基于Retinex模型和GTV的铁路货车铸件DR图像增强

铁路运输已成为我国最重要的运输方式之一,铁路货车部件(摇枕、侧架等)的铸造缺陷(气孔、裂纹等)可能造成交通事故。由于铁路铸件自身的不均匀性会导致原始DR图像灰度不均,不易捕捉缺陷细节,因此需要对原始DR图像进行图像增强等操作检测缺陷。基于Retinex模型,同时考虑目标的光照强度和材质信息,将图像分解为光照图和反射图。基于高斯全变分(GTV)的保护图像边缘滤波器可以平滑光照图像,并且可以移除光照图的纹理细节,因此缺陷等细节就暴露在反射图中。对于铁路货车铸件的缺陷识别问题,结合Retinex和GTV方法,提出一种改进的Retinex增强模型,利用GTV和基于纹理感知的加权项对Retinex分解过程中的光照图和反射图进行正则化。此外,用交替优化算法求解该模型。最后,将能够反映图像缺陷细节的反射图作为最终增强图像。此方法得到的图像不仅保留了图像的结构信息,还明显暴露了图像的缺陷细节。实验结果表明,与其他已有的模型相比,该模型增强缺陷效果显著,此外,该模型提高了DR图像的信息熵、平均梯度等量化指标。与原图相比,增强后图像的信息熵提高了8%以上,平均梯度至少提高为原来的6倍。此方法提高了DR图像检测缺陷的能力,可以应用于铁路货车铸件等无损检测领域。

铁路货车铸件DR图像的疏松缺陷快速检测

快速有效地检测铁路货车铸件的疏松缺陷,对铁路运输安全具有重要意义。数字化X射线照相可以直接获取含有缺陷的铸件图像,成像速度快。但人工目测图像检测法不仅耗时费力容易疲劳,而且依赖于检测人员的经验。研究自动化检测方法实现图像缺陷的实时检测具有重要的意义。铸件图像中疏松缺陷形状复杂,可以分为树枝状、羽毛状和海绵状等,也可能是多种不同形状疏松缺陷的组合,这增加了检测识别的难度。发展基于深度学习的铸件数字化射线照相的疏松缺陷检测和识别方法。首先,对铸件数字化射线照相的原始图像进行一系列的预处理,采用引导图像滤波结合分数阶微分对图像进行增强,利用图像标注软件标注增强后的图像,得到标注数据集;然后,将标注数据和含有不同等级的疏松缺陷图像输入到YOLACT深度学习网络中,进行训练和测试。测试结果表明:该方法对单幅图像的平均检测时间为1.48 s,疏松缺陷的平均检测率为60.56%。该方法可快速检测出铸件疏松缺陷的等级和类别,为实时检测工业铸件缺陷提供一种辅助解决方法。