languages
English (en)
Inventor
张辉
宋雅男
刘理
钟杭
梁志聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201810885515.2A priority Critical patent/CN109064462A/zh
Publication of CN109064462A publication Critical patent/CN109064462A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的钢轨表面缺陷检测方法，本发明克服了传统非智能化的钢轨表面缺陷检测方法，结合深度学习的研究成果，提出运用基于语义分割的钢轨表面缺陷检测，可用于无损、无接触检测。描述采集的钢轨表面图像被制作成钢轨数据集送入到设计的神经网络中，运用基于语义分割的自定义网络训练学习，最终得到训练完成的网络，用于钢轨表面缺陷图像检测并标记缺陷区域，结合后端的图像处理技术获取缺陷轮廓，可进行智能识别，达到高精度检测、减少人工干预的目的。

Description

一种基于深度学习的钢轨表面缺陷检测方法
技术领域
本发明利用图像处理领域，尤其涉及一种基于深度学习的钢轨表面缺陷检测方法。
背景技术
目前，关于我国钢轨表面缺陷检测普遍使用方法有人工检测法、涡流线圈检测和超声波检测等。但是这些方法存在弊端，检测工作耗费大量的人力物力，最终的检测结果需要人工处理作出判断。考虑到超声波检测与涡流线圈检测会与钢轨表面缺陷产生接触可能发生物理与化学的变化，进一步扩大了缺陷的区域。因此需要对其进行改进。
名词解释：
1.RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。
2.CRF算法即条件随机场算法。
发明内容
本发明公开了一种基于深度学习的钢轨表面缺陷检测方法，本发明克服了传统非智能化的钢轨表面缺陷检测方法，结合深度学习的研究成果，提出运用基于语义分割的钢轨表面缺陷检测，可用于无损、无接触检测。描述采集的钢轨表面图像被制作成钢轨数据集送入到设计的神经网络中，运用基于语义分割的自定义网络训练学习，最终得到训练完成的网络，用于钢轨表面缺陷图像检测并标记缺陷区域，结合后端的图像处理技术获取缺陷轮廓，可进行智能识别，达到高精度检测、减少人工干预的目的。
一种基于深度学习的钢轨表面缺陷检测方法，包括如下步骤：
步骤一、制作数据集：
采集钢轨表面图像；定义钢轨缺陷的标准，并使用图像编辑软件将缺陷的区域用一种颜色表示，非缺陷区域用另一种颜色表示；在卷积神经网络中训练使用的标签数据集里定义RGB值来赋予其物理意义；钢轨缺陷标准，如下：1.裂缝状的缺陷：分布特性是垂直或者水平出现在钢轨表面，呈现距离长，宽度小的特性，与反光的阴影带有明显的区别，颜色与钢轨本体表面存在色差；2.规则圆的缺陷：分布特性随机，呈现偏圆形的内凹状，如同一个个小洞口，颜色与钢轨本体表面存在色差；3.不规则状：分布特性是随机的，呈现不规则状，既有小的缺陷也有大的缺陷；小的缺陷与大的缺陷是交错设置；4.模糊状缺陷：随机分布，形状也是随机，偏向内凹；
步骤二、设计训练网络：采用SegNet网络结构设计构建训练用的卷积神经网络结构；
步骤三：设定训练参数：采用随机梯度下降算法和反向传播算法计算训练网络各节点的权重值，离线训练深度神经网络模型；
步骤四、构建数据集及训练设置：
对获得的钢轨表面图像，随机从所有图像中挑选一部分为训练集，一部分为测试集，进行训练；在训练时，将训练集数据进行训练数据集增强处理：将图片像素在水平方向移动10个像素点，以及在垂直方向上同样移动10个像素点以增强训练数据的泛化能力，同时满足小样本数据训练能够获得最大的训练效果；得到训练网络模型；
步骤五、测试图片的后端处理：
当训练完成后，将待检测的钢轨表面缺陷图像加入训练网络模型检测，得到钢轨表面缺陷的粗糙分割区域；接着使用CRF算法对粗分割的钢轨表面图像进行细分割：
CRF算法符合吉布斯分布，如式(1)所示。
式(1)中，E(x|I)是能量函数，由式(2)的两部分组成分别是一元势函数与二元势函数；x表示输出的标记序列，I表示输入的观测序列；Z()表示规范化因子；P()表示条件随机场；
E(x)＝∑iψu(xi)+∑i＜jψp(xi，xj) (2)
其中，ψu(xi)表示像素i分割成xi的能量，i表示像素点i，j表示像素点j，u表示一元能量函数，p表示二元能量函数；xi表示像素i的标签，xj表示像素j的标签；ψp(xi，xj)表示像素点i，j同时分割成xi，xj的能量；
一元势函数∑iψu(xi)是来自设计网络前端输出，E(x|I)的二元势函数构造如式(3)所示。
m表示m阶矩阵，标记x的取值个数，w()表示权值；表示高斯权重项，用于衡量像素点i，j的特征向量相似度；fi表示i的特征向量；fj表示j的特征向量；u()表示两个标签之间的兼容性度量；其中二元势函数的定义与颜色值和真实空间距离相关，颜色值或真实空间距离的相似度高于设定阈值的像素赋予相同的标签，否则赋予不同的标签；得到钢轨表面缺陷结果。
进一步的改进，还包括步骤六、测试模型性能评估：通过测试模型对钢轨表面缺陷图像正确分类的像素的数量与像素总数相比进行测试模型性能评估。
进一步的改进，所述步骤二中卷积神经网络的构建步骤如下所示：整个卷积神经网络结构一共经过5次编码和5次译码。
