基于遷移學習的車輪踏面損傷檢測*

陳波，于赫天，翟容清，王月明

(內蒙古科技大學 信息工程學院，內蒙古 包頭 014010)

工業(yè)生產中，鏈篦機臺車的工作溫度是不斷變化的，鏈篦機臺車車輪要經受高溫、重載、沖擊振動、粉塵氣流沖刷和水沖淋等惡劣的工作環(huán)境，鏈篦機臺車車輪踏面易發(fā)生損傷問題.這些車輪損傷不能及時發(fā)現(xiàn)會造成整個傳動系統(tǒng)出現(xiàn)故障，引發(fā)生產事故和經濟損失.

目前，對于缺陷檢測主要有渦流檢測法、紅外檢測法、漏磁檢測法和機器視覺檢測法.關于機器視覺檢測，何靜等人提出一種基于Canny-YOLOv3的踏面損傷檢測方法，將深度學習算法應用到列車輪對踏面的損傷檢測中[1].陳超等人提出一種基于輔助數據的增強型最小二乘支持向量機(LssVM)遷移學習策略，用于數據量不足時的軸承故障診斷[2].雷亞國等人提出機械裝備故障的深度遷移診斷方法，將實驗室環(huán)境中積累的故障診斷知識遷移應用于工程實際裝備[3].邵海東等人提出了一種基于提升深度遷移自動編碼器的新方法用于不同機械設備間的軸承故障智能診斷[4].馮毅雄等人針對軸件表面缺陷分析過程中存在小樣本和實時檢測效率低的問題，提出一種集成遷移學習的軸件表面缺陷實時檢測方法[5].

近年來，隨著圖像處理技術與深度神經網絡的發(fā)展[6-8]，基于深度神經網絡可以有效地檢測到車輪踏面的損傷問題，但是在深度神經網絡訓練中需要大量車輪踏面損傷的實際圖像數據.本文根據車輪踏面損傷情況構建了相似車輪踏面損傷的數據集，運用YOLOv3深度學習模型框架對踏面損傷特征進行學習訓練，獲取車輪踏面損傷的深度神經網絡訓練權重參數后，采用遷移學習的思想，檢測出車輪踏面損傷情況，避免因車輪踏面損傷引起的其它安全運行事故或安全隱患問題，提高生產效益，提升企業(yè)管理水平.

1 臺車車輪踏面損傷數據集制作

數字圖像識別處理技術是以圖像為基礎，再利用卷積神經網絡對圖像進行處理、分析、識別和理解，所以想要檢測鏈篦機臺車車輪踏面損傷必須采集大量的臺車車輪踏面的損傷圖片，原始圖像數據的增加會提高特征學習的效率，可以更好地進行踏面損傷檢測.

車輪常見的踏面損傷有踏面磨損(擦傷)與踏面剝離脫落.用深度神經網絡方法對鏈篦機臺車踏面損傷進行檢測識別，需要大量的高質量標注數據來訓練神經網絡模型.由于目前車輪踏面的損傷數據較少，需要根據鏈篦機臺車踏面的損傷圖像特征，構建相似特征的車輪踏面損傷數據集，再運用YOLO深度學習模型框架對踏面損傷特征進行學習訓練，獲取車輪踏面損傷的深度神經網絡訓練權重參數后，采用遷移學習的思想，檢測車輪踏面損傷情況.

考慮到車輪踏面損傷種類的不同，需要構建不同的踏面損傷圖像數據.本實驗通過人工制作構建相似目標領域(車輪踏面損傷)的源鄰域圖片565張，源鄰域圖片使用鐵制品作為原材料通過磨損獲得相似于車輪踏面損傷圖像，目標領域是由35張真實車輪踏面損傷圖像組成的目標數據集.如圖1所示，通過源鄰域圖片(a)與目標領域圖片(b)，構建與車輪踏面相似特征的圖像數據集(使用相似的斑塊作為圖像特征).使用labelimg標注工具對數據集進行標注，整理并生成與圖片對應的xml文件，生成相應的標注信息.數據集圖片在訓練前分辨率統(tǒng)一設定為1 400×1 200像素，便于后續(xù)利用YOLOv3深度學習識別踏面損傷圖像.

圖1 相似目標特征的遷移對象(a)源鄰域圖片；(b)目標領域圖片

2 基于遷移學習車輪踏面檢測

由于車輪踏面數據集較少，基于目標屬性的特征進行遷移學習，使用新領域中存在的目標屬性特征，然后利用新領域目標屬性的特征進行遷移，使用神經網絡對其特征進行描述，確保每一個目標特征的權重能夠從一個訓練好的數據集網絡遷移到另一個特征網絡當中，這樣可以減少重新訓練模型的時間，為后期的樣本的檢測提高檢測效率，以達到快速檢測的目的.

