CN111626976A - 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 - Google Patents
一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 Download PDFInfo
- Publication number
- CN111626976A CN111626976A CN201911059554.8A CN201911059554A CN111626976A CN 111626976 A CN111626976 A CN 111626976A CN 201911059554 A CN201911059554 A CN 201911059554A CN 111626976 A CN111626976 A CN 111626976A
- Authority
- CN
- China
- Prior art keywords
- defect
- neural network
- rail
- image
- pulse
- 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.)
- Withdrawn
Links
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及轨道交通及钢轨探伤领域,具体涉及一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,本发明通过以下步骤实现对钢轨表面缺陷的识别检测:S1,图像预处理;S2,基于脉冲耦合神经网络对缺陷初步检测;S3,特征精确计算;S4,缺陷分类。本发明的优点是为智能检测、识别钢轨表面缺陷的实现提供了可行、高效、灵活的算法支持,提高钢轨表面是伤损判定的精准度和效率,降低人工检测钢轨的成本,有效预防断轨事故的发生。
Description
技术领域
本发明涉及交通运输、工业监控、数字图像处理和模式识别领域,具体涉及一种基于脉冲耦合神经网络的钢轨表面伤损检测方法。
背景技术
中国幅员辽阔、内陆深广、人口众多,资源分布且工业布局不平衡,而兼具安全经济、全天候运输、运能大等特点的铁路运输在各种运输方式中的比较优势突出,是国家重要的交通基础设施,在经济社会发展中具有特殊重要的地位和作用,加快铁路发展已经成为国内社会各方面的共识。但是,随着铁路网的扩大和铁路养护维修需求的增加,现实对钢轨检测提出更高的要求。
由于铁路行车密度高和载重量大的特点,加速了钢轨表面缺陷的形成,如裂纹、疤痕、剥落等,如果未能及时发现、处理,钢轨表面缺陷可能进一步发展成为内部缺陷。车轮在有缺陷的钢轨上高速运行时连带的冲击作用会引起车轨系统耦合振动,不仅降低了乘坐的舒适度,而且损坏机车部件,极易导致钢轨断裂和火车脱轨,埋下铁路安全隐患。
目前,由于技术设备智能化较低和置换成本高,国内铁路养护依然以人工巡检为主,不仅效率低下、人力成本大,而且依靠人力对伤损检测的误报率和漏检率高。其次,钢轨表面受光照、列车机械震动等不良工况条件的影响,使得基于机器视觉的钢轨表面缺陷检测出的图像依然会夹杂噪声,对识别工作造成干扰。再者,非接触式的检测装置如高清摄像头,其固定在探伤设备上的位置可能出现偏差,或者探伤设备在移动时的振动也可能使得摄像装置获得的图像角度存在偏差,最终都不利于钢轨表面缺陷检测的精确度。
专利CN101893580B提出了一种基于数字图像的钢轨表面缺陷检测方法,该方法从检测到的表面伤损图像中提取钢轨区域,通过模拟人类视觉机制通过灰度补偿法将灰度图转换为对比度图,从而对可疑的缺陷区域进行定位及判定。但是单独从灰度值比较的角度很难准确捕捉钢轨表面缺陷的变化,对于伤损类型的覆盖也很难做到全面,缺乏数字转化表达,缺乏灵活性,不能满足不同缺陷处理的需求。该方法只对可疑缺陷矩形区域的几何特征进行抽取,并且根据该特征判断是否是钢轨缺陷,得出的检测结果过于局限和片面,对缺陷区域的判定条件过于单一,智能化程度较低,依然存在人工干预的弊端。
鉴于此,亟需克服传统非智能化的钢轨表面缺陷检测方法,设计一种检测速度快、自适应能力强、识别准确率高的钢轨表面缺陷视觉检测方法,为智能检测、识别钢轨表面缺陷的实现提供可行、高效、灵活的算法支持,从而完善钢轨表面缺陷检测技术以满足现代化钢轨检测系统的需求,为及时发现钢轨表面缺陷并向铁路部门提供维护数据提供技术保障。
与传统的人工神经网络相比,本发明采用的脉冲耦合神经网络(PCNN)具有更强大的生命力和广阔的应用空间。PCNN是一种单层的迭代运行式神经网络,具备哺乳动物视觉神经的特性。它是由大量动态神经元相互联系所构成的反馈网络,兼具了脉冲同步发放特性、非线性调制耦合性、变阈值特性和同步脉冲发放特性等。在实际应用时,PCNN并不是必须对网络进行训练,运算更快速;在进行并行处理过程时,待定参数少,结果可以保证最优,输出结果更趋近实际。基于上述优点算法的智能程度提高,对不同缺陷变化有着不同的识别能力,准确度方面也有极大的提高。
