CN116805315A - 一种基于钢轨b显图像机器学习的内部伤损识别方法 - Google Patents
一种基于钢轨b显图像机器学习的内部伤损识别方法 Download PDFInfo
- Publication number
- CN116805315A CN116805315A CN202311048937.1A CN202311048937A CN116805315A CN 116805315 A CN116805315 A CN 116805315A CN 202311048937 A CN202311048937 A CN 202311048937A CN 116805315 A CN116805315 A CN 116805315A
- Authority
- CN
- China
- Prior art keywords
- display image
- yolo
- image
- rail
- steel rail
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 41
- 239000010959 steel Substances 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 12
- 206010061245 Internal injury Diseases 0.000 title description 2
- 230000006378 damage Effects 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000003902 lesion Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 24
- 208000027418 Wounds and injury Diseases 0.000 claims description 20
- 208000014674 injury Diseases 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 15
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 208000017899 Foot injury Diseases 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种基于钢轨B显图像机器学习的内部伤损识别方法,基于钢轨内部伤损B显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类,其具体步骤包括:1)对改进YOLO V5网络模型的训练步骤;2)基于改进YOLO V5网络模型进行伤损识别步骤;所述改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意力机制、采用α‑CIoU作为改进的损失。本发明方法基于钢轨B显图像,采用改进的YOLO V5模型对钢轨伤损进行识别与分类,具有识别准确率高、速度快、降低人工成本并有效提升检测效率的优点。
Description
技术领域
本发明涉及钢轨探伤、机器学习领域,具体涉及一种基于钢轨B显图像机器学习的内部伤损识别方法。
背景技术
超声波探伤在铁路领域有着广泛的应用,钢轨探伤车采用超声波检测原理对在役钢轨内部伤损进行检测,通过对检测数据进行分析以判断钢轨中是否存在伤损。目前既有探伤车检测数据分析软件(既有系统)对检测数据进行自动分析存在误报率高的问题,而且存在伤损漏报。为确保不发生伤损漏报、降低误报率,需要在既有系统分析基础上再次基于B显图像进行人工分析,即需对检测数据进行2次分析,存在效率低下的问题。
近年来,机器学习技术由于具有自动特征提取特性而受到越来越多的关注,已经广泛应用于轨道交通领域。在钢轨B显图像上,横坐标代表超声探头沿着铁轨方向移动的距离,纵坐标代表声波传播距离。超声波在缺陷处会反射形成回波,B显图像中不同的颜色代表不同的超声波回波通道出波结果,各通道的回波经过处理,以不同的颜色显示在钢轨的B显图像上。B显图像可直观了解探头移动下方被检钢轨截面的缺陷分布及离探测面的深度。钢轨最常出现的伤损类型主要包括轨头核伤、轨底伤损、螺孔裂纹、断面等。轨头核伤与轨底伤损在B显图像中目标较小。
当前钢轨B显图像伤损识别方法存在伤损漏报、准确率不高、鲁棒性较差等问题。
发明内容
一种基于钢轨B显图像机器学习的内部伤损识别方法,基于钢轨内部伤损B显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类,其具体步骤包括:
1)对改进YOLO V5网络模型的训练步骤;
2)基于改进YOLO V5网络模型进行伤损识别步骤;
