高温曲面纹理背景下的缺陷视觉显著性检测与分类方法研究

The hot heavy rail in the rolling process belongs to the high temperature curved steel part. The complex texture background interference, the surface characteristic and the infrared radiation characteristic on the surface of hot heavy limit the defect detection and classification. Therefore, in order to improve the quality of image of hot heavy rail as a starting point,have a study on rail surface roughness, radiation characteristics, light source illumination characteristics and reflectance distribution mechanism, and exploring the image analytical method under the condition of high temperature radiation. Building radiation - light - reflecting visual model of hot heavy rail. Focuses on visual saliency difference between defects and texture background, solve the multi-scale BoW model and deep learning method for detection and classification, the defects image be changed into multi level image according to the multi-scale method, and have simulation of the brain analysis problem then based on the BoW, through the study of low layer data, forming a more abstract representation of high-level semantic features, with deep learning network to represent the relationship between low-level features and high-level semantics.In light of its own characteristics of the object, ccording to the theoretical analysis, computer simulation and experimental validation, the research results can quickly applied to multi-sensor vision detection system of high temperature and texture surface of steel.

轧制过程中的热态重轨属于高温曲面钢构件。热态重轨表面具有复杂的纹理背景干扰、曲面特性、红外辐射特性，极大的限制了缺陷检测与分类效果。为此，项目以如何提高热态重轨成像质量为切入点，研究重轨表面粗糙度、辐射特性、光源照度特性与反射分布的内在机理，探索高温辐射条件下的图像解析方法，建立正确有效的热态重轨表面辐射度-光照-反射视觉模型。重点研究缺陷与纹理背景的视觉显著性差异，探索基于融合浅层模型与深度学习的分层式热态重轨缺陷检测分类方法，该方法首先将缺陷图像按照多尺度思想分层形成多层子图像，然后在视觉词袋的基础上，充分模拟人脑分析问题的过程，通过组合、学习低层数据形成更抽象的高层语义特征表示，联合深度学习网络来表示低层特征与高层语义之间的关系，最终实现对热态重轨表面缺陷的识别及分类。根据理论分析、计算机仿真和实验验证，使研究成果能较快应用于高温纹理曲面钢构件的多传感器视觉检测系统。

近年来，我国铁路建设实现了高速发展，截止2022年底，全国铁路营业里程达到15.5万公里，其中高铁4.2万公里，稳居世界第一。重轨在铁路运输业中具有重要的作用，其质量直接影响到铁路运输业的安全。但是，轨道质量的改进远远落后于轨道交通的发展需求。对重轨表面缺陷的控制对企业提高产品质量、减少废品率、提高经济效益有着积极的作用。因此，项目设计实现了具有图像采集、图像处理、图像分析功能的缺陷在线检测系统；由于采集过程中存在光线变化和纹理背景杂波等干扰，钢轨的表面图像极难检测和识别，对热态重轨光照系统进行了光学分析，通过光源、滤镜等的特性分析对采集系统的前端噪音进行了有效的抑制，降低了外界噪音干扰；针对铁路缺陷边缘不明显、尺寸小和背景纹理干扰等问题，依次进行了铁路区域提取、改进的Retinex图像增强、背景建模差异和阈值分割，得到缺陷的分割图；研究了在小波域中，根据视觉对比度敏感度函数进行频率与方向加权的结构相似度重轨图像质量评价，用于反馈成像环境参数的设置。为了提高铁路缺陷检测的准确性，研究了基于传统算法的缺陷检测的实现，实现了缺陷区域的标记和定位，提出了过暗过曝区域交叠融合法和图像列像素线线间相关度互校验算法两种方法共同对重轨图像缺陷进行识别，可快速较好的对各类常见缺陷进行分析和定位；研究了基于深度学习的缺陷检测的实现，提高了重轨缺陷识别和分类的精度。引入了Res2Net和CBAM注意力机制来提高感受野和小目标位置权重。在PANet结构中去掉了自下而上的路径增强结构，以减少参数冗余，增强小目标的特征提取。结果表明，铁路缺陷检测的平均准确率达到92.68%，召回率达到92.33%，平均检测时间达到平均每幅图像0.068s，可以满足铁路缺陷检测的实时性。与Faster RCNN、SSD、YOLOv3和YOLOv4等主流目标检测算法相比，改进后的YOLOv4模型在Pr、Rc和F1值方面明显优于其他几种，可以很好地应用于铁路缺陷检测项目。