论文部分内容阅读
摘要：目前，铁路货车轴承检修时采用黑磁粉探伤技术，依赖探伤人员人工排查轴承表面缺陷，这种排查方式人工成本高，工作效率低，误检、漏检严重。近年来，深度学习技术在表面损伤检测和识别领域广泛应用，使得检测精度和工作效率大大提升。论文在构建铁路货车轴承缺陷数据库的基础上，进行了数据预处理和数据增强，提出一种新的改进卷积神经网络模型，该模型在识别率上具有一定的优势。
关键词：铁路货车;滚动轴承;表面缺陷检测;卷积神经网络
随着人工智能的发展，视觉检测技术被广泛应用于工业检测领域，在部分岗位上已经取代人工作业，很大程度上提高了生产效率[1]。因此，研发铁路货车轴承黑磁粉探伤自动检测设备，代替人工识别缺陷，不仅可以降低人员劳动强度和人员培训成本，同时能够保证轴承探伤缺陷识别的工作效率和准确率，是未来发展的趋势与热点。本文将卷积神经网络应用到铁路货车轴承黑磁粉探伤中，为实现自动检测提供技术上的支持。
1图像预处理
1.1数据采集
数据采集是直接在轴承探伤过程中进行的。缺陷在磁粉聚集状态下，显示明显[2]。采集数据时，采用的摄像设备为Canon EOS M200数码相机，白光灯的照度与现行的轴承探伤白光灯照度一致，在500 lx下进行的拍摄，拍摄要求是镜头与缺陷所在平面保持平行，镜头与轴承表面距离约为15 cm左右，将采集完成的缺陷传输到计算机进行图像处理。
1.2数据清洗与整理
采集的数据通常包含图像噪声大、数据缺失、数据不规则等特点，因此需要进行数据的整理与清洗工作。主要进行了以下几部分工作。
（1）将相似度比较高的缺陷图片人工筛查，实现去重处理。
（2）将反光严重，影响缺陷显示的图片数据人工删除。
（3）对所有数据进行维纳滤波，实现所有数据的图像去噪。
（4）采用自动阈值分割，配合多次数学形态学中的运算方法进行缺陷的提取。对于复杂的图片配合图像处理软件GIMP提取出所有缺陷的二值图像，保证缺陷的二值图像提取准确。
2数据集生成
數据由铁路货车轴承探伤缺陷原图和缺陷的标签图两部分构成。首先将图片设置为统一像素大小，为防止内存溢出，将原图与标签图分别切割成256×256像素大小，为了避免边缘信息丢失，切割时窗口重叠尺寸为64。切割从左到右，自上而下依次切割。每幅图片可以切割353幅小图片。数据切割后，得到的数据集不均衡，对切割后的图片挑选出存在白色目标的图片与缺陷原图，最终得到包含缺陷的数据为604幅。
3基于改进卷积神经网络的轴承探伤缺陷识别
3.1实验模型
本文建立的改进型卷积神经网络模型包含编码层和解码层，能够实现端到端的训练。主要包含如下几点。
（1）编码层部分，包含五层，每层网络包含两次3×3的双卷积操作，加强对不同尺度特征学习的能力。
（2）在编码层部分，对每一层的输入都进行上下两次双卷积策略后，然后对上下两层的卷积输出加入密集卷积网络，对应的上层与之前所有层的上层进行相互连接，对应的下层与之前所有下层相互连接，双密集网络的加入，实现了轴承缺陷特征的进一步利用，减少冗余参数的使用，同时防止梯度消失问题的发生。
（3）特征融合。双密集策略后，将两层的特征进行融合。
（4）每层之间利用2×2的最大池化操作进行采样，一共包含四次下采样，四次上采样。
（5）编码层与解码层相对应的层进行了跳层连接。
（6）引入全局最大池化策略。在编码层的最后，将每一层的输入与第五层的输出，分别进行全局最大池化策略，该策略通过最大池化的转移不变性，保留了各层特征的原始特征，然后将所的特征进行融合。
（7）引入残差网络。在解码器层中，将编码器各层与其对应解码器层各层特征融合，在每层都引入了残差策略，进一步实现了深层特征的融合，防止特征在逐层网络学习过程中的损失或丢失，保证了特征的完整性。
（8）同时，为了防止梯度的弥散问题，在每层的最后，加入了批量规范化，从而提高了模型的泛化能力，加速网络的收敛。
3.2实验结果
利用本文的网络模型进行对铁路货车缺陷轴承缺陷数据集的训练与验证，结果变化曲线如图1。
由结果可知，使用本文改进型卷积神经网络模型进行网络验证时，一开始便具有很高的准确率，在95%以上，损失值在0.2%以下。迭代次数为10次左右时，准确率与损失值趋于稳定，准确率最高达98.72%，损失值在0.02%以下。无过拟合和振荡现象。
4结论
本文提出一种改进型卷积神经网络模型，对铁路货车轴承缺陷进行检测，编码层采用双密集网络、双卷积网络、全局最大池化来进行特征的提取与加深，解码层通过单层卷积操作与残差网络完善特征信息，减少特征消失。通过实验结果表明，本文建立的改进型卷积神经网络模型运用于铁路货车轴承缺陷识别当中可以得到很高的识别准确率，识别效果也较好。有望解决铁路货车轴承探伤缺陷检测中，人工识别的这一难题。
参考文献：
[1]李建文.磁粉探伤缺陷识别自动化系统设计与开发[D].南京：南京理工大学，2012.