发明内容
一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于通过对图像数据的分析与处理,检测出钢轨轨道表面缺陷的位置及大小并分类,最后指出轨道缺陷类型,包含了以下步骤:
S1,图像预处理;
S2,基于脉冲耦合神经网络对缺陷初步检测;
S3,特征精确计算;
S4,缺陷分类。
根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S1图像预处理。在将图像中轨道部分提取出来的数据过滤过程中,无关的背景总会占据了图像相当一部分,而铁轨表面区域只占铁轨图像的一部分,如果直接对整幅图像做处理则会增加检测算法的时间,因此在进行数据分析前把这部分剔除掉,可以大大提高后续的检测速度。本发明采用水平投影法提取铁轨表面图像,其预处理步骤如下:
S11,统计铁轨图像的灰度均值Mean,并取Mean-35为全局阈值T,对滤波后的铁轨图像f(x,y)进行二值化。
S12,轨面区域的背景像素为白色像素,因此统计铁轨二值图像每行的白色像素总个数P(x):
其中,row、column分别是图像f1(x,y)的行数和列数。
根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S2基于脉冲耦合神经网络对缺陷初步检测。所述的S2基于脉冲耦合神经网络对缺陷初步检测采用脉冲耦合神经网络(PCNN),检测步骤如下:
S21,将预处理后的图像像素与神经元一一对应。其实施步骤如下:
S211,将每个神经元分别置于一个n×n的权值矩阵Mijkl与Wijkl的中心;
S212,区域内的神经元为该神经元对应像素的邻近像素,通常设置两个神经元之间的连接权值为:
S22,建立每个神经元的接收域。接收域由反馈输入域和耦合连接域组成,其实施步骤如下:
S221,分别建立反馈输入域和耦合连接域,两者的迭代运算数学表达式如下:
其中,
Sij表示外部激励,其大小与脉冲产生周期呈负相关;
Ykl(n-1)表示第n-1次迭代时邻域神经元的输出;
Mijkl与Wijkl分别为反馈输入域与耦合连接域的权值矩阵,反映神经元之间信号传递能力的强弱;
VF、αF与VL、aL分别表示反馈输入域与耦合输入域的放大系数和衰减时间常数;
Fij与Lij分别表示n次迭代后中心神经元的耦合输出与反馈输出。
S23,建立非线性调制域。通过Fij与Lij非线性相乘得到神经元内部活动项,其数学表达式如下:
Uij[n]=Fij[n](1+βLij[n])
β表示连接强度,与邻域内同步脉冲输出的神经元个数呈正相关。
S24,建立脉冲发生器。由S23,当内部活动项Uij[n]大于动态门限Tij[n]时,神经元产生单位脉冲,此时动态门限立即增大,而后呈指数衰减,该过程循环至迭代结束。其数学表达式如下:
值得注意的是,此处迭代次数不同,获取的信息也不同。根据熵值原理,熵越大,信息量越多。
S25,最终由接收域、调制域和脉冲发生器组成每个神经元,模拟哺乳动物视觉神经元细胞活动,实现图像去噪、分割和边缘检测,完成对缺陷的初步检测。
根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S3特征精确计算,由于在S2基于脉冲耦合神经网络对缺陷初步检测后的缺陷二值图像中,单个的缺陷区域,尤其是波纹擦伤,容易被检测成分散的或呈喷雾状的多个小区域,因此需作进一步精确定位。实现步骤如下:
S31,使用一个半径为7、圆盘状的结构元素对经过基于脉冲耦合神经网络对缺陷初步检测处理后的图像做闭合运算,以便粘合单个分裂的或喷雾状的缺陷区域,然后填充缺陷区域中的孔洞。
S32,经过前期处理,铁轨表面二值图像上还残留了一些噪声形成细小、零星的区域,算法去除那些面积小于300个像素的细小区域,从而实现选择主要缺陷的目的,最终缺陷检测效果所示。
S33,标记剩余的缺陷区域,并利用标记矩阵提取各个缺陷区域。
S34,获得精确定位后的缺陷。从最终的缺陷检测结果中可以看出,大部分的真实缺陷都被精确的检测出来了,而且阴影带区域的像素大部分都已被滤除掉。
根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S4缺陷分类,其分类步骤如下:
S41,缺陷特征提取与选择,其具体实施步骤如下:
S411,提取缺陷区域的几何特征,包括缺陷区域的周长、面积、质心、区域最小外接矩的长度和宽度。
S412,提取缺陷区域的形状特征,包括矩形度、圆形度、长度比、方向、离心率。
S413,提取缺陷区域的灰度特征,包括区域的灰度均值、灰度方差、能量、熵。
S414,从中选择5个对2类缺陷差别较大的特征量,即矩形度、圆形度、长度比、灰度均值和灰度方差,作为后面的模式识别输入。
