论文部分内容阅读
机车轮对作为机车重要的支撑和走行部件,长期在复杂环境下与轨道发生高速滚动接触,其踏面损伤成为影响机车运行安全性和舒适性的重要因素之一。现有的人工辅助仪器检测方式,存在检测效率低下、劳动力强度高等问题。为此,本文开展了基于深度学习的机车轮对踏面损伤图像识别研究。其具体研究内容如下:(1)针对轮对踏面损伤难以定位且可能存在多个损伤区域的问题,提出一种基于Canny-YOLOv3的踏面损伤图像检测算法,该方法主要对轮对踏面的损伤区域进行候选框提取。首先采用Canny边缘检测算法对踏面区域进行提取和分割,进一步,根据Canny算法提取的轮对踏面图像,提出采用YOLOv3目标检测算法对踏面上损伤的区域进行候选框的提取,以此实现轮对踏面损伤区域的精准定位和分割。实验结果表明,该算法可以有效地提取到踏面的多个损伤区域,并对微小损伤也有很强的检测能力。(2)针对上一节轮对踏面损伤候选框存在误选和损伤类别识别困难的问题,提出一种改进的WGAN和Dense Net的踏面图像损伤识别框架。首先对YOLOv3中框选出的目标图像建立新的损伤数据集,采用WGAN-GP网络对损伤数据集进行图像增强,以此增加图像样本的多样性;然后提出采用Dense Net网络对生成后的损伤数据集进行三分类图像识别,分为伪损伤、擦伤和剥离三种。实验表明,该框架能够生成与原损伤高度相似的图像,并最终能够很好地识别踏面损伤类型。(3)根据本文所提出的机车轮对踏面损伤图像检测和识别模型,设计了轮对踏面损伤检测原型系统。该系统采用微软.NET Winform界面设计框架进行用户界面设计,后台逻辑设计采用C#和Python语言,从而将本文中所提及的模型和算法以模块形式封装在原型系统中,通过实验与应用测试验证该系统的有效性和实用性。