[发明专利]一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法

权利要求书

1.基于深度学习的无缝钢轨焊缝缺陷识别方法，其特征在于，包括以下步骤：

S1，图像数据采集，利用图像采集单元实时无间隔采集无缝钢轨轨腰部位的样本图像并发送至中心计算机；

S2，图像识别计算，中心计算机筛选样本图像中含有无缝钢轨焊缝的图片，并对筛选出的图片进行焊缝区域标注；

S3，数据训练，利用初始化后的深度学习网络对标注后的图片进行目标识别训练，获得模型文件，并利用模型文件对标注后的样本图像进行多层递归网络训练，输出最后的无缝钢轨焊缝缺陷识别结果。

2.根据权利要求1所述的基于深度学习的无缝钢轨焊缝缺陷识别方法，其特征在于，所述步骤S2中具体包括以下子步骤：

S201，中心计算机对接收到的大量样本图像进行图片筛选，从样本图像中抽取含有无缝钢轨焊缝的图片作为正负样本图片；

S202，利用标注软件对含有无缝钢轨焊缝的图片进行焊缝区域识别和标注，将标注后的样本图片作为样本训练集。

3.根据权利要求1所述的基于深度学习的无缝钢轨焊缝缺陷识别方法，其特征在于，所述步骤S3具体包括以下子步骤：

S301，对yolov3算法进行改进，并根据改进后的yolov3算法构建多级级联特征图网络Lyolo，并初始化多级级联特征图网络；

S302，将样本训练集导入多级级联特征图网络中进行多级上采样级联后，将多尺度输出结果整合形成目标识别模型文件，即多级级联的特征金字塔；

S303，将实时采集的图像数据导入目标识别模型文件进行多层递归网络训练，并实时输出图像数据中的焊缝识别结果。

4.根据权利要求3所述的基于深度学习的无缝钢轨焊缝缺陷识别方法，其特征在于，所述多级级联特征图网络Lyolo的网络结构包括第一卷积层、第二卷积层和残差网络，第一卷积层输出与第二卷积层的输入连接，第二卷积层的输出与残差网络的输入连接。

5. 根据权利要求3所述的基于深度学习的无缝钢轨焊缝缺陷识别方法，其特征在于，所述子步骤S301中初始化多级级联特征图网络过程具体包括：初始化第一卷积层，第一卷积层包含16个 3 * 3的滤波器，步长为2；将输入尺寸为384 * 384的图像进行卷积运算，输出192 * 192 * 16尺寸的特征图；然后将输出的192 * 192 * 16的特征图输入到初始化的第二个卷积层，第二卷积层包含32个 3 * 3 滤波器，步长为2，卷积后输出96 * 96 * 32的特征图，完成多级级联特征图网络的初始化。

6.一种基于权利要求1~5任意一项所述无缝钢轨焊缝缺陷识别方法的识别装置，其特征在于，包括中心计算处理单元、钢轨巡检车和设置在钢轨巡检车上的图像采集单元；中心计算处理单元包括工业计算机和供电电源，工业计算机与供电电源连接；图像采集单元包括高清工业数字相机、镜头、补光光源、速度编码器和检测箱，高清工业数字相机和补光光源分别设置在检测箱内，检测箱固定在钢轨巡检车车底；工业计算机分别与高清工业数字相机、镜头、补光光源和速度编码器连接。