典型文献
基于YOLOv3-tiny的列车轮对踏面缺陷定位与测量方法
文献摘要:
针对基于深度学习的轮对踏面缺陷检测算法中检测框尺寸精度不足的问题,文章提出一种结合YOLOv3-tiny与传统图像算法的踏面缺陷检测算法,以实现低CPU消耗的列车轮对踏面缺陷快速定位与几何参数的精确测量.其首先对工业场景下获取到的小样本进行图像增强,然后采用YOLOv3-tiny算法对踏面缺陷进行迁移学习,实现缺陷的粗定位;为了解决检测框过大、过小问题,其利用傅里叶变换、带阻滤波器、阈值分割等传统图像算法构建缺陷尺寸测量模型,对粗定位出的缺陷进行轮廓提取并优化检测框尺寸,最后精确计算缺陷的位置和尺寸.缺陷定位实验结果显示,交并比(IoU)阈值为0.5时,缺陷识别的平均精度为89.4%,CPU消耗率不超过10%;缺陷测量实验结果表明,该算法能够对90个检测框中的74个进行优化,从而获得更加精确的缺陷尺寸,验证了本文检测算法在改善检测框尺寸精度问题上的有效性.
文献关键词:
踏面缺陷;目标检测;YOLOv3-tiny;傅里叶变换;深度学习
中图分类号:
作者姓名:
金楷荣;王俊平;陈胜蓝
作者机构:
株洲中车时代电气股份有限公司,湖南 株洲 412001
文献出处:
引用格式:
[1]金楷荣;王俊平;陈胜蓝-.基于YOLOv3-tiny的列车轮对踏面缺陷定位与测量方法)[J].控制与信息技术,2022(02):69-75
A类:
B类:
YOLOv3,tiny,列车,车轮,轮对踏面,踏面缺陷,缺陷定位,缺陷检测,检测算法,尺寸精度,图像算法,CPU,快速定位,几何参数,精确测量,工业场景,取到,小样本,图像增强,陷进,迁移学习,粗定位,傅里叶变换,带阻滤波器,阈值分割,缺陷尺寸,尺寸测量,测量模型,轮廓提取,优化检测,定位实验,交并比,IoU,缺陷识别,消耗率,测量实验,个检,精度问题,目标检测
AB值:
0.379246
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。