第一次编码：按照网络设计顺序图像的训练依次经过：输入层-卷积层批量归一化层-Relu层-卷积层-最大池化层；输入层的输入大小为1250×55×3；卷积层的滤波器大小设定3×3，滤波器数目设定64，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；其中将最大池化层的池化系数和池化维度储存；其中池化系数记录着执行最大池化的图像像素区域位置，池化维度即记录着输入池化前的图像的维度；然后进入第二次编码；
第二次编码，按照网络设计顺序图像的训练依次经过卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；卷积层的滤波器大小设定3×3，滤波器数目设定128，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；然后进入第三次编码。
第三次编码，按照网络设计顺序图像的训练依次经过卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；卷积层的滤波器大小设定3×3，滤波器数目设定256，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；然后进入第四次编码；
第四次编码，按照网络设计顺序图像的训练依次经过卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；其中卷积层的滤波器大小设定3×3，滤波器数目设定512，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；接着进入第五次编码。
第五次编码，按照网络设计顺序图像的训练依次经过卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；卷积层的滤波器大小设定3×3，滤波器数目设定512，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；
五次编码后，接着进入五次译码。
第一次译码，将第五次编码储存的池化系数和池化维度信息分享到最大反池化层并按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层额滤波器数目设为：512，滤波器大小为：3×3，填充设定为1；
第二次译码，将第四次编码储存的池化系数和池化维度信息分享到最大反池化层，按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层的滤波器数目设为：512，滤波器大小为：3×3，填充设定为1；
第三次译码，将第三次编码储存的池化系数和池化维度信息分享到最大反池化层，按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层的滤波器数目设为：256，滤波器大小为：3×3，填充设定为1；
第四次译码，将第二次编码储存的池化系数和池化维度信息分享到最大反池化层；按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层的滤波器数目设为：128，滤波器大小为：3×3，填充设定为1；
第五次译码，将第一次编码储存的池化系数和池化维度信息分享到最大反池化层；按照网络设计顺序图像训练依次经过最大反池化层-卷积层(滤波器数目设为：64，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定2，填充设定为1)-批量归一化层-Relu层-输出层；卷积层的滤波器数目设为：64，滤波器大小为：3×3，填充设定为1；然后使用softmax函数对输出层的输出结果处理，分成缺陷与非缺陷两类，同时加入像素分类层用于钢轨表面缺陷图像进行粗糙分割。
简单来说步骤如下：
步骤S1、制作训练数据集，只保留钢轨表面区域，其余非钢轨区域剔除，并且将数据尺寸设定为1250×55×3。
步骤S2、制作标签数据集，制作的方法是根据缺陷分类规则将缺陷标记出来，将缺陷区域用黄色(RGB:255,255,0)标记，非缺陷区域用(RGB:0,0,0)标记。
步骤S3、构建深度卷积神经网络训练，利用制作的数据集(训练数据集与标签数据集)和根据数据集设置训练参数，再进行神经网络的权重训练，得到所需的而训练模型。
步骤S4、得到所述的训练模型后，将待检测的钢轨表面图像使用已训练好的模型进行检测，可得到粗糙的分割图像。
步骤S5、上述的过程属于前端处理，在后端使用CRF对经过神经网络检测的图像进行再次处理，可得到细致的分割图像，最终将钢轨表面缺陷实现轮廓的精准识别。
在另一种优选实现方式中，在训练阶段所采用的目标物图像包括不同光照、不同形态的缺陷目标。
在另一种优选实现方式中，所述步骤S3从所有图片中随机挑选80％的图片作为训练集，20％作为测试集，加入到构建的卷积神经网络中训练。
在另一种优选实现方式中，采用如下方式构建深度卷积神经网络：
整个卷积神经网络结构一共经过5次编码和5次译码。
第1次编码结构如下：
A:构建卷积神经网络的输入层，将预定尺寸为1250×55×3的钢轨表面训练图像和标签图像输入到卷积神经网络，作为网络的输入层；
B:根据输入层尺寸大小，构建卷积层，卷积的滤波器数目为64，滤波器大小为3×3；
C:构建批量归一化层(Batch Normalization Layer)；