S42,BP神经网络分类,其具体实施步骤如下:
S421,将BP神经网络设计为3层结构,包括输入层、隐含层和输出层,设计输入层为5个神经元,对应于缺陷的5个特征,隐含层为10个神经元,输出层为2个神经元,对应于缺陷的2种类别。
其中:
[矩形度,圆形度,长度比,灰度均值,灰度方差]为输入向量;
[疤痕,波形擦伤]为输出层的向量;
bhi(i=1,2,....,10)为隐含层各神经元的阈值;
boj(j=1,2)为输出层各神经元的阈值;
wih为输入层与隐含层之间的权值;
who为隐含层与输出层之间的权值;
f(.)为激活函数,输入层到隐含层激活函数为tansig函数,隐含层到输出层的激活函数为logsig函数。
S422,设置训练精度为10-6和最大学习次数为1000,并设定误差函数e:
其中,do(k)与yo(k)分别是训练样本真实的缺陷类型向量与BP神经网络输出的缺陷类型向量。
S423,将40组训练样本模式对输入BP神经网络,并使用有自适应学习速率的梯度下降法训练精度或达到最大学习次数时,结束训练,得到训练好的BP神经网络。
S424,进行分类的缺陷为疤痕和波形擦伤两类,疤痕表现为灰度值较低的类圆形区域,波形擦伤表现为铁轨表面连续较有规律的细纹,对于这两种缺陷,提取5个特征组成特征向量输入训练好的BP神经网络,并得出分类结果,对应到S3中分割好的缺陷区域,计算疤痕的面积大小和波形擦伤的覆盖面积。
本发明的有益效果
检测速度快:由于本方法在训练阶段前对图像进行预处理,提前将无用数据剔除再进行数据分析,且在数据处理阶段运用非线性自适应滤波器,具有更强的信号处理能力,计算较为简单,运算速度加快,减少了检测算法的时间,大大提高后续的检测速度。
精准度高:增强了对缺陷区域的判定条件筛选,使得检测结果更加全面;利用PCNN高度模仿哺乳动物视觉神经运动,实现对图像的增强处理、图像分割和边缘检测,使缺陷初步检测图像更加清晰;对缺陷精准定位再利用训练好的神经网络针对突出特征运算分类,使得检测结果更为精准;运用自适应滤波器,算法具有较强的鲁棒性,有一定的抗干扰能力,是运算结果更加准确。
完全智能化:利用高度模拟哺乳动物视觉神经元运动的脉冲耦合神经网络,该智能算法实现对表面伤损缺陷的自动识别并分类,一改传统方法中最终的检测结果需要人工处理作出判断的情况,在提高检测速度的同时保证缺陷检测精准度,实现完全智能化。
节约成本:全面地降低了表面伤损检测的错误率和增强了检测的精确度,运用智能算法实现人工智能替代人力检测判别,节省人力,降低企业的探伤成本和人力成本,提高了检测的效率。
附图说明
图1是算法流程图;
图2是单个神经元结构模型;
图3是用于铁轨表面缺陷分类的BP神经网络结构。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
一种基于脉冲耦合神经网络的钢轨表面伤损检测方法通过对图像数据的分析与处理,检测出钢轨轨道表面缺陷的位置及大小并分类,最后指出轨道缺陷类型,其包含了以下四个步骤:
S1,图像预处理;
S2,基于脉冲耦合神经网络对缺陷初步检测;
S3,特征精确计算;
S4,缺陷分类。
所属步骤S1中,在将图像中轨道部分提取出来的数据过滤过程中,本发明采用水平投影法提取铁轨表面图像,由于无关的背景总会占据了图像相当一部分,而铁轨表面区域只占铁轨图像的一部分,因此在进行数据分析前把这部分剔除掉以提高后续的检测速度。
S11,统计铁轨图像的灰度均值Mean,并取Mean-35为全局阈值T,对滤波后的铁轨图像f(x,y)进行二值化。
S12,轨面区域的背景像素为白色像素,因此统计铁轨二值图像每行的白色像素总个数P(x):
其中,row、column分别是图像f1(x,y)的行数和列数。
所述步骤S2中,构建脉冲耦合神经网络(PCNN),对缺陷进行初步检测,其单个神经元结构模型如图2,检测步骤如下:
S21,将预处理后的图像像素与神经元一一对应。其实施步骤如下:
S211,将每个神经元分别置于一个n×n的权值矩阵Mijkl与Wijkl的中心;
S212,区域内的神经元为该神经元对应像素的邻近像素,通常设置两个神经元之间的连接权值为:
S22,建立每个神经元的接收域。接收域将接收到的输入通过两条通道进行传输,分别为反馈输入域和耦合连接域,其实施步骤如下:
S221,建立用于接收外部输入信号的反馈输入域和用于接收来自其他神经元的耦合连接域,两者的迭代运算数学表达式如下:
其中,
Sij表示外部激励,其大小与脉冲产生周期呈负相关;
Ykl(n-1)表示第n-1次迭代时邻域神经元的输出;
Mijkl与Wijkl分别为反馈输入域与耦合连接域的权值矩阵,反映神经元之间信号传递能力的强弱;
VF、αF与VL、aL分别表示反馈输入域与耦合输入域的放大系数和衰减时间常数;
Fij与Lij分别表示n次迭代后中心神经元的馈送输入与耦合输入;