所述改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意力机制、采用α-CIoU作为改进的损失;
其中,引入了CBAM注意机制是指对backbone中最后一个CBS模块输出的特征图作为CBAM注意力模块的输入,CBAM注意力模块会依次沿着独立的通道维度和空间维度推断注意力图,然后将注意力图乘以输入特征图作为SPP模块的输入;
所述CBAM注意力模块包括独立的通道注意力模块和独立的空间注意力模块,所述通道注意力模块和空间注意力模块分别在通道与空间上进行注意力权重计算。
具体的,所述α-CIoU的具体计算公式为:
α-CIoU=式中/>是超参数,通过调节/>能够调节预测框的精度,dc为预测框和真实框中心点间的距离,ds为预测框和真实框最小外接矩形的对角线距离;IoU为预测框和真实框的交并比,A,B分别代表预测框和真实框,其计算公式如下所示:IoU=/>
为平衡参数,v用于衡量宽高比的倾斜角度,计算公式如下所示:
=/>
其中w、h分别代表预测框的宽、高,wgt、hgt分别代表真实框的宽、高;
改进的损失LOSSα-CIoU的计算公式如下所示:
LOSSα-CIoU=。
具体的,所述对改进YOLO V5网络模型的训练步骤具体包括:
1-1)基于获得的第三方钢轨超声波B显样本数据对改进YOLO V5网络模型进行训练,其训练结果参数作为改进YOLO V5网络模型的训练的初始参数;
1-2)采集钢轨超声波B显数据,经探伤主机处理后获取B显图像;
1-3)对B显图像分类并标注;
1-4)收集B显样本数据M个;
1-5)通过针对钢轨B显图像的数据增强方法处理B显图像,处理后样本数扩展到Q个;
1-6)对各B显图像样本进行基于EMD方法的边沿处理;
1-7)用经边沿处理后的B显图像样本对基于改进的YOLO V5网络模型进行优化训练;
1-8)在训练完成后,将训练完的YOLO V5权值保存。
具体的,所述步骤1-5)中针对钢轨B显图像的数据增强,是采用在图片对应出波区域内的任意位置粘贴对应的伤损图像的数据增强方法;其具体实现步骤为:
1-5-1)将轨头核伤,轨底裂纹和螺孔裂纹中伤损中的小目标,即轨头核伤与轨底裂纹从B显图像中裁剪出来保存在文件夹中备用;
1-5-2)从中随机抽取1~3个裁剪出来的小目标进行缩小与放大;
1-5-3)将处理过后的轨头核伤随机粘贴在轨头核伤出波区,轨底裂纹随机粘贴在轨底裂纹出波区,要求粘贴伤损不能与原图伤损重合并且粘贴位置不能超出出波区。
具体的,所述基于改进YOLO V5网络模型进行伤损识别步骤具体包括:
2-1)双轨式超声波探伤车的超声波探轮发射并接收超声波;
2-2)探伤主机对接收的超声波进行处理得到B显图像;
2-3)对B显图像进行基于EMD方法的边沿处理;
2-4)将经边沿处理后的B显图像输入训练好的改进YOLO V5网络模型进行识别;
2-5) 输出钢轨伤损识别结果。
具体的,所述的基于EMD方法的边沿处理,具体步骤包括:
A)将RGB彩色B显图像转化为灰度图像,图像像素大小为N0*N0,N0为320与5120间整数;令待处理量/>,其中n表示第n次分解,初值为1;x,y分别代表灰度图像上每个像素点的坐标,以图片左下角坐标为原点(0,0);x,y取值均为区间 [0, N0]的整数;
B)计算的局部极大值点和局部极小值点;分别对局部极大值点和局部极小值点进行曲面插值拟合,得到极大值包络面/>和极小值包络面;均值包络面/>计算公式如下所示:
;
C)二维EMD图像分解;将原图像序列中每个点的值分别减去上下包络线的平均值/>,获取经验模式分解后的分量图像/>;计算公式如下所示:
=/>-/>;
检测是否满足IMF的筛分终止条件SD≤μ,其中μ为阈值常数,取0.3,SD=/>;如果满足,则判定/>是第1个IMF分量; 否则,令/>=/>,继续从步骤B)开始重复执行,然后直到重复N次筛选后图像满足筛分终止条件SD≤μ即停止并令/>是第1个IMF分量,筛分出的第1个IMF为=/>,记为IMF1;
令=/>-/>,n=1;
继续从步骤B)开始重复执行,直到重复M次筛选后图像满足筛分终止条件SD≤μ即停止;令/>=/>为第2个IMF分量,记为IMF2;
D)分别将提取出的第1个IMF分量IMF1和第2个IMF分量IMF2进行Canny边缘检测,获得IMF1和IMF2的边缘;
E)重构图像;将IMF1和IMF2的边缘进行叠加获取边沿处理后的B显图像。
有益效果
基于钢轨B显图像,采用改进的YOLO V5模型对钢轨伤损进行识别与分类,具有识别准确率高、速度快、降低人工成本并有效提升检测效率的优点;
对B显图像或图像样本进行基于EMD方法的边沿处理,可以大大提高边沿检测的准确性和稳定性,在高噪声环境仍然可以实现更加准确和细致的图像边沿检测;
在backbone中的SPP模块前引入了CBAM注意力机制,提升了网络对小目标如轨头核伤和轨底裂纹的检测能力。