D:构建激活函数层，选择使用Relu层；
E:重复B、C和D步骤，继续对卷积层、批量归一化层和Relu层分别都构建2层；
F:构建最大池化层，池化大小为：3，步长设定为2，目的是将图像缩小2倍，增加维度，提取特征。同时还会储存池化系数和池化维度，其中池化系数记录着执行最大池化的图像像素区域位置，池化维度即记录着输入池化前的图像的维度。接着进入第2次编码结构。
第2次编码结构如下：
A:构建卷积层，卷积的滤波器数目为128，滤波器大小为3×3；
B:构建批量归一化层；
C:构建Relu层；
D:重复A、B和C步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层；
E:构建最大池化层，池化大小为：3，步长设定为2，图像缩小2倍，增加维度，储存池化系数和池化维度。接着进入第3次编码结构。
第3次编码结构如下：
A:构建卷积层，卷积的滤波器数目为256，滤波器大小为3×3；
B:构建批量归一化层；
C:构建Relu层；
D:重复A、B和C步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层；
E:构建最大池化层，池化大小为：3，步长设定为2，图像缩小2倍，增加维度，储存池化系数和池化维度。接着进入第4次编码结构。
第4次编码结构如下：
A:构建卷积层，卷积的滤波器数目为512，滤波器大小为3×3；
B:构建批量归一化层；
C:构建Relu层；
D:重复A、B和C步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层；
E:构建最大池化层，池化大小为：3，步长设定为2，图像缩小2倍，增加维度，储存池化系数和池化维度。接着进入第5次编码结构。
第5次编码结构如下：
A:构建卷积层，卷积的滤波器数目为512，滤波器大小为3×3；
B:构建批量归一化层；
C:构建Relu层；
D:重复A、B和C步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层；
E:构建最大池化层，池化大小为：3，步长设定为2，图像缩小2倍，增加维度，储存池化系数和池化维度。接着进入第1次译码结构。
网络训练的特征提取经过5次编码后，进入5次译码。
第1次译码结构如下：
A:构建最大反池化层，把已缩小的图像扩大2倍，同时将第5次编码储存的池化系数和池化维度信息分享到最大反池化层，目的是根据池化系数将图像扩大的位置是执行池化时对应的区域；
B:构建卷积层，将滤波器数目设为：512，滤波器大小为：3×3；
C:构建批量归一化层；
D:构建Relu层；
E:重复B、C和D步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层。接着进入第2次译码结构。
第2次译码结构如下：
A:构建最大反池化层，把已缩小的图像扩大2倍，同时将第4次编码储存的池化系数和池化维度信息分享到最大反池化层，目的是根据池化系数将图像扩大的位置是执行池化时对应的区域；
B:构建卷积层，将滤波器数目设为：512，滤波器大小为：3×3；
C:构建批量归一化层；
D:构建Relu层；
E:重复B、C和D步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层，其中最后那次卷积层的滤波器数目设定为：256。接着进入第3次译码结构。
第3次译码结构如下：
A:构建最大反池化层，把已缩小的图像扩大2倍，同时将第3次编码储存的池化系数和池化维度信息分享到最大反池化层，目的是根据池化系数将图像扩大的位置是执行池化时对应的区域；
B:构建卷积层，将滤波器数目设为：256，滤波器大小为：3×3；
C:构建批量归一化层；
D:构建Relu层；
E:重复B、C和D步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层，其中最后那次卷积层的滤波器数目设定为：128。接着进入第4次译码结构。
第4次译码结构如下：
A:构建最大反池化层，把已缩小的图像扩大2倍，同时将第2次编码储存的池化系数和池化维度信息分享到最大反池化层，目的是根据池化系数将图像扩大的位置是执行池化时对应的区域；
B:构建卷积层，将滤波器数目设为：128，滤波器大小为：3×3；
C:构建批量归一化层；
D:构建Relu层；
E:重复B、C和D步骤，继续对卷积层、批量归一化层和Relu层分别都构建3层，其中最后那次卷积层的滤波器数目设定为：64。接着进入第5次译码结构。
第5次译码结构如下：
A:构建最大反池化层，把已缩小的图像扩大2倍，同时将第1次编码储存的池化系数和池化维度信息分享到最大反池化层，目的是根据池化系数将图像扩大的位置是执行池化时对应的区域；
B:构建卷积层，将滤波器数目设为：64，滤波器大小为：3×3；
C:构建批量归一化层；
D:构建Relu层；
E:重复B、C和D步骤，继续对卷积层、批量归一化层和Relu层分别都构建2层，其中最后那次卷积层的滤波器数目设定为：2；
F:构建输出层，使用softmax函数对输出结果处理，分成缺陷与非缺陷两类，同时加入像素分类层(Pixel Classification Layer)，用于钢轨表面缺陷图像进行粗糙分割。
至此卷积神经网络的结构设计完成。
技术效果