S23,建立非线性调制域。通过Fij与Lij非线性相乘得到神经元内部活动项,利用Lij对Fij进行调制是PCNN神经元之间进行通信的关键,其数学表达式如下:
Uij[n]=Fij[n](1+βLij[n])
β表示连接强度,与邻域内同步脉冲输出的神经元个数呈正相关。
S24,建立脉冲发生器。由S23,当内部活动项Uij[n]大于动态门限Tij[n]时,神经元产生单位脉冲,此时动态门限立即增大,而后呈指数衰减,该过程循环至迭代结束。其数学表达式如下:
值得注意的是,此处迭代次数不同,获取的信息也不同。根据熵值原理,熵越大,信息量越多。
S25,最终由接收域、调制域和脉冲发生器组成每个神经元,模拟哺乳动物视觉神经元细胞活动,实现图像去噪、分割和边缘检测,完成对缺陷的初步检测。
所述步骤S3中,针对缺陷二值图像中单个的缺陷区域,尤其是波纹擦伤,容易被检测成分散的或呈喷雾状的多个小区域,作进一步精确定位。实现步骤如下:
S31,使用一个半径为7、圆盘状的结构元素对经过基于脉冲耦合神经网络对缺陷初步检测处理后的图像做闭合运算,以便粘合单个分裂的或喷雾状的缺陷区域,然后填充缺陷区域中的孔洞。
S32,经过前期处理,铁轨表面二值图像上还残留了一些噪声形成细小、零星的区域,算法去除那些面积小于300个像素的细小区域,从而实现选择主要缺陷的目的,最终缺陷检测效果所示。
S33,标记剩余的缺陷区域,并利用标记矩阵提取各个缺陷区域。
S34,获得精确定位后的缺陷。从最终的缺陷检测结果中可以看出,大部分的真实缺陷都被精确的检测出来了,而且阴影带区域的像素大部分都已被滤除掉。
所述步骤S4中,对缺陷进行分类。
S41,缺陷特征提取与选择,其具体实施步骤如下:
S411,提取缺陷区域的几何特征,包括缺陷区域的周长、面积、质心、区域最小外接矩的长度和宽度。
S412,提取缺陷区域的形状特征,包括矩形度、圆形度、长度比、方向、离心率。
S413,提取缺陷区域的灰度特征,包括区域的灰度均值、灰度方差、能量、熵。
S414,从中选择5个对2类缺陷差别较大的特征量,即矩形度、圆形度、长度比、灰度均值和灰度方差,作为后面的模式识别输入。
S42,BP神经网络分类,其具体实施步骤如下:
S421,将BP神经网络设计为3层结构,包括输入层、隐含层和输出层,设计输入层为5个神经元,对应于缺陷的5个特征,隐含层为10个神经元,输出层为2个神经元,对应于缺陷的2种类别。如图2所示。
其中:
[矩形度,圆形度,长度比,灰度均值,灰度方差]为输入向量;
[疤痕,波形擦]为输出层的向量;
bhi(i=1,2,....,10)为隐含层各神经元的阈值;
boj(j=1,2)为输出层各神经元的阈值;
wih为输入层与隐含层之间的权值;
who为隐含层与输出层之间的权值;
f(.)为激活函数,输入层到隐含层激活函数为tansig函数,隐含层到输出层的激活函数为logsig函数。
S422,设置训练精度为10-6和最大学习次数为1000,并设定误差函数e:
其中,do(k)与yo(k)分别是训练样本真实的缺陷类型向量与BP神经网络输出的缺陷类型向量。
S423,将40组训练样本模式对输入BP神经网络,并使用有自适应学习速率的梯度下降法训练精度或达到最大学习次数时,结束训练,得到训练好的BP神经网络。
S424,进行分类的缺陷为疤痕和波形擦伤两类,疤痕表现为灰度值较低的类圆形区域,波形擦伤表现为铁轨表面连续较有规律的细纹,对于这两种缺陷,提取5个特征组成特征向量输入训练好的BP神经网络,并得出分类结果,对应到S3中分割好的缺陷区域,计算疤痕的面积大小和波形擦伤的覆盖面积。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于通过对图像数据的分析与处理,检测出钢轨轨道表面缺陷的位置及大小并分类,最后指出轨道缺陷类型,包含了以下步骤:
S1,图像预处理;
S2,基于脉冲耦合神经网络对缺陷初步检测;
S3,特征精确计算;
S4,缺陷分类。
2.根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S1图像预处理。
在将图像中轨道部分提取出来的数据过滤过程中,无关的背景总会占据了图像相当一部分,而铁轨表面区域只占铁轨图像的一部分,如果直接对整幅图像做处理则会增加检测算法的时间,因此在进行数据分析前把这部分剔除掉,可以大大提高后续的检测速度。本发明采用水平投影法提取铁轨表面图像,其预处理步骤如下:
S11,统计铁轨图像的灰度均值Mean,并取Mean-35为全局阈值T,对滤波后的铁轨图像f(x,y)进行二值化。
S12,轨面区域的背景像素为白色像素,因此统计铁轨二值图像每行的白色像素总个数P(x):
其中,row、column分别是图像f1(x,y)的行数和列数。