采用α-CIoU作为改进的损失函数,回归预测更为精准,在模型训练时能快速收敛,在小数据集上仍能保持较高的鲁棒性。
在改进YOLO V5网络模型的训练步骤中,引入基于模型的迁移学习,将基于第三方钢轨超声波B显样本数据训练得到的模型参数作为模型训练的初始化参数,从而在实际采集钢轨超声波B显数据有限的情况下提高模型的性能和泛化能力,加快训练速度;
针对钢轨B显图像的数据增强方法,提高了检测精度;使改进的YOLO V5模型学习到更多鲁棒性的特征,有效提高模型的泛化能力;
附图说明
图1为本发明的基于改进的YOLO V5网络模型的训练流程图。
图2为本发明的基于改进的YOLO V5网络模型结构图。
图3为本发明的基于钢轨B显图像机器学习的内部伤损识别流程图。
图4为本发明的基于EMD方法的边沿处理流程图。
图5为本发明的基于EMD方法的边沿处理过程图片 。
图6为本发明的未经过数据增强与数据增强后的B显图像对比图。
图7为本发明的螺孔裂纹的真实框与预测框图。
图8为本发明的基于钢轨B显图像机器学习的内部伤损识别方法的钢轨伤损识别结果图。
图9为实施例中训练损失下降曲线图。
图10为实施例中各B显图像检测识别结果效果图。
实施方式
一种基于钢轨B显图像机器学习的内部伤损识别方法,基于钢轨内部伤损B显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类,其具体步骤包括:
1)对改进YOLO V5网络模型的训练步骤。
2)基于改进YOLO V5网络模型进行伤损识别步骤。
结合图1,对改进YOLO V5网络模型的训练步骤具体包括以下流程:
1-1)基于获得的第三方钢轨超声波B显样本数据共1037个,对改进YOLO V5网络模型进行训练,其训练结果参数作为改进YOLO V5网络模型的训练的初始参数;
1-2)采集钢轨超声波B显数据,经探伤主机处理后获取B显图像;
1-3)对B显图像分类并标注;
1-4)收集B显样本数据861个;
1-5)通过针对钢轨B显图像的数据增强方法处理B显图像,处理后样本数达到1714个。
结合图6,上述数据增强方法具体实施如下:
先将轨头核伤,轨底裂纹和螺孔裂纹中伤损中的小目标,即轨头核伤与轨底裂纹从B显图像中裁剪出来保存在文件夹中备用;然后从中随机抽取1~3个裁剪出来的小目标进行缩放与放大(范围在0.9-1.1),将处理过后的轨头核伤随机粘贴在轨头核伤出波区,轨底裂纹随机粘贴在轨底裂纹出波区,要求粘贴伤损不能与原图伤损重合(即粘贴伤损与原伤损之间计算的IoU必须为0)并且粘贴位置不能超出出波区。
以核伤为例,图6展示了随机粘贴2个小目标后的效果,输入图片尺寸为640*640。图6左边是未经过数据增强的原始图像,右侧是经过数据增强的图像。除上方框1内的核伤外,其他框2和框3内的轨头核伤与轨底裂纹是经过随机粘贴生成的。通过将经上述处理后的图片添加到训练集中与原始数据一起训练,从而达到增加训练样本量,提升检测精度的目的。
1-6)对各B显图像样本进行基于EMD方法的边沿处理;
1-7)用经边沿处理后的B显图像样本对基于改进的YOLO V5网络模型进行优化训练;
1-8)在训练完成后,将训练完的YOLO V5权值保存;
改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意机制、采用α-CIoU作为改进的损失。
改进后的YOLO V5网络模型如图2所示,CBAM注意力模块包括独立的通道注意力模块和独立的空间注意力模块,通道注意力模块和空间注意力模块分别在通道与空间上进行注意力权重计算。将原YOLO V5模型的backbone中最后一个CBS输出的特征图作为CBAM模块的输入,CBAM模块会依次沿着独立的通道维度和空间维度推断注意力图,然后将注意力图乘以输入特征图作为SPP模块的输入。α-CIoU的具体计算公式为:α-CIoU=
式中是可以调节的超参数,通过调节/>可以调节预测框的精度,dc为预测框和真实框中心点间的距离,ds为预测框和真实框最小外接矩形的对角线距离。IoU为预测框和真实框的交并比,A,B分别代表预测框和真实框,其计算公式如下所示:IoU=/>
为平衡参数,v为用于衡量宽高比的倾斜角度,计算公式如下所示:
=/>
w、h分别代表预测框的宽、高,wgt、hgt分别代表真实框的宽、高;
用1减去α-CIoU就可以得到相应的LOSS了,计算公式如下所示:
LOSSα-CIoU=
以核伤为例,图7展示了真实框和预测框,其中内框4为真实框,外框5为预测框。其IoU经公式IoU=计算计算得出为0.79,/>=0.53,/>=0.05,LOSSα-CIoU=0.38,与普通CIOU的LOSSCIoU=0.24的计算结果相比提升了预测框的精度。
如图3所示,基于改进YOLO V5网络模型进行伤损识别步骤如下:
