基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测
针对钢轨表面缺陷检测中,钢轨表面图像存在背景不均匀、缺陷尺度变化大且样本数据不足的问题,提出一种基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测方法.首先,采用改进Retinex算法处理钢轨表面图像,增强缺陷与背景的对比度.然后,采用改进Cascade R-CNN对钢轨表面缺陷进行检测,并应用交并比(IoU)平衡采样、感兴趣区域对齐和完全交并比(CIoU)损失分别解决训练样本IoU分布与困难样本IoU分布不平衡、感兴趣区域池化中取整量化导致的感兴趣区域与提取的特征图不匹配和回归损失Smooth L1对于预测边框回归不准确的问题.最后,采用翻转变换、随机剪裁、亮度变换和生成对抗网络等方法增广钢轨表面缺陷图像数据集,消除样本数据不足导致的网络训练过拟合现象.实验结果表明,该方法以ResNet-50作为特征提取器,平均精度可达98.75%,相对于未改进的Cascade R-CNN提高了2.52%,且检测时间缩短了24.2 ms.
图像处理、钢轨表面缺陷、图像增强、Cascade R-CNN、感兴趣区域对齐、完全交并比、数据增广
58
TP391.4(计算技术、计算机技术)
2022-01-12(万方平台首次上网日期,不代表论文的发表时间)
共12页
316-327