本发明较传统的方法有较大的提升，并且有十分重要的意义。首先，由于本方法训练阶段使用的数据集包含了不同光照条件下的各种缺陷形态目标，训练的数据较全面和均衡，所以算法具有较强的鲁棒性，有一定的抗干扰能力；其次，基于钢轨表面缺陷的数据集，申请人设计了一个合适该数据集的网络，并且测试时缺陷区域的特征提取有较好的表现，关于缺陷的区域都能识别出来，进行粗糙的分割，自动寻找到缺陷处；再次，申请人针对训练网络识别得到的粗糙分割缺陷图像，选择结合CRF的处理方法将输入图像和分割图像进行再处理，最终得到精准的分割轮廓，将缺陷自动被有效地识别出来。本算法全面地降低了错误率和增强了检测的精度，能大大较低企业的成本，提高了检测的效率。
附图说明
图1为本发明的技术方案图
图2为钢轨表面缺陷识别算法图
图3为数据集的部分样图
图4为钢轨表面缺陷识别软件
图5为设计的训练网络结构图
图6为训练过程图
图7为训练过程表
图8为训练模型与后端处理效果评估
图9为部分测试结果展示图。
具体实施方案
步骤1，制作数据集：
首先需要进行网络训练：现场采集的钢轨表面图像，需要制作成所需的数据集进行统一处理，包括训练数据集与标签数据集。训练数据集是钢轨本体，其他的背景区域如铁路轨道的枕木和石头等需要在获取的现场图像中去除，仅对钢轨本体进行检测。综合考虑数据训练时间，需要将钢轨本体图像大小设定为1250×55(长×宽，单位：像素)最为合适。
标签数据集的制作，建立了定义钢轨缺陷的标准，使用图像编辑软件将缺陷的区域划定为黄色区域(RGB:255,255,0)，其余非缺陷区域划定为黑色区域(RGB:0,0,0)，在卷积神经网络中训练使用的标签数据集里定义RGB值来赋予其物理意义(即所表示的RGB:0,0,0是非缺陷区域；RGB:255,255,0是缺陷区域)，如图3所示。
关于在制作标签数据集中定义钢轨缺陷标准，作出以下规定：裂缝状的缺陷，分布特性是垂直或者水平出现在钢轨表面居多，一般呈现距离长，宽度小的特性，特别与反光的阴影带有明显的区别，颜色与钢轨本体表面存在鲜明的色差；规则圆的缺陷，分布特性是随机的，一般呈现偏圆形的内凹状，如同一个个小洞口，颜色与钢轨本体表面存在鲜明的色差；不规则状，分布特性是随机的，呈现不规则状既有小的缺陷也有大的缺陷是交错的，在颜色上缺陷处相对会比较深、偏暗。微小状缺陷，随机分布，形状上微小但是最大的特性是颜色偏暗，类似细小的斑点。模糊状缺陷，随机分布，形状也是随机，但是偏向内凹造成的原因是属于挤压产生的新缺陷，因为颜色与钢轨本体颜色相近，因此在判断上偏向模糊状态。这些规定是制作钢轨缺陷标签数据集的依据，同时也是可识别的缺陷类型。
步骤2，设计训练网络：
由于钢轨表面缺陷面积相对比较小，属于小目标分割，因此申请人基于SegNet网络结构重新设计了训练网络的结构，目的是增加编码与译码阶段的网络深度，达到提取缺陷区域的目标，提升了现有方法针对钢轨表面缺陷数据集的缺陷识别与分割能力，检测精度大大提高。
申请人采用如下的步骤构建卷积神经网络，如图5所示：
整个卷积神经网络结构一共经过5次编码和5次译码。
第1次编码，按照网络设计顺序图像的训练依次经过：输入层(输入大小为1250×55×3)-卷积层(滤波器大小设定3×3，滤波器数目设定64，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定64，填充设定为1)-最大池化层(池化大小设定为2×2，步长设为2)。其中将最大池化层的池化系数和池化维度储存。其中池化系数记录着执行最大池化的图像像素区域位置，池化维度即记录着输入池化前的图像的维度。接着进入第2次编码。
第2次编码，按照网络设计顺序图像的训练依次经过卷积层(滤波器大小设定3×3，滤波器数目设定128，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定128，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定128，填充设定为1)-批量归一化层-Relu层-最大池化层(池化大小设定为2×2，步长设为2)。同样将最大池化层的池化系数和池化维度储存。接着进入第3次编码。
第3次编码，按照网络设计顺序图像的训练依次经过卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层-最大池化层(池化大小设定为2×2，步长设为2)。同样将最大池化层的池化系数和池化维度储存。接着进入第4次编码。
第4次编码，按照网络设计顺序图像的训练依次经过卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-最大池化层(池化大小设定为2×2，步长设为2)。同样将最大池化层的池化系数和池化维度储存。接着进入第5次编码。
第5次编码，按照网络设计顺序图像的训练依次经过卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-最大池化层(池化大小设定为2×2，步长设为2)。同样将最大池化层的池化系数和池化维度储存。
5次编码后，接着进入5次译码。
第1次译码，按照网络设计顺序图像训练依次经过最大反池化层(把已缩小的图像扩大2倍，同时将第5次编码储存的池化系数和池化维度信息分享到最大反池化层，目的是根据池化系数将图像扩大的位置是执行池化时对应的区域)-卷积层(滤波器数目设为：512，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层。