2-1)双轨式超声波探伤车的超声波探轮发射并接收超声波;
2-2)探伤主机对接收的超声波进行处理得到B显图像;
2-3)对B显图像进行基于EMD方法的边沿处理;
基于EMD方法的B显图像边沿处理,结合图4和图5,包括以下流程:
A)将RGB彩色B显图像转化为灰度图像,令灰度图像为 ,图像像素大小为320*320。图5第一排2张图像展示了原始B显图像与转换成的灰度图像。令,/>作为待处理量。其中n表示第n次分解,初值为1。x,y分别代表灰度图像上每个像素点的坐标,以图片左下角坐标为原点(0,0)。x,y取值均为区间 [0, 320]的整数。/>代表坐标/>下的灰度值。
B)计算图像的局部极大值点和局部极小值点。分别对局部极大值点和局部极小值点进行曲面插值拟合,得到极大值包络面得到极大值包络面/>和极小值包络面/>;均值包络面/>计算公式如下所示:
。
C)二维EMD图像分解。为了获取经验模式分解后的分量图像,将原图像序列中每个点的值/>分别减去上下包络线的平均值/>,计算公式如下所示:
=/>-/>;
检测是否满足IMF的筛分终止条件SD≤μ,其中μ为阈值常数,取0.3,SD=/>。如果满足,则判定/>是第1个IMF分量; 否则,令/>=/>,继续从步骤B)开始重复执行,然后直到重复N次筛选后图像满足筛分终止条件SD≤μ即停止并令/>是第1个IMF分量,筛分出的第1个IMF为=/>;
令=/>-/>,n=1;
继续从步骤B)开始重复执行,直到重复M次筛选后图像满足筛分终止条件SD≤μ即停止。令/>=/>为第2个IMF分量。如图5第二排2张图像所示,经过二维EMD图像分解的得到的IMF1和IMF2图像。
D)分别将提取出的第1个IMF分量IMF1和第2个IMF分量IMF2进行Canny边缘检测,提取最终的结果即为IMF1和IMF2的边缘,如图5第三排2张图像所示。
E)重构图像。将处理过后的IMF1和IMF2像进行叠加获取结果图像如图5最后一排的图像所示。
2-4)将经边沿处理后的B显图像输入训练好的改进YOLO V5网络模型进行识别;
2-5) 输出钢轨伤损识别结果。
基于钢轨B显图像机器学习的内部伤损识别方法的钢轨伤损识别结果如图8所示,SHC代表Screw Hole Crack即螺孔裂纹。
1 实验硬件环境
由于该实验需要对大量的图数据进行处理,所以需要利用GPU进行计算。表1为实验所需要的硬件环境。
2 实验软件件环境
本实验所使用的模型为YOLO V5,部分实验采用的环境参数如表2所示。
3 训练参数及策略
在整个训练过程中,训练参数设置如下:最大训练迭代次数(epoch)为250,
batchsize设置为16。采用迁移学习的方式对模型进行训练。基于获得的第三方钢轨超声波
B显样本数据共1037个,对改进YOLO V5网络模型进行训练,其训练结果参数作为改进YOLO
V5网络模型的训练的初始参数;损失函数α-CIoU中超参数的值取3,模型训练时能快速收
敛,在本发明的小数据集上仍能保持较高的鲁棒性。通过调整一系列参数后模型经过训练
得到如图9所示的损失下降曲线,其中横坐标表示训练的迭代次数,纵坐标为损失值,从图
中可以看到,YOLO V5m损失函数中三个方面的损失整体均趋于收敛,通过损失函数可以看
出,模型拟合效果达到预期,整体趋于稳定,能够进行测试与验证。
4 评价指标及结论
为验证本发明提出的改进YOLO V5目标检测算法相较于其他检测算法具有更好的目标检测能力,本发明与目前的一些目标检测算法进行对比实验。选取Faster R-CNN、YOLOV3、YOLO V4、未改进的YOLO V5四种经典目标检测算法做对比实验。本发明使用相同的测试集进行测试,以mAP50、mAP50-95这两项作为评价标准,展示不同目标检测算法在NC(轨头核伤),SHC(螺孔裂纹),RBC(轨底裂纹),SE(断面)四种类别的检测精度以及四种类别的平均精度。不同目标检测算法实验结果如表3所示。
根据表3得到的结果可看出,对于改进的YOLO V5目标检测算法的各项指标,相较于Faster R-CNN、YOLO V3、YOLO V4和未改进的YOLO V5算法均有不同程度的增长,对比四种算法,mAP50值几乎达到100%,mAP50-95值分别提高了78.8%、26.5%、14.9%和0.8%,虽然整体上相较于未改进模型的提升不大,但是对于钢轨伤损中最常出现的小型伤损NC及RBC的mAP50-95值分别提高了1.5%、4.5%。说明改进YOLO V5算法在钢轨超声波B显图像中能够更准确地识别小目标伤损。测试效果如图10所示,B显伤损能同时准确的识别出来。实验结果证明,改进后的YOLO V5算法相较于以上四种经典算法,明显提高了对钢轨超声波B显图像中小目标对象的检测精度,且综合目标检测能力最好。
Claims (6)