3.根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S2基于脉冲耦合神经网络对缺陷初步检测。所述的S2基于脉冲耦合神经网络对缺陷初步检测采用脉冲耦合神经网络(PCNN),检测步骤如下:
S21,将预处理后的图像像素与神经元一一对应。其实施步骤如下:
S211,将每个神经元分别置于一个n×n的权值矩阵Mijkl与Wijkl的中心;
S212,区域内的神经元为该神经元对应像素的邻近像素,通常设置两个神经元之间的连接权值为:
S22,建立每个神经元的接收域。接收域由反馈输入域和耦合连接域组成,其实施步骤如下:
S221,分别建立反馈输入域和耦合连接域,两者的迭代运算数学表达式如下:
其中,
Sij表示外部激励,其大小与脉冲产生周期呈负相关;
Ykl(n-1)表示第n-1次迭代时邻域神经元的输出;
Mijkl与Wijkl分别为反馈输入域与耦合连接域的权值矩阵,反映神经元之间信号传递能力的强弱;
VF、αF与VL、αL分别表示反馈输入域与耦合输入域的放大系数和衰减时间常数;
Fij与Lij分别表示n次迭代后中心神经元的耦合输出与反馈输出。
S23,建立非线性调制域。通过Fij与Lij非线性相乘得到神经元内部活动项,其数学表达式如下:
Uij[n]=Fij[n](1+βLij[n])
β表示连接强度,与邻域内同步脉冲输出的神经元个数呈正相关。
S24,建立脉冲发生器。由S23,当内部活动项Uij[n]大于动态门限Tij[n]时,神经元产生单位脉冲,此时动态门限立即增大,而后呈指数衰减,该过程循环至迭代结束。其数学表达式如下:
值得注意的是,此处迭代次数不同,获取的信息也不同。根据熵值原理,熵越大,信息量越多。
S25,最终由接收域、调制域和脉冲发生器组成每个神经元,模拟哺乳动物视觉神经元细胞活动,实现图像去噪、分割和边缘检测,完成对缺陷的初步检测。
4.根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S3特征精确计算,由于在S2基于脉冲耦合神经网络对缺陷初步检测后的缺陷二值图像中,单个的缺陷区域,尤其是波纹擦伤,容易被检测成分散的或呈喷雾状的多个小区域,因此需作进一步精确定位。实现步骤如下:
S31,使用一个半径为7、圆盘状的结构元素对经过基于脉冲耦合神经网络对缺陷初步检测处理后的图像做闭合运算,以便粘合单个分裂的或喷雾状的缺陷区域,然后填充缺陷区域中的孔洞。
S32,经过前期处理,铁轨表面二值图像上还残留了一些噪声形成细小、零星的区域,算法去除那些面积小于300个像素的细小区域,从而实现选择主要缺陷的目的,最终缺陷检测效果所示。
S33,标记剩余的缺陷区域,并利用标记矩阵提取各个缺陷区域。
S34,获得精确定位后的缺陷。从最终的缺陷检测结果中可以看出,大部分的真实缺陷都被精确的检测出来了,而且阴影带区域的像素大部分都已被滤除掉。
5.根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法,其特征在于S4缺陷分类,其分类步骤如下:
S41,缺陷特征提取与选择,其具体实施步骤如下:
S411,提取缺陷区域的几何特征,包括缺陷区域的周长、面积、质心、区域最小外接矩的长度和宽度。
S412,提取缺陷区域的形状特征,包括矩形度、圆形度、长度比、方向、离心率。
S413,提取缺陷区域的灰度特征,包括区域的灰度均值、灰度方差、能量、熵。
S414,从中选择5个对2类缺陷差别较大的特征量,即矩形度、圆形度、长度比、灰度均值和灰度方差,作为后面的模式识别输入。
S42,BP神经网络分类,其具体实施步骤如下:
S421,将BP神经网络设计为3层结构,包括输入层、隐含层和输出层,设计输入层为5个神经元,对应于缺陷的5个特征,隐含层为10个神经元,输出层为2个神经元,对应于缺陷的2种类别。
其中:
[矩形度,圆形度,长度比,灰度均值,灰度方差]为输入向量;
[疤痕,波形擦伤]为输出层的向量;
bhi(i=1,2,....,10)为隐含层各神经元的阈值;
boj(j=1,2)为输出层各神经元的阈值;
wih为输入层与隐含层之间的权值;
who为隐含层与输出层之间的权值;
f(.)为激活函数,输入层到隐含层激活函数为tansig函数,隐含层到输出层的激活函数为logsig函数。
S422,设置训练精度为10-6和最大学习次数为1000,并设定误差函数e:
其中,do(k)与yo(k)分别是训练样本真实的缺陷类型向量与BP神经网络输出的缺陷类型向量。
S423,将40组训练样本模式对输入BP神经网络,并使用有自适应学习速率的梯度下降法训练精度或达到最大学习次数时,结束训练,得到训练好的BP神经网络。
