[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

说明书

本发明公开了一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法，方法包括以下步骤：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；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；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。本发明通过前期现场实时采集的图像数据进行筛选标注分析，并对图像数据进行深度学习训练获得模型库，利用模型库进行检测可高效实时识别出轨道焊缝缺陷。

技术领域

本发明涉及钢轨探伤领域，尤其涉及一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法。

背景技术

随着高铁产业的发展，利用工业机器人代替人工打磨高铁无缝钢轨焊缝是一种趋势。针对无缝钢轨焊缝形貌特征信息复杂，人工打磨效率低下，以及目前人工作业环境恶劣等问题，建立一套焊缝打磨系统代替人工修磨无缝钢轨焊缝，以此提高无缝钢轨焊缝修磨效率，降低人工成本。该系统基于工业机器人，结合机器视觉技术与点云处理技术对钢轨焊缝进行位置识别与特征信息提取，生成无缝钢轨焊缝打磨路径。现有无缝钢轨之间的焊缝受焊接方法、工艺、打磨方式影响，人工巡道时对无缝钢轨之间焊缝位置确认难以分辨，存在漏检问题。

如申请号为CN109490416A的专利公开了一种应用于双轨式钢轨探伤的焊缝识别方法，该方案焊缝识别方法包括：S0，初始化探伤和轨面监控综合系统；S1，采用双轨式钢轨超声波探伤仪采集钢轨内部伤损数据；S2，将钢轨内部伤损数据的超声模拟信号转化为数字信号，通过以太网通讯送入PC端；S3，与步骤S1同步进行，采用相机采集钢轨表面图像数据；S4，将采集的钢轨表面图像数据合成钢轨表面图像；S5，对合成的钢轨表面图像进行识别，判断该图像是否存在焊缝；S6，调用钢轨表面图像数据采集时的编码值，换算成里程信息；S7，探伤B显滚屏区完成探伤数据显示及焊缝自动打标。该方案虽然能够自动识别轨面图像，在探伤B显界面自动识别打标，但是对焊缝的识别效果不好，不够精确，且焊缝识别效率不高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法。

本发明的目的是通过以下技术方案来实现的：

基于深度学习的无缝钢轨焊缝缺陷识别方法，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。

具体的，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。

具体的，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。