1.一种基于钢轨B显图像机器学习的内部伤损识别方法,其特征在于基于钢轨内部伤损B显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类,其具体步骤包括:
1)对改进YOLO V5网络模型的训练步骤;
2)基于改进YOLO V5网络模型进行伤损识别步骤;
所述改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意力机制、采用α-CIoU作为改进的损失;
其中,引入了CBAM注意机制是指对backbone中最后一个CBS模块输出的特征图作为CBAM注意力模块的输入,CBAM注意力模块会依次沿着独立的通道维度和空间维度推断注意力图,然后将注意力图乘以输入特征图作为SPP模块的输入;
所述CBAM注意力模块包括独立的通道注意力模块和独立的空间注意力模块,所述通道注意力模块和空间注意力模块分别在通道与空间上进行注意力权重计算。
2.根据权利要求1所述的方法,其特征在于所述α-CIoU的具体计算公式为:
α-CIoU=式中/>是超参数,通过调节/>能够调节预测框的精度,dc为预测框和真实框中心点间的距离,ds为预测框和真实框最小外接矩形的对角线距离;IoU为预测框和真实框的交并比,A,B分别代表预测框和真实框,其计算公式如下所示:IoU=/>
为平衡参数,v用于衡量宽高比的倾斜角度,计算公式如下所示:
=/>
其中w、h分别代表预测框的宽、高,wgt、hgt分别代表真实框的宽、高;
改进的损失LOSSα-CIoU的计算公式如下所示:
LOSSα-CIoU=。
3.根据权利要求1所述的方法,其特征在于所述对改进YOLO V5网络模型的训练步骤具体包括:
1-1)基于获得的第三方钢轨超声波B显样本数据对改进YOLO V5网络模型进行训练,其训练结果参数作为改进YOLO V5网络模型的训练的初始参数;
1-2)采集钢轨超声波B显数据,经探伤主机处理后获取B显图像;
1-3)对B显图像分类并标注;
1-4)收集B显样本数据M个;
1-5)通过针对钢轨B显图像的数据增强方法处理B显图像,处理后样本数扩展到Q个;
1-6)对各B显图像样本进行基于EMD方法的边沿处理;
1-7)用经边沿处理后的B显图像样本对基于改进的YOLO V5网络模型进行优化训练;
1-8)在训练完成后,将训练完的YOLO V5权值保存。
4.根据权利要求3所述的方法,其特征在于所述步骤1-5)中针对钢轨B显图像的数据增强,是采用在图片对应出波区域内的任意位置粘贴对应的伤损图像的数据增强方法;其具体实现步骤为:
1-5-1)将轨头核伤,轨底裂纹和螺孔裂纹中伤损中的小目标,即轨头核伤与轨底裂纹从B显图像中裁剪出来保存在文件夹中备用;
1-5-2)从中随机抽取1~3个裁剪出来的小目标进行缩小与放大;
1-5-3)将处理过后的轨头核伤随机粘贴在轨头核伤出波区,轨底裂纹随机粘贴在轨底裂纹出波区,要求粘贴伤损不能与原图伤损重合并且粘贴位置不能超出出波区。
5.根据权利要求1所述的方法,其特征在于所述基于改进YOLO V5网络模型进行伤损识别步骤具体包括:
2-1)双轨式超声波探伤车的超声波探轮发射并接收超声波;
2-2)探伤主机对接收的超声波进行处理得到B显图像;
2-3)对B显图像进行基于EMD方法的边沿处理;
2-4)将经边沿处理后的B显图像输入训练好的改进YOLO V5网络模型进行识别;
2-5) 输出钢轨伤损识别结果。
6.根据权利要求3或5所述的方法,其特征在于所述的基于EMD方法的边沿处理,具体步骤包括:
A)将RGB彩色B显图像转化为灰度图像,图像像素大小为N0*N0,N0为320与5120间整数;令待处理量/>,其中n表示第n次分解,初值为1;x,y分别代表灰度图像上每个像素点的坐标,以图片左下角坐标为原点(0,0);x,y取值均为区间[0, N0]的整数;
B)计算的局部极大值点和局部极小值点;分别对局部极大值点和局部极小值点进行曲面插值拟合,得到极大值包络面/>和极小值包络面/>;均值包络面/>计算公式如下所示:
;
C)二维EMD图像分解;将原图像序列中每个点的值分别减去上下包络线的平均值/>,获取经验模式分解后的分量图像/>;计算公式如下所示:
=/>-/>;
检测是否满足IMF的筛分终止条件SD≤μ,其中μ为阈值常数,取0.3,;如果满足,则判定/>是第1个IMF分量; 否则,令=/>,继续从步骤B)开始重复执行,然后直到重复N次筛选后图像满足筛分终止条件SD≤μ即停止并令/>是第1个IMF分量,筛分出的第1个IMF为=/>,记为IMF1;
令=/>-/>,n=1;
继续从步骤B)开始重复执行,直到重复M次筛选后图像满足筛分终止条件SD≤μ即停止;令/>=/>为第2个IMF分量,记为IMF2;
D)分别将提取出的第1个IMF分量IMF1和第2个IMF分量IMF2进行Canny边缘检测,获得IMF1和IMF2的边缘;
