(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210275042.0 (22)申请日 2022.03.21 (71)申请人 盐城工学院 地址 224051 江苏省盐城市迎宾大道 9号 (72)发明人 姚苏恒　马宗钦　何雨春　张费扬　 曾勇　卢倩　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 郭楠 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01) G06V 10/46(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的铁路火车轮对表面缺 陷检测方法 (57)摘要 本发明公开了一种基于深度学习的铁路火 车轮对表面缺陷检测方法， 包括以下步骤： (1)通 过火车轮对表面缺陷检测系统对火车轮对表面 图像采集； (2)对采集的表面图像标注， 通过数据 增强的方式扩充火车轮对图像， 并将增强后的 图 像数据集划分为训练集、 验证集和测试集； (3)建 立基于深度学习的火车轮对表 面缺陷检测模型， 分批次将训练集和验证集输入火车轮对表面缺 陷检测模型进行训练， 得到训练后的火车轮对表 面缺陷检测模型； (4)将测试的数据集输入训练 后的火车轮对表面缺陷检测模型， 得到测试集图 像中缺陷的形状与位置。 本发明通过对样本图像 的学习， 提取样本中的缺陷特征信息， 避免了对 缺陷图像中存在的细微缺陷漏检， 提高了检测精 度和检测速度。 权利要求书2页 说明书4页 附图4页 CN 114663385 A 2022.06.24 CN 114663385 A 1.一种基于深度学习的铁路 火车轮对表面 缺陷检测方法， 其特 征在于： 包括以下步骤： (1)通过火车轮对表面 缺陷检测系统对铁路 火车轮对表面图像采集； (2)对采集到的表面图像进行标注， 通过数据增强的方式扩充火车轮对图像， 并将增强 后的图像数据集划分为训练集、 验证集和 测试集； (3)建立基于深度学习的火车轮对表面缺陷检测模型， 将训练集和验证集输入火车轮 对表面缺陷检测模型进行训练， 得到训练后的检测模型； (4)将数据集输入训练后的火车轮对表面缺陷检测模型， 得到测试集图像中缺陷的形 状与位置 。 2.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(1)中， 火车轮对表 面缺陷检测系统中的电机驱动相机移动对火车轮水平线 上的图 像采集， 旋转机构对火车轮对旋转后， 相机进行下一个水平线 上的图像采集， 通过检测客户 端对图像进行检测并将检测结果记入数据库。 3.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(2)中， 通过Labelme对表面图像中的缺陷区域标注， 获得 带标签的图像数据。 4.根据权利要求3所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(2)中， 通过滑动窗口法对 所述图像数据进行步进裁剪和增强， 并通过噪声、 旋转和 镜像形态学操作来扩充图像数据。 5.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(3)中， 所述基于深度学习的火车轮对表面缺陷检测模型包括按照U型架构排列的 编码器和解码器， 所述编码器由Mobi leNetV2构成。 6.根据权利要求5所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 所述MoblieNetV2通过逐点卷积与逐通道卷积进而降低 火车轮对表面缺陷检测模型中 训练参数的数量。 7.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(3)中， 编码器经过多次下采样特征提取得到多张不同尺度的特征图， 解码器将尺 度与由编码器得到的尺度相同的特征图通过连接与融合的方式对铁路火车轮对表面缺陷 信息进行还原， 进 而对火车轮对表面 缺陷检测。 8.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(3)中， 训练后的检测模型中的激活函数为GELU函数， 如式(1)所示： 其中x代表上一级网络的输入量。 9.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 训练后的检测模型中的训练损失函数为交叉熵损失， 如式(2)所示： 其中N为样本数量， y为 缺陷图人工标注图像素矩阵， y'为模型 预测结果图像素矩阵。 10.根据权利要求1所述的基于深度 学习的铁路火车轮对表面缺陷检测方法， 其特征在 于： 步骤(3)中， 基于深度学习的火车轮对表面缺陷检测模型在训练过程中， 采用Adam优化权　利　要　求　书 1/2 页 2 CN 114663385 A 2算法和反向传播算法对模型参数迭代优化， 直至模型损失值收敛时终止训练， 保存得到的 模型参数。权　利　要　求　书 2/2 页 3 CN 114663385 A 3