基于圖像識別的鐵路貨車軸承缺陷識別方法研究

宋春雪 趙國榮 呂珊 高一方 郭鵬飛

摘要：目前，鐵路貨車軸承檢修時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、漏檢嚴重。近年來，深度學習技術(shù)在表面損傷檢測和識別領(lǐng)域廣泛應用，使得檢測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)庫的基礎上，進行了數(shù)據(jù)預處理和數(shù)據(jù)增強，提出一種新的改進卷積神經(jīng)網(wǎng)絡模型，該模型在識別率上具有一定的優(yōu)勢。

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

隨著人工智能的發(fā)展，視覺檢測技術(shù)被廣泛應用于工業(yè)檢測領(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檢測設備，代替人工識別缺陷，不僅可以降低人員勞動強度和人員培訓成本，同時能夠保證軸承探傷缺陷識別的工作效率和準確率，是未來發(fā)展的趨勢與熱點。本文將卷積神經(jīng)網(wǎng)絡應用到鐵路貨車軸承黑磁粉探傷中，為實現(xiàn)自動檢測提供技術(shù)上的支持。

1圖像預處理

1.1數(shù)據(jù)采集

數(shù)據(jù)采集是直接在軸承探傷過程中進行的。缺陷在磁粉聚集狀態(tài)下，顯示明顯[2]。采集數(shù)據(jù)時，采用的攝像設備為Canon EOS M200數(shù)碼相機，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)接嬎銠C進行圖像處理。

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，因此需要進行數(shù)據(jù)的整理與清洗工作。主要進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，實現(xiàn)去重處理。

（2）將反光嚴重，影響缺陷顯示的圖片數(shù)據(jù)人工刪除。

（3）對所有數(shù)據(jù)進行維納濾波，實現(xiàn)所有數(shù)據(jù)的圖像去噪。

（4）采用自動閾值分割，配合多次數(shù)學形態(tài)學中的運算方法進行缺陷的提取。對于復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簽圖兩部分構(gòu)成。首先將圖片設置為統(tǒng)一像素大小，為防止內(nèi)存溢出，將原圖與標簽圖分別切割成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，對切割后的圖片挑選出存在白色目標的圖片與缺陷原圖，最終得到包含缺陷的數(shù)據(jù)為604幅。

3基于改進卷積神經(jīng)網(wǎng)絡的軸承探傷缺陷識別

3.1實驗模型

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

（1）編碼層部分，包含五層，每層網(wǎng)絡包含兩次3×3的雙卷積操作，加強對不同尺度特征學習的能力。

（2）在編碼層部分，對每一層的輸入都進行上下兩次雙卷積策略后，然后對上下兩層的卷積輸出加入密集卷積網(wǎng)絡，對應的上層與之前所有層的上層進行相互連接，對應的下層與之前所有下層相互連接，雙密集網(wǎng)絡的加入，實現(xiàn)了軸承缺陷特征的進一步利用，減少冗余參數(shù)的使用，同時防止梯度消失問題的發(fā)生。

（3）特征融合。雙密集策略后，將兩層的特征進行融合。

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

（5）編碼層與解碼層相對應的層進行了跳層連接。

（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，分別進行全局最大池化策略，該策略通過最大池化的轉(zhuǎn)移不變性，保留了各層特征的原始特征，然后將所的特征進行融合。

（7）引入殘差網(wǎng)絡。在解碼器層中，將編碼器各層與其對應解碼器層各層特征融合，在每層都引入了殘差策略，進一步實現(xiàn)了深層特征的融合，防止特征在逐層網(wǎng)絡學習過程中的損失或丟失，保證了特征的完整性。

（8）同時，為了防止梯度的彌散問題，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)絡的收斂。

3.2實驗結(jié)果

利用本文的網(wǎng)絡模型進行對鐵路貨車缺陷軸承缺陷數(shù)據(jù)集的訓練與驗證，結(jié)果變化曲線如圖1。

由結(jié)果可知，使用本文改進型卷積神經(jīng)網(wǎng)絡模型進行網(wǎng)絡驗證時，一開始便具有很高的準確率，在95%以上，損失值在0.2%以下。迭代次數(shù)為10次左右時，準確率與損失值趨于穩(wěn)定，準確率最高達98.72%，損失值在0.02%以下。無過擬合和振蕩現(xiàn)象。

4結(jié)論

本文提出一種改進型卷積神經(jīng)網(wǎng)絡模型，對鐵路貨車軸承缺陷進行檢測，編碼層采用雙密集網(wǎng)絡、雙卷積網(wǎng)絡、全局最大池化來進行特征的提取與加深，解碼層通過單層卷積操作與殘差網(wǎng)絡完善特征信息，減少特征消失。通過實驗結(jié)果表明，本文建立的改進型卷積神經(jīng)網(wǎng)絡模型運用于鐵路貨車軸承缺陷識別當中可以得到很高的識別準確率，識別效果也較好。有望解決鐵路貨車軸承探傷缺陷檢測中，人工識別的這一難題。

參考文獻：

[1]李建文.磁粉探傷缺陷識別自動化系統(tǒng)設計與開發(fā)[D].南京：南京理工大學，2012.

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