E)重构图像;将IMF1和IMF2的边缘进行叠加获取边沿处理后的B显图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048937.1A CN116805315A (zh) | 2023-08-21 | 2023-08-21 | 一种基于钢轨b显图像机器学习的内部伤损识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048937.1A CN116805315A (zh) | 2023-08-21 | 2023-08-21 | 一种基于钢轨b显图像机器学习的内部伤损识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116805315A true CN116805315A (zh) | 2023-09-26 |
Family
ID=88079647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048937.1A Pending CN116805315A (zh) | 2023-08-21 | 2023-08-21 | 一种基于钢轨b显图像机器学习的内部伤损识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805315A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140166766A1 (en) * | 2012-12-17 | 2014-06-19 | Tuskegee University | Railroad rail head repair |
CN111402209A (zh) * | 2020-03-03 | 2020-07-10 | 广州中国科学院先进技术研究所 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
CN113418987A (zh) * | 2021-06-17 | 2021-09-21 | 北京铁路电气化学校 | 一种运行状态下的钢轨在轨检测方法及其检测设备 |
CN113627294A (zh) * | 2021-07-29 | 2021-11-09 | 凌细英 | 一种基于深度学习的变电站异常智能识别方法及系统 |
CN114720560A (zh) * | 2022-03-20 | 2022-07-08 | 哈尔滨工业大学 | 一种基于模态分解成像算法的碳纤维复合材料板分层缺陷空气耦合Lamb波超声检测方法 |
CN115239632A (zh) * | 2022-06-23 | 2022-10-25 | 西南交通大学 | 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法 |
CN115761401A (zh) * | 2022-11-09 | 2023-03-07 | 杭州像素元科技有限公司 | 一种基于卷积神经网络的高速公路小目标检测方法及装置 |
-
2023
- 2023-08-21 CN CN202311048937.1A patent/CN116805315A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140166766A1 (en) * | 2012-12-17 | 2014-06-19 | Tuskegee University | Railroad rail head repair |
CN111402209A (zh) * | 2020-03-03 | 2020-07-10 | 广州中国科学院先进技术研究所 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
CN113418987A (zh) * | 2021-06-17 | 2021-09-21 | 北京铁路电气化学校 | 一种运行状态下的钢轨在轨检测方法及其检测设备 |
CN113627294A (zh) * | 2021-07-29 | 2021-11-09 | 凌细英 | 一种基于深度学习的变电站异常智能识别方法及系统 |
CN114720560A (zh) * | 2022-03-20 | 2022-07-08 | 哈尔滨工业大学 | 一种基于模态分解成像算法的碳纤维复合材料板分层缺陷空气耦合Lamb波超声检测方法 |
CN115239632A (zh) * | 2022-06-23 | 2022-10-25 | 西南交通大学 | 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法 |
CN115761401A (zh) * | 2022-11-09 | 2023-03-07 | 杭州像素元科技有限公司 | 一种基于卷积神经网络的高速公路小目标检测方法及装置 |
