基于少样本学习的钢轨表面缺陷检测方法

摘要：

针对铁路钢轨病害检测问题,提出一种少样本学习的钢轨表面缺陷检测方法.首先,设计样本随机组合策略,根据少量钢轨图像快速构建钢轨表面缺陷数据集;然后,改进深度卷积神经网络的分类损失函数,降低样本数量不平衡对模型分类性能的影响;最后,提出基于多层级特征融合的钢轨表面缺陷检测网络,并利用上述数据集和改进的分类损失函数进行训练,实现少样本条件下端到端的钢轨表面缺陷检测.试验结果表明:该方法在2种类型的钢轨表面缺陷数据集上均取得最优性能,并在实际线路检测任务中,检测率达到100％,具有较高的实用价值.

关键词：钢轨表面缺陷、少样本学习、目标检测、深度卷积神经网络

所属期刊栏目：44

分类号：U213.53(铁路线路工程)

资助基金：中国铁道科学研究院科技开发基金2019YJ158

在线出版日期：2022-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：72-79