[发明专利]一种基于深度学习网络的钢轨表面缺陷检测方法

摘要

本发明属于深度学习领域，提供了一种基于深度学习网络的钢轨表面缺陷检测方法，目的在于解决现有钢轨检测方法存在的各种问题。该深度学习方法首先将输入的钢轨图像自动重置为416*416，接着进行图像提取和处理输出。图像提取主要由Darknet‑53模型完成。处理输出主要由类FPN网络模型完成。图像提取首先将钢轨图像划分单元格，根据缺陷在单元格的位置，通过维度聚类的方法计算缺陷的宽高，中心点的坐标，将坐标归一化处理。同时使用逻辑回归来预测边界框对象分数，使用二元交叉熵损失来预测边界框包含的类别，计算置信度，然后经过处理输出中的卷积，上采样，网络特征融合得到预测结果。本发明可以准确的识别缺陷，有效提高钢轨表面缺陷检测识别率。

主权项

1.一种基于深度学习网络的钢轨表面缺陷检测方法，其特征在于，包括如下步骤：步骤一：收集钢轨图像，其中一部分钢轨图像手动标注钢轨缺陷位置，制作钢轨缺陷训练集，另一部分未标注钢轨缺陷位置的钢轨图像作为测试样本集。步骤二：训练深度学习神经网络模型；步骤三：将钢轨缺陷训练集输入到深度学习神经网络模型中，网络进行梯度更新，深度学习神经网络模型不断学习钢轨缺陷的特征；步骤四：当深度学习神经网络模型的loss训练到0.1±0.09且达到收敛时，训练过程结束，对钢轨缺陷训练集和测试样本集的样本进行检测，输出测试样本集的测试准确率；步骤五：对钢轨缺陷训练集和测试样本集的准确率进行比较；若准确率低于期望值，则更改深度学习神经网络模型的参数，重复步骤一到四，直到测试的准确率达到期望值或高于期望值。