S424,进行分类的缺陷为疤痕和波形擦伤两类,疤痕表现为灰度值较低的类圆形区域,波形擦伤表现为铁轨表面连续较有规律的细纹,对于这两种缺陷,提取5个特征组成特征向量输入训练好的BP神经网络,并得出分类结果,对应到S3中分割好的缺陷区域,计算疤痕的面积大小和波形擦伤的覆盖面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911059554.8A CN111626976A (zh) | 2019-11-01 | 2019-11-01 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911059554.8A CN111626976A (zh) | 2019-11-01 | 2019-11-01 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626976A true CN111626976A (zh) | 2020-09-04 |
Family
ID=72259668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911059554.8A Withdrawn CN111626976A (zh) | 2019-11-01 | 2019-11-01 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626976A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113655A (zh) * | 2020-09-21 | 2020-12-22 | 西南交通大学 | 一种地铁轨道扣件振动信号检测装置及健康评估方法 |
CN112215263A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 基于深度卷积神经网络的钢轨波磨检测方法 |
CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
CN113012098A (zh) * | 2021-01-25 | 2021-06-22 | 郑州轻工业大学 | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 |
CN114757916A (zh) * | 2022-04-15 | 2022-07-15 | 西安交通大学 | 基于特征提取和bp网络的工业ct图像缺陷分类方法 |
CN114926415A (zh) * | 2022-05-06 | 2022-08-19 | 东莞灵虎智能科技有限公司 | 一种基于pcnn与深度学习的钢轨表面检测方法 |
CN116109638A (zh) * | 2023-04-13 | 2023-05-12 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003279550A (ja) * | 2002-03-22 | 2003-10-02 | Kyoji Honma | ニューラルネットワークを利用した知能化超音波探傷システム |
CN101908891A (zh) * | 2010-08-23 | 2010-12-08 | 南京信息工程大学 | 基于提升小波和pcnn的医学图像roi压缩方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN103605811A (zh) * | 2013-12-10 | 2014-02-26 | 三峡大学 | 一种纹理图像的检索方法和装置 |
CN109949825A (zh) * | 2019-03-06 | 2019-06-28 | 河北工业大学 | 基于fpga加速的pcnn算法的噪声分类方法 |
-
2019
- 2019-11-01 CN CN201911059554.8A patent/CN111626976A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003279550A (ja) * | 2002-03-22 | 2003-10-02 | Kyoji Honma | ニューラルネットワークを利用した知能化超音波探傷システム |
CN101908891A (zh) * | 2010-08-23 | 2010-12-08 | 南京信息工程大学 | 基于提升小波和pcnn的医学图像roi压缩方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN103605811A (zh) * | 2013-12-10 | 2014-02-26 | 三峡大学 | 一种纹理图像的检索方法和装置 |
CN109949825A (zh) * | 2019-03-06 | 2019-06-28 | 河北工业大学 | 基于fpga加速的pcnn算法的噪声分类方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113655A (zh) * | 2020-09-21 | 2020-12-22 | 西南交通大学 | 一种地铁轨道扣件振动信号检测装置及健康评估方法 |