Non-Patent Citations (6)
Title |
---|
LI M L等: "A pedestrian detection network model based on improved YOLOv5", 《ENTROPY》, vol. 25, no. 2, pages 1 - 14 * |
XUE Z等: "A Small Target Forest Fire Detection Model Based on YOLOv5 Improvement", 《FORESTS》, vol. 13, no. 8, pages 6 - 7 * |
张雪锋等: "一种改进BEMD的指纹边缘检测算法", 《西安邮电大学学报》, vol. 23, no. 1, pages 45 - 52 * |
贺一楠等: "二维经验模态分解算法遥感影像解模糊", 《计算机应用研究》, vol. 32, no. 1, pages 277 - 279 * |
贾可等: "二维EMD的指纹边缘检测算法", 《传感器与微系统》, vol. 5, no. 10, pages 132 - 135 * |
郑远攀等: "改进的YOLOv5烟雾检测模型", 《计算机工程与应用》, vol. 59, no. 7, pages 216 - 218 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232687B (zh) | 一种电力巡检图像中带销螺栓缺陷的检测方法 | |
US20210042929A1 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
CA2742632C (en) | Method and system for determining structural similarity between images | |
US8184915B2 (en) | Device and method for fast computation of region based image features | |
JP3999964B2 (ja) | 目を検出するマルチモードデジタル画像処理方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN113744262A (zh) | 一种基于GAN和YOLO-v5的目标分割检测方法 | |
CN111325738A (zh) | 一种用于横穿孔周边裂纹的智能检测方法及系统 | |
Wang et al. | Unstructured road detection using hybrid features | |
CN114463362A (zh) | 一种基于深度学习的三维避碰声呐障碍物检测方法及系统 | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN102184529B (zh) | 基于经验模态分解的边缘检测方法 | |
CN111881775B (zh) | 一种人脸实时识别方法和装置 | |
CN113536896A (zh) | 基于改进Faser RCNN的小目标检测方法、装置及存储介质 | |
CN114078112A (zh) | 肝脏变性程度的检测方法、装置、计算机设备和存储介质 | |
CN116805315A (zh) | 一种基于钢轨b显图像机器学习的内部伤损识别方法 | |
CN104156956B (zh) | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 | |
CN112132884A (zh) | 基于平行激光和语义分割的海参长度测量方法及系统 | |
JP5773935B2 (ja) | シーンにおけるオブジェクトを分類する方法 | |
CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 | |
迟大钊 et al. | Defect detection method based on 2D entropy image segmentation | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
CN117037049B (zh) | 基于YOLOv5深度学习的图像内容检测方法及系统 | |
Rufeil et al. | Comparison of edge detection algorithms on the undecimated wavelet transform |
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 |