第2次译码，按照网络设计顺序图像训练依次经过最大反池化层(把已缩小的图像扩大2倍，同时将第4次编码储存的池化系数和池化维度信息分享到最大反池化层)-卷积层(滤波器数目设为：512，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定512，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层。
第3次译码，按照网络设计顺序图像训练依次经过最大反池化层(把已缩小的图像扩大2倍，同时将第3次编码储存的池化系数和池化维度信息分享到最大反池化层)-卷积层(滤波器数目设为：256，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定128，填充设定为1)-批量归一化层-Relu层。
第4次译码，按照网络设计顺序图像训练依次经过最大反池化层(把已缩小的图像扩大2倍，同时将第2次编码储存的池化系数和池化维度信息分享到最大反池化层)-卷积层(滤波器数目设为：128，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定128，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定64，填充设定为1)-批量归一化层-Relu层。
第5次译码，按照网络设计顺序图像训练依次经过最大反池化层(把已缩小的图像扩大2倍，同时将第1次编码储存的池化系数和池化维度信息分享到最大反池化层)-卷积层(滤波器数目设为：64，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定2，填充设定为1)-批量归一化层-Relu层-输出层(使用softmax函数对输出结果处理，分成缺陷与非缺陷两类，同时加入像素分类层(PixelClassification Layer)，用于钢轨表面缺陷图像进行粗糙分割)。
步骤3，设定训练参数：
申请人在训练参数中设置采用随机梯度下降算法和反向传播算法计算网络各节点的权重值，离线训练深度神经网络模型。经过反复测试，申请人将训练学习率定为：0.001，冲量设置为：0.9，epoch设置为：1000，迭代步数为：10000，使用Intel I7CPU，GPU：Nvidia_1080TI，环境下，经过大约5个小时的训练才损失函数得到充分的收敛。
步骤4，构建数据集及训练设置
获得足够数目的图像后，申请人随机从所有图像中挑选80％作为训练集，剩下的20％作为测试集。在训练设置，申请人将读取所需的训练集数据(图片集和标签集)进行训练数据集增强处理，将图片像素在水平方向移动10个像素点，以及在垂直方向上同样移动10个像素点，目的是可以适当增强训练数据的泛化能力，同时满足小样本数据训练能够获得最大的训练效果。
步骤5，测试图片的后端处理
当网络训练完成后，将待检测的钢轨表面缺陷图像加入网络中检测，得到钢轨表面缺陷的粗糙分割区域。接着使用CRF对粗分割的钢轨表面图像进行细分割。
CRF(条件随机场)符合吉布斯分布，如式(1)所示。
式(1)中，E(x|I)是能量函数，由式(2)的两部分组成分别是一元势函数与二元势函数。
E(x)＝∑iψu(xi)+∑i＜jψp(xi，xj)
(2)
一元势函数∑iψu(xi)是来自设计网络前端输出，其二元势函数构造如式(3)所示。
其中二元势函数的定义与颜色值和真实空间距离相关，拥有相似特征的像素赋予相同的标签，差异大的像素赋予不同的标签。
步骤6，测试模型性能评估
后端处理完成后，钢轨表面的缺陷检测完成，申请人统计了关于训练网络的全局精确度(Global_Accuracy)与IOU(重叠度)都用于评估网络训练的效果以及CRF分割后的边缘分割得分(score),用于测量物体的预测边界与标准标签边界的吻合程度。
全局精确度＝正确分类的像素(不论类别)/像素总数(4)
IOU的计算原理说明：TP是预测像素与标准标签像素的交集，而TP+FN+FP是预测像素和标准标签像素的并集。FN表示标准标签像素未被检测到的像素，FP表示预测像素中的错误检测像素。
CRF边缘得分公式，申请人需要计算精确度(precision)与召回率(recall)，召回率反映的是算法能检测出正样本的数目在所有正样本中的比例，而准确率反映出的是检测得到的正样本中真正的正样本的几率。然后根据精确度与召回率建立边缘得分score的关系式如式子(8)所示，当得分越高则证明边缘分割的效果越好。
score＝2*precision*recall/(recall+precision) (8)
使用基于SegNet结构设计的卷积神经网络，钢轨表面缺陷检测的全局的精确度达到99.513％，缺陷识别的IOU达到75.713％，针对测试集的数据样本统计了边缘分割轮廓得分如表格1所示，缺陷轮廓平均得分达到75.26％，在使用CRF后，边缘分割轮廓平均得分达到了87.12％，得到明显的提升，如图8所示。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。
上面对本专利的最佳实施方式作了详细的说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。