本文采用的是YOLOv3深度神經網絡作為遷移學習的主體框架，YOLO是一種基于深度神經網絡的目標屬性識別的定位算法，其中心思想是把目標屬性作為一個相關的邊界和目標屬性分類概率的回歸任務.YOLOv3借鑒了殘差網絡結構，形成更深的網絡層次以及多尺度檢測，提升了mAP及小物體檢測效果.它通過標注的某個特定區(qū)域進行學習，生成一個特定的卷積神經單元網格，在一次次的學習訓練中，一個特定的卷積神經網絡就會從圖像信息中識別出該區(qū)域中所出現(xiàn)的目標屬性.本實驗中檢測的標簽只有一個損失，未對損傷的種類進行分類.

基于遷移學習，首先訓練目標屬性和原始目標屬性必須具有一定的相似度，否則檢測系統(tǒng)在卷積神經深度學習的時候會大大減小識別的準確率.本實驗制作大量的相似圖片，實驗中采用鐵制品劃痕替代臺車的踏面損傷，將鐵制品進行手工打磨、拋光處理模仿臺車車輪踏面，將源鄰域圖像數據集通過深度神經網絡YOLOv3進行訓練學習缺陷數據特征，再使用訓練好的深度神經網絡YOLOv3權重參數對車輪踏面損傷目標領域數據集進行驗證識別.從實驗結果來看基本能檢測到臺車踏面損傷，但是由于制作的鐵制品缺陷數據缺少規(guī)范性，使得后期的訓練檢測學習到一些干擾圖像特征，進而影響車輪踏面損傷檢測的準確性.

3 實驗結果分析

本次模型訓練使用的卷積網絡模型YOLOv3-tiny版本，訓練系統(tǒng)使用的是Windows，電腦顯卡為英偉達GeForce GTX 1050Ti，CPU為Intel Core i5-8300H.本次訓練用在COCO數據集上所完成的預訓練模型作為訓練的原始數據集，訓練時Epoch=2 000，Class設為1，未將踏面損傷進行詳細分類.如圖2所示為車輪踏面損傷檢測結果，從圖2可以看出：(b)和(e)檢測框有重復結果，但總體上不影響遷移學習方法對車輪踏面損傷特征的檢測.總體來說，訓練實驗結果較為理想，對車輪踏面損傷檢測效果較好.

圖2 車輪踏面損傷與檢測結果

實驗當中，使用到了召回率R與mAP作為評價車輪踏面損傷檢測模型的指標.如圖3和圖4所示為遷移學習訓練指標結果.其中圖3為召回率(Recall)指標，即正確的圖像有多少被識別.其計算如式(1)所示.圖4為mAP指標，mAP是平均AP值，是對多個識別對象求平均精度值，作為目標檢測中檢測精度的判斷指標.AP為Average Precision即平均精確度.Precision表示精確率，樣本計算公式如式(2)所示.

圖3 Recall訓練指標結果

圖4 mAP訓練指標結果

Recall(R)=TP/(FP+FN) ，

(1)

Precision(P)=TP/(TP+FP) .(2)

式中：TP為正樣本預測正確；FP為正樣本預測錯誤；FN為負樣本預測錯誤.

如圖5所示，由于目標領域車輪踏面數據集較少，使用制作的圖像數據進行遷移學習訓練，把相似的損傷作為車輪踏面的基礎損傷來學習，大部分的損傷還是可以識別，但是由于部分源領域數據制作難以制作出與目標領域相似的特征數據集，沒有訓練學習到相關的數據圖像特征，例如大面積的魚紋式磨損、臺車車輪踏面斷裂裂紋，因此在本實驗中未能檢測到該類別的車輪踏面損傷，后期需要制作此類別的車輪踏面損傷數據，進行神經網絡的訓練學習.但本實驗方法可以驗證將遷移學習應用于車輪踏面損傷檢測是可行的.

圖5 訓練未能檢測到的樣本

4 結論

(1)應用遷移學習的思想，通過相似領域圖片的遷移學習實現(xiàn)了車輪踏面損傷檢測，建立車輪踏面缺陷的特征數據集，通過訓練源領域圖片的特征提取器，完成相似領域的知識遷移，建立鏈篦機臺車運行狀態(tài)下的車輪踏面實時檢測模型.

(2)基于遷移學習進行車輪踏面檢測方法是可行的.遷移學習的檢測方法通用性強、不受實際生產的場地限制，檢測成本相對較低.

(3)遷移學習檢測技術需要在應用前對車輪踏面所有種類的損傷進行特征數據集的建立，不然對未訓練過的車輪踏面缺陷檢測會出現(xiàn)漏檢現(xiàn)象.