[发明专利]钢轨表面缺陷识别方法及装置

权利要求书

1.一种钢轨表面缺陷识别方法，其特征在于，所述方法包括：

获取拍摄的钢轨表面图像；

利用预先训练的连续缺陷检测模型对钢轨表面图像进行连续缺陷识别，识别出钢轨位置及连续缺陷图像，其中，钢轨位置为钢轨在图像中所处的像素行列位置；

针对每一幅没有识别出连续缺陷的钢轨表面图像，按照所述钢轨位置对钢轨区域进行光带提取，生成光带二值图；

根据光带二值图计算钢轨区域的区域光带指标；

将区域光带指标输入分类器，判断钢轨是否存在表面疑似缺陷；

将存在表面疑似缺陷的钢轨表面图像输入预先训练的局部缺陷检测模型进行局部缺陷识别，得到局部缺陷图像、局部缺陷类型以及局部缺陷位置；

输出连续缺陷图像、局部缺陷图像、局部缺陷类型及对应的局部缺陷位置。

2.根据权利要求1所述的方法，其特征在于，在根据光带二值图计算钢轨区域的区域光带指标之前，所述方法还包括：

按照第一预设长度将光带二值图中光带划分为多个等长的子区域，其中，相邻两个子区域存在第二预设长度的重叠区域；

根据光带二值图计算钢轨区域的区域光带指标，包括：

根据光带二值图计算每个子区域以及完整钢轨区域的区域光带指标；

将区域光带指标输入分类器，判断钢轨是否存在表面疑似缺陷，包括：

将每个子区域的区域光带指标以及完整钢轨区域的区域光带指标分别分入分类器，判断钢轨是否存在表面疑似缺陷。

3.根据权利要求1或2所述的方法，其特征在于，根据光带二值图计算钢轨区域的区域光带指标，包括：

从光带二值图中提取光带特征，所述光带特征包括区域内每一行光带的宽度、区域光带总行数、区域光带宽度最大值、区域光带宽度最小值、区域内每一像素的像素值和区域光带总列数；

根据光带特征计算钢轨区域的区域光带指标。

4.根据权利要求3所述的方法，其特征在于，根据光带特征计算钢轨区域的区域光带指标，包括：

根据每一行光带的宽度及区域光带总行数计算区域平均宽度；

根据区域平均宽度、每一行光带的宽度，以及区域光带总行数计算区域宽度标准差；

根据区域光带宽度最大值及区域光带宽度最小值计算区域宽度绝对极值差；

根据区域光带宽度最大值、区域光带宽度最小值及区域平均宽度，计算区域宽度相对极值差；

根据区域内每一像素的像素值、区域光带总行数及区域光带总列数计算区域平均梯度；

根据区域内每一像素的像素值、区域光带总行数和区域光带总列数计算区域光带面积；

将区域平均宽度、区域宽度标准差、区域宽度绝对极值差、区域宽度相对极值差、区域平均梯度及区域光带面积确定为每一区域的区域光带指标。

5.根据权利要求1所述的方法，其特征在于，在利用预先训练的连续缺陷检测模型对钢轨表面图像进行连续缺陷识别之前，所述方法还包括：

获取第一样本图像，所述第一样本图像中包括存在连续缺陷的钢轨图像以及不存在连续缺陷的钢轨图像；

在第一样本图像中标注完整钢轨位置，并在存在连续缺陷的钢轨图像中标注连续缺陷标识；

利用标注的第一样本图像对深度学习目标检测模型进行训练，得到连续缺陷检测模型。

6.根据权利要求1所述的方法，其特征在于，在将存在表面疑似缺陷的钢轨表面图像输入预先训练的局部缺陷检测模型进行局部缺陷识别之前，所述方法还包括：

获取第二样本图像，所述第二样本图像包括存在局部缺陷的钢轨图像；

在第二样本图像中标注局部缺陷位置及局部缺陷类型标识；

利用标注的第二样本图像对深度学习目标检测模型进行训练，得到局部缺陷检测模型。