Claims (3)

1.一种基于深度学习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、制作数据集：
采集钢轨表面图像；定义钢轨缺陷的标准，并使用图像编辑软件将缺陷的区域用一种颜色表示，非缺陷区域用另一种颜色表示；在卷积神经网络中训练使用的标签数据集里定义RGB值来赋予其物理意义；钢轨缺陷标准，如下：1.裂缝状的缺陷：分布特性是垂直或者水平出现在钢轨表面，呈现距离长，宽度小的特性，与反光的阴影带有明显的区别，颜色与钢轨本体表面存在色差；2.规则圆的缺陷：分布特性随机，呈现偏圆形的内凹状，如同一个个小洞口，颜色与钢轨本体表面存在色差；3.不规则状：分布特性是随机的，呈现不规则状，既有小的缺陷也有大的缺陷；小的缺陷与大的缺陷是交错设置；4.模糊状缺陷：随机分布，形状也是随机，偏向内凹；
步骤二、设计训练网络：采用SegNet网络结构设计构建训练用的卷积神经网络结构；
步骤三：设定训练参数：采用随机梯度下降算法和反向传播算法计算训练网络各节点的权重值，离线训练深度神经网络模型；
步骤四、构建数据集及训练设置：
对获得的钢轨表面图像，随机从所有图像中挑选一部分为训练集，一部分为测试集，进行训练；在训练时，将训练集数据进行训练数据集增强处理：将图片像素在水平方向移动10个像素点，以及在垂直方向上同样移动10个像素点以增强训练数据的泛化能力，同时满足小样本数据训练能够获得最大的训练效果；得到训练网络模型；
步骤五、测试图片的后端处理：
当训练完成后，将待检测的钢轨表面缺陷图像加入训练网络模型检测，得到钢轨表面缺陷的粗糙分割区域；接着使用CRF算法对粗分割的钢轨表面图像进行细分割：
CRF算法符合吉布斯分布，如式(1)所示。
式(1)中，E(x|I)是能量函数，由式(2)的两部分组成分别是一元势函数与二元势函数；x表示输出的标记序列，I表示输入的观测序列；Z()表示规范化因子；P()表示条件随机场；
E(x)＝∑iψu(xi)+∑i＜jψp(xi，xj) (2)
其中，ψu(xi)表示像素i分割成xi的能量，i表示像素点i，j表示像素点j，u表示一元能量函数，p表示二元能量函数；xi表示像素i的标签，xj表示像素j的标签；ψp(xi，xj)表示像素点i，j同时分割成xi，xj的能量；
一元势函数∑iΨu(xi)是来自设计网络前端输出，E(x|I)的二元势函数构造如式(3)所示。
m表示m阶矩阵，标记x的取值个数，w()表示权值；表示高斯权重项，用于衡量像素点i，j的特征向量相似度；fi表示i的特征向量；fj表示j的特征向量；u()表示两个标签之间的兼容性度量；其中二元势函数的定义与颜色值和真实空间距离相关，颜色值或真实空间距离的相似度高于设定阈值的像素赋予相同的标签，否则赋予不同的标签；得到钢轨表面缺陷结果。
2.如权利要求1所述的基于深度学习的钢轨表面缺陷检测方法，其特征在于，还包括步骤六、测试模型性能评估：通过测试模型对钢轨表面缺陷图像正确分类的像素的数量与像素总数相比进行测试模型性能评估。
3.权利要求1所述的基于深度学习的钢轨表面缺陷检测方法，其特征在于，所述步骤二中卷积神经网络的构建步骤如下所示：
整个卷积神经网络结构一共经过5次编码和5次译码。
第一次编码：按照网络设计顺序图像的训练依次经过：输入层-卷积层批量归一化层-Relu层-卷积层-最大池化层；输入层的输入大小为1250×55×3；卷积层的滤波器大小设定3×3，滤波器数目设定64，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；其中将最大池化层的池化系数和池化维度储存；其中池化系数记录着执行最大池化的图像像素区域位置，池化维度即记录着输入池化前的图像的维度；然后进入第二次编码；
第二次编码，按照网络设计顺序图像的训练依次经过卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；卷积层的滤波器大小设定3×3，滤波器数目设定128，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；然后进入第三次编码。
第三次编码，按照网络设计顺序图像的训练依次经过卷积层(滤波器大小设定3×3，滤波器数目设定256，填充设定为1)-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；卷积层的滤波器大小设定3×3，滤波器数目设定256，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；然后进入第四次编码；
第四次编码，按照网络设计顺序图像的训练依次经过卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；其中卷积层的滤波器大小设定3×3，滤波器数目设定512，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；接着进入第五次编码。
第五次编码，按照网络设计顺序图像的训练依次经过卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-最大池化层；卷积层的滤波器大小设定3×3，滤波器数目设定512，填充设定为1；最大池化层的池化大小设定为2×2，步长设为2；将最大池化层的池化系数和池化维度储存；
五次编码后，接着进入五次译码。
第一次译码，将第五次编码储存的池化系数和池化维度信息分享到最大反池化层并按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层额滤波器数目设为：512，滤波器大小为：3×3，填充设定为1；
第二次译码，将第四次编码储存的池化系数和池化维度信息分享到最大反池化层，按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层的滤波器数目设为：512，滤波器大小为：3×3，填充设定为1；
第三次译码，将第三次编码储存的池化系数和池化维度信息分享到最大反池化层，按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层的滤波器数目设为：256，滤波器大小为：3×3，填充设定为1；
第四次译码，将第二次编码储存的池化系数和池化维度信息分享到最大反池化层；按照网络设计顺序图像训练依次经过最大反池化层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层-卷积层-批量归一化层-Relu层；卷积层的滤波器数目设为：128，滤波器大小为：3×3，填充设定为1；
第五次译码，将第一次编码储存的池化系数和池化维度信息分享到最大反池化层；按照网络设计顺序图像训练依次经过最大反池化层-卷积层(滤波器数目设为：64，滤波器大小为：3×3，填充设定为1)-批量归一化层-Relu层-卷积层(滤波器大小设定3×3，滤波器数目设定2，填充设定为1)-批量归一化层-Relu层-输出层；卷积层的滤波器数目设为：64，滤波器大小为：3×3，填充设定为1；然后使用softmax函数对输出层的输出结果处理，分成缺陷与非缺陷两类，同时加入像素分类层用于钢轨表面缺陷图像进行粗糙分割。
CN201810885515.2A 2018-08-06 2018-08-06 一种基于深度学习的钢轨表面缺陷检测方法 Pending CN109064462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810885515.2A CN109064462A (zh) 2018-08-06 2018-08-06 一种基于深度学习的钢轨表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810885515.2A CN109064462A (zh) 2018-08-06 2018-08-06 一种基于深度学习的钢轨表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN109064462A true CN109064462A (zh) 2018-12-21