[2]杨羿，张建东，李昊.钢结构桥梁焊接无损检测技术应用及发展[J].轻工科技，2020，36（12）：70-71+114.
关键词：铁路货车;滚动轴承;表面缺陷检测;卷积神经网络
随着人工智能的发展，视觉检测技术被广泛应用于工业检测领域，在部分岗位上已经取代人工作业，很大程度上提高了生产效率[1]。因此，研发铁路货车轴承黑磁粉探伤自动检测设备，代替人工识别缺陷，不仅可以降低人员劳动强度和人员培训成本，同时能够保证轴承探伤缺陷识别的工作效率和准确率，是未来发展的趋势与热点。本文将卷积神经网络应用到铁路货车轴承黑磁粉探伤中，为实现自动检测提供技术上的支持。
1图像预处理
1.1数据采集
数据采集是直接在轴承探伤过程中进行的。缺陷在磁粉聚集状态下，显示明显[2]。采集数据时，采用的摄像设备为Canon EOS M200数码相机，白光灯的照度与现行的轴承探伤白光灯照度一致，在500 lx下进行的拍摄，拍摄要求是镜头与缺陷所在平面保持平行，镜头与轴承表面距离约为15 cm左右，将采集完成的缺陷传输到计算机进行图像处理。
1.2数据清洗与整理
采集的数据通常包含图像噪声大、数据缺失、数据不规则等特点，因此需要进行数据的整理与清洗工作。主要进行了以下几部分工作。
（1）将相似度比较高的缺陷图片人工筛查，实现去重处理。
（2）将反光严重，影响缺陷显示的图片数据人工删除。
（3）对所有数据进行维纳滤波，实现所有数据的图像去噪。
（4）采用自动阈值分割，配合多次数学形态学中的运算方法进行缺陷的提取。对于复杂的图片配合图像处理软件GIMP提取出所有缺陷的二值图像，保证缺陷的二值图像提取准确。
2数据集生成
數据由铁路货车轴承探伤缺陷原图和缺陷的标签图两部分构成。首先将图片设置为统一像素大小，为防止内存溢出，将原图与标签图分别切割成256×256像素大小，为了避免边缘信息丢失，切割时窗口重叠尺寸为64。切割从左到右，自上而下依次切割。每幅图片可以切割353幅小图片。数据切割后，得到的数据集不均衡，对切割后的图片挑选出存在白色目标的图片与缺陷原图，最终得到包含缺陷的数据为604幅。
3基于改进卷积神经网络的轴承探伤缺陷识别
3.1实验模型
本文建立的改进型卷积神经网络模型包含编码层和解码层，能够实现端到端的训练。主要包含如下几点。
（1）编码层部分，包含五层，每层网络包含两次3×3的双卷积操作，加强对不同尺度特征学习的能力。
（2）在编码层部分，对每一层的输入都进行上下两次双卷积策略后，然后对上下两层的卷积输出加入密集卷积网络，对应的上层与之前所有层的上层进行相互连接，对应的下层与之前所有下层相互连接，双密集网络的加入，实现了轴承缺陷特征的进一步利用，减少冗余参数的使用，同时防止梯度消失问题的发生。
（3）特征融合。双密集策略后，将两层的特征进行融合。
（4）每层之间利用2×2的最大池化操作进行采样，一共包含四次下采样，四次上采样。
（5）编码层与解码层相对应的层进行了跳层连接。
（6）引入全局最大池化策略。在编码层的最后，将每一层的输入与第五层的输出，分别进行全局最大池化策略，该策略通过最大池化的转移不变性，保留了各层特征的原始特征，然后将所的特征进行融合。
（7）引入残差网络。在解码器层中，将编码器各层与其对应解码器层各层特征融合，在每层都引入了残差策略，进一步实现了深层特征的融合，防止特征在逐层网络学习过程中的损失或丢失，保证了特征的完整性。
（8）同时，为了防止梯度的弥散问题，在每层的最后，加入了批量规范化，从而提高了模型的泛化能力，加速网络的收敛。
3.2实验结果
利用本文的网络模型进行对铁路货车缺陷轴承缺陷数据集的训练与验证，结果变化曲线如图1。
由结果可知，使用本文改进型卷积神经网络模型进行网络验证时，一开始便具有很高的准确率，在95%以上，损失值在0.2%以下。迭代次数为10次左右时，准确率与损失值趋于稳定，准确率最高达98.72%，损失值在0.02%以下。无过拟合和振荡现象。
4结论
本文提出一种改进型卷积神经网络模型，对铁路货车轴承缺陷进行检测，编码层采用双密集网络、双卷积网络、全局最大池化来进行特征的提取与加深，解码层通过单层卷积操作与残差网络完善特征信息，减少特征消失。通过实验结果表明，本文建立的改进型卷积神经网络模型运用于铁路货车轴承缺陷识别当中可以得到很高的识别准确率，识别效果也较好。有望解决铁路货车轴承探伤缺陷检测中，人工识别的这一难题。
参考文献：
[1]李建文.磁粉探伤缺陷识别自动化系统设计与开发[D].南京：南京理工大学，2012.
[2]杨羿，张建东，李昊.钢结构桥梁焊接无损检测技术应用及发展[J].轻工科技，2020，36（12）：70-71+114.