基于深度学习的铸件DR图像缺陷自动识别的研究

摘要

随着铁路货运列车重载技术的不断发展，对货运列车承载零部件的质量评估和缺陷检测就显得尤为重要。而对于货运列车承载零部件而言，最主要的就是铸钢摇枕和侧架，所以需要对其进行质量评估和缺陷检测的研究，从而确保在实际工业生产需求中的可靠性和安全性。传统的铸件缺陷检测以人工检测为主，人工检测会带来检测速度慢、检测效率低以及检测鲁棒性差等问题，所以亟需寻求一种更加高效且更为精准的铸件缺陷检测方法。　　针对上述存在的问题，本文提出一种基于深度学习的铸件DR图像缺陷检测方法，在确保铸件DR图像缺陷检测实时性的同时提高识别准确度。在基于深度学习的铸件DR图像缺陷检测过程中，首先对铸件DR图像缺陷数据集进行构建；然后对深度学习模型YOLOv3进行结构与性能上的改进，从而使得模型更加适应于本文研究的铸件缺陷特征；接着对改进前后的模型进行训练并得到权重信息，将权重信息用于铸件缺陷测试集中进行检测；最后通过对比实验验证改进后模型对于铸件DR图像缺陷检测任务的有效性。具体所做的工作如下：　　①为解决铸件DR图像缺陷数据集样本量少的问题，采用了数据增强的方式扩充原始铸件缺陷数据集；对于铸件缺陷细节不突出的特点，采用了导向滤波对数据集样本进行图像增强等预处理工作；同时对铸件DR图像缺陷数据集进行标注，构建了一套完整的铸件DR图像缺陷数据集样本；完成了对铸件DR图像缺陷检测模型训练的准备工作。　　②为提高模型对铸件DR图像缺陷的识别能力，通过分析目标检测网络YOLOv3的结构和性能，并对其进行改进和优化。其中，在针对候选框初始化的改进中引入了K-Means++聚类算法；在针对铸件缺陷检测模块的改进中引入了双密度卷积层结构以及增加了模型的预测尺度；在针对网络模型性能的优化中采用了动量梯度下降法等。　　③为验证改进后模型YOLOv3_134在铸件DR图像铸件缺陷识别任务上的有效性，本文从基于训练过程中模型损失函数曲线的变化、基于模型对小目标缺陷的敏感程度、基于不同改进策略中模型的表征能力、基于多种网络模型的检测结果等多个方面进行对比实验；最终分析得到本文铸件缺陷检测模型在保证检测实时性的同时提高了识别准确度，且最终平均准确度均值达88.02%。　　④基于本文研究内容开发了一个铸件DR图像缺陷检测应用软件系统，主要包括客户端图形化用户界面设计和服务器端缺陷检测系统部署；该系统可应用于实际工业生产中对于铸件摇枕和侧架缺陷的识别，在避免人工检测所导致的问题的同时提高了铸件DR图像缺陷检测的效率和精度。

目录

1 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 目标检测技术研究现状

1.2.2 无损检测技术研究现状

1.2.3 基于图像的铸件缺陷检测研究现状

1.3 课题来源

1.4 课题主要研究内容

1.5 论文结构安排

1.6 本章小结

2 铸件缺陷DR 图像数据集构建及预处理

2.1.1 货运列车转向架结构

2.1.2 铸钢摇枕和侧架结构

2.2.1 铸件缺陷 DR图像预处理

2.2.2 铸件缺陷 DR图像数据增强

2.3.1 缺陷标注形式

2.3.2 缺陷标注实现

2.4 本章小结

3 基于YOLOv3 网络模型结构的研究与分析

3.1 引言

3.2 卷积神经网络

3.3 YOLOv3 网络结构分析

3.3.1 YOLOv3的工作原理及流程

3.3.2 YOLOv3网络整体结构

3.3.3 Darknet-53网络结构

3.3.4 残差网络结构

3.3.5 YOLOv3网络多尺度输出预测

3.4 网络输出特征图的预测分析

3.5 YOLOv3 损失函数

3.6 本章小结

4 基于YOLOv3_134 网络模型的铸件缺陷识别

4.1 引言

4.2.1 K-means 均值聚类算法

4.2.2 K-means++聚类算法及其在应用上的改进

4.3 针对缺陷检测模块的改进

4.3.1 引入双密度卷积层结构

4.3.2 增加模型预测尺度

4.4 针对网络模型性能的优化

4.5.1 实验设备与环境

4.5.2 模型评价指标

4.6.1 训练方法

4.6.2 训练实验过程

4.7 对比实验结果与分析

4.7.1 基于训练过程中损失函数值曲线变化的对比实验

4.7.2 基于对小目标检测敏感度的对比实验

4.7.3 基于迭代次数与平均精确度均值关系对比实验

4.7.4 基于验证改进策略有效性的对比实验

4.7.5 基于分析不同模型检测结果的对比实验

4.8 本章小结

5 基于YOLOv3_134 网络的铸件缺陷检测系统实现

5.1 铸件缺陷检测系统任务需求

5.2.1 客户端用户界面设计

5.2.2 服务器端检测系统部署

5.3 铸件缺陷检测系统设计实现

5.4 本章小结

6 总结与展望

6.1 论文总结

6.2 课题展望

参考文献

附录

A. 作者在攻读学位期间发表的论文专利

B. 作者在攻读学位期间参与的科研项目

C. 学位论文数据集

致谢