Family

ID=64831840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810885515.2A Pending CN109064462A (zh) 2018-08-06 2018-08-06 一种基于深度学习的钢轨表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109064462A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829490A (zh) * 2019-01-22 2019-05-31 上海鹰瞳医疗科技有限公司 修正向量搜索方法、目标分类方法及设备
CN109978868A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备
CN110210555A (zh) * 2019-05-29 2019-09-06 西南交通大学 基于深度学习的钢轨鱼鳞伤损检测方法
CN110276299A (zh) * 2019-06-21 2019-09-24 国网北京市电力公司 计量箱外观故障图像识别模型及方法
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110751209A (zh) * 2019-10-18 2020-02-04 北京邮电大学 一种融合深度图像分类和检索的智能台风定强方法
CN111681232A (zh) * 2020-06-10 2020-09-18 厦门理工学院 基于语义分割的工业焊接图像缺陷的检测方法
CN111833328A (zh) * 2020-07-14 2020-10-27 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN113781480A (zh) * 2021-11-10 2021-12-10 南京未来网络产业创新有限公司 一种基于机器视觉的钢轨表面检测方法和系统
CN114062305A (zh) * 2021-10-15 2022-02-18 中国科学院合肥物质科学研究院 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统
CN114170174A (zh) * 2021-12-02 2022-03-11 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114612472A (zh) * 2022-05-11 2022-06-10 泉州装备制造研究所 一种基于SegNet改进的皮革缺陷分割网络算法
CN114708267A (zh) * 2022-06-07 2022-07-05 浙江大学 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法
CN114923855A (zh) * 2022-05-12 2022-08-19 泉州装备制造研究所 一种皮革质量等级划分方法
CN115146534A (zh) * 2022-06-29 2022-10-04 中南大学 基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法
CN115272334A (zh) * 2022-09-29 2022-11-01 江苏美克美斯自动化科技有限责任公司 用于复杂背景下的钢轨表面微小缺陷检测方法
CN117623735A (zh) * 2023-12-01 2024-03-01 广东雅诚德实业有限公司 高强度抗污日用陶瓷的生产方法
CN118463912A (zh) * 2024-07-15 2024-08-09 北京建筑大学 一种钢结构变形智能监测方法、系统及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934800A (zh) * 2017-02-28 2017-07-07 北京科技大学 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
CN108010049A (zh) * 2017-11-09 2018-05-08 华南理工大学 使用全卷积神经网络分割定格动画中人手部区域的方法
CN108229416A (zh) * 2018-01-17 2018-06-29 苏州科技大学 基于语义分割技术的机器人slam方法
CN108305266A (zh) * 2017-12-26 2018-07-20 浙江工业大学 基于条件随机场图结构学习的语义图像分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934800A (zh) * 2017-02-28 2017-07-07 北京科技大学 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
CN108010049A (zh) * 2017-11-09 2018-05-08 华南理工大学 使用全卷积神经网络分割定格动画中人手部区域的方法
CN108305266A (zh) * 2017-12-26 2018-07-20 浙江工业大学 基于条件随机场图结构学习的语义图像分割方法
CN108229416A (zh) * 2018-01-17 2018-06-29 苏州科技大学 基于语义分割技术的机器人slam方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
VIJAY BADRINARAYANAN等: "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation", 《ARXIV：1511.00561V3》 *
刘孟轲 等: "基于卷积神经网络的轨道表面缺陷检测技术实现", 《现代计算机》 *
康琦 等: "《机器学习中的不平衡分类方法》", 31 October 2017, 《同济大学出版社》 *
张辉 等: "基于曲率滤波和改进GMM 的钢轨缺陷自动视觉检测方法", 《仪器仪表学报》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829490B (zh) * 2019-01-22 2022-03-22 上海鹰瞳医疗科技有限公司 修正向量搜索方法、目标分类方法及设备
CN109829490A (zh) * 2019-01-22 2019-05-31 上海鹰瞳医疗科技有限公司 修正向量搜索方法、目标分类方法及设备
CN109978868A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备
CN110210555A (zh) * 2019-05-29 2019-09-06 西南交通大学 基于深度学习的钢轨鱼鳞伤损检测方法
CN110276299A (zh) * 2019-06-21 2019-09-24 国网北京市电力公司 计量箱外观故障图像识别模型及方法
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110570396B (zh) * 2019-08-07 2022-03-15 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110751209A (zh) * 2019-10-18 2020-02-04 北京邮电大学 一种融合深度图像分类和检索的智能台风定强方法
CN111681232B (zh) * 2020-06-10 2023-03-10 厦门理工学院 基于语义分割的工业焊接图像缺陷的检测方法
CN111681232A (zh) * 2020-06-10 2020-09-18 厦门理工学院 基于语义分割的工业焊接图像缺陷的检测方法
CN111833328A (zh) * 2020-07-14 2020-10-27 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN111833328B (zh) * 2020-07-14 2023-07-25 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN114062305A (zh) * 2021-10-15 2022-02-18 中国科学院合肥物质科学研究院 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统
CN114062305B (zh) * 2021-10-15 2024-01-26 中国科学院合肥物质科学研究院 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统
CN113781480A (zh) * 2021-11-10 2021-12-10 南京未来网络产业创新有限公司 一种基于机器视觉的钢轨表面检测方法和系统
CN114170174A (zh) * 2021-12-02 2022-03-11 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114170174B (zh) * 2021-12-02 2024-01-23 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114612472A (zh) * 2022-05-11 2022-06-10 泉州装备制造研究所 一种基于SegNet改进的皮革缺陷分割网络算法
CN114923855A (zh) * 2022-05-12 2022-08-19 泉州装备制造研究所 一种皮革质量等级划分方法
CN114708267A (zh) * 2022-06-07 2022-07-05 浙江大学 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法
CN115146534B (zh) * 2022-06-29 2024-01-19 中南大学 基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法
CN115146534A (zh) * 2022-06-29 2022-10-04 中南大学 基于注意力机制与先进卷积结构的地铁枕梁损伤识别方法
CN115272334B (zh) * 2022-09-29 2023-08-25 研索仪器科技(上海)有限公司 用于复杂背景下的钢轨表面微小缺陷检测方法
CN115272334A (zh) * 2022-09-29 2022-11-01 江苏美克美斯自动化科技有限责任公司 用于复杂背景下的钢轨表面微小缺陷检测方法
CN117623735A (zh) * 2023-12-01 2024-03-01 广东雅诚德实业有限公司 高强度抗污日用陶瓷的生产方法
CN117623735B (zh) * 2023-12-01 2024-05-14 广东雅诚德实业有限公司 高强度抗污日用陶瓷的生产方法
CN118463912A (zh) * 2024-07-15 2024-08-09 北京建筑大学 一种钢结构变形智能监测方法、系统及装置
CN118463912B (zh) * 2024-07-15 2024-09-06 北京建筑大学 一种钢结构变形智能监测方法、系统及装置

