基于Faster R-CNN算法的列车轴承表面缺陷检测研究

摘要：

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测.建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较.试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03％、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73％、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求.

关键词：深度学习、缺陷检测、图像增广、卷积神经网络

所属期刊栏目：49

分类号：TH133.3;TP183;TN911.73

资助基金：新疆维吾尔自治区自然科学基金;内蒙古自治区高等学校科学技术研究项目

在线出版日期：2021-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：103-108