文献类型：期刊文章

作　　者：石炜[1] 李嘉楠[1] 张惠丽[2] 黄迎久[3]

SHI Wei;LI Jianan;ZHANG Huili;HUANG Yingjiu(School of Mechanical Engineering,Inner Mongolia University of Science and Technology,Baotou Inner Mongolia 014010,China;Electrical Engineering Department,Baotou Vocational&Technical College,Baotou Inner Mongolia 014010,China;Engineering Training Center,Inner Mongolia University of Science and Technology,Baotou Inner Mongolia 014010,China)

机构地区：[1]内蒙古科技大学机械工程学院,内蒙古包头014010 [2]包头职业技术学院电气工程系,内蒙古包头014010 [3]内蒙古科技大学工程训练中心,内蒙古包头014010

出　　处：《机床与液压》

基　　金：2018年内蒙古自治区自然科学基金项目(2018LH050248);2018年内蒙古自治区高等学校科学技术研究项目(NJZY18149)。

年　　份：2021

卷　　号：49

期　　号：11

起止页码：103-108

语　　种：中文

收录情况：BDHX、BDHX2020、ZGKJHX、核心刊

摘　　要：将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。

关 键 词：深度学习  缺陷检测  图像增广  卷积神经网络

分 类 号：TH133.3􀆰] TP183]