基于深度学习的铁道车辆铸件X射线DR图像缺陷检测算法研究

铁道车辆中摇枕、侧架等铸件是非常重要的承载元件,快速、准确地检测其质量对于保障列车行车安全有着重大意义。当前,X射线数字辐射成像技术(Digital Radiography,DR)是铁路铸件质量控制的必备手段,利用DR图像进行缺陷检测已成为基本工序;然而,现有目视检测和传统目标识别方法均难以实现高精度的缺陷识别。基于此,本文提出了一种基于深度学习的铁道车辆铸件X射线DR图像缺陷检测算法。首先,针对工件缺陷结构复杂,X射线引入的噪声、散射等问题,提出引导滤波的方法实现数据增强,并制作了铁轨铸件图像数据集;然后,利用Yolo v5网络的Backbone和Neck模块学习缺陷的特征分布,采用GIOU_Loss损失函数以提高对噪声的容忍性,从输出端实现对缺陷的检测。为了验证算法的有效性,与同类检测算法进行了实验对比:对于摇枕,本文算法2级气孔识别正确率可达92%;2级和3级疏松识别正确率分别可达96%和99%;整体缺陷识别平均检测精度能达到87.4%,平均置信度达到78%,漏检率为5.1%;而对比算法Yolo v3整体缺陷识别平均检测精度仅为56.1%,平均置信度仅为62%。