CN112215263A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 基于深度卷积神经网络的钢轨波磨检测方法 |
CN112215263B (zh) * | 2020-09-23 | 2022-08-02 | 西南交通大学 | 基于深度卷积神经网络的钢轨波磨检测方法 |
CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
CN113012098A (zh) * | 2021-01-25 | 2021-06-22 | 郑州轻工业大学 | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 |
CN114757916A (zh) * | 2022-04-15 | 2022-07-15 | 西安交通大学 | 基于特征提取和bp网络的工业ct图像缺陷分类方法 |
CN114926415A (zh) * | 2022-05-06 | 2022-08-19 | 东莞灵虎智能科技有限公司 | 一种基于pcnn与深度学习的钢轨表面检测方法 |
CN116109638A (zh) * | 2023-04-13 | 2023-05-12 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626976A (zh) | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN105447851B (zh) | 一种玻璃面板的音孔缺陷检测方法及系统 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
Wan et al. | Ceramic tile surface defect detection based on deep learning | |
CN111652227B (zh) | 铁路货车底部地板破损故障检测方法 | |
Liu et al. | Novel approach to pavement cracking automatic detection based on segment extending | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN115272334A (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN110532889A (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
CN102902974B (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN104599280B (zh) | 一种道路裂缝交叉点提取方法及系统 | |
WO2020134324A1 (zh) | 一种基于图像处理的城轨列车车号识别算法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
Chen et al. | CUFuse: Camera and ultrasound data fusion for rail defect detection | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN108647593A (zh) | 基于图像处理和svm的无人机路面破损分类检测方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN114782728A (zh) | 一种探地雷达的数据可视化方法 | |
Oni et al. | Patterned fabric defect detection and classification (FDDC) techniques: a review | |
Huang et al. | Railway infrastructure defects recognition using fine-grained deep convolutional neural networks |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200904 |
|
WW01 | Invention patent application withdrawn after publication |