Similar Documents

Publication Publication Date Title
CN109064462A (zh) 一种基于深度学习的钢轨表面缺陷检测方法
CN109271895B (zh) 基于多尺度特征学习和特征分割的行人重识别方法
CN110008854B (zh) 基于预训练dcnn的无人机影像公路地质灾害识别方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN108596046A (zh) 一种基于深度学习的细胞检测计数方法及系统
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN108932724B (zh) 一种基于多人协同图像标注的系统自动审核方法
CN105574550A (zh) 一种车辆识别方法及装置
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN113128335B (zh) 微体古生物化石图像检测、分类及发现方法、系统及应用
CN112734734A (zh) 一种基于改进残差网络的铁路隧道裂缝检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN104200478B (zh) 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法
CN104636755A (zh) 一种基于深度学习的人脸美丽评价方法
CN110188774A (zh) 一种基于深度学习的电涡流扫描图像分类识别方法
CN112183438B (zh) 基于小样本学习神经网络的违规行为的图像识别方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN111652883B (zh) 基于深度学习的玻璃表面缺陷检测方法
CN106372624A (zh) 人脸识别方法及系统
CN109886242A (zh) 一种行人重识别的方法及系统
Dong et al. Automatic inspection and evaluation system for pavement distress
CN109948527A (zh) 基于集成深度学习的小样本太赫兹图像异物检测方法
Mehta et al. Exploring the efficacy of CNN and SVM models for automated damage severity classification in heritage buildings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Zhang Hui

Inventor after: Liang Zhicong

Inventor after: Liu Li

Inventor after: Deng Guang

Inventor after: Zhong Hang

Inventor after: Xiong Zhenlin

Inventor after: He Zhendong

Inventor before: Zhang Hui

Inventor before: Song Yanan

Inventor before: Liu Li

Inventor before: Zhong Hang

Inventor before: Liang Zhicong

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221

RJ01 Rejection of invention patent application after publication