基于迁移学习的铁路扣件缺陷形态检测算法研究

铁路扣件对保障铁路运输安全尤为重要,为了实现对铁路扣件缺陷形态快速准确地检测,提出一种基于DenseNet201的深度迁移学习扣件检测方法。该方法通过研制设计的数据采集平台多手段获取WJ-8型扣件包含扣件正常、扣件弹条偏移、扣件弹条丢失、扣件丢失在内的4种不同缺陷形态数据图像,构建铁路扣件缺陷形态专有数据集。采用Retinex算法对获取到的数据图片进行去雾降噪处理以提高其质量。结合迁移学习的思想,引入原网络在ImageNet公共数据集上习得的权重,并对其卷积神经网络结构进行重组改进。此外,嵌入Grad-CAM 技术对模型最后一层卷积输出的特征作映射处理,以探寻模型特征提取注意力分布。最后基于pytorch深度学习框架开展实验,在相同条件下与5种经典的深度学习网络模型VGG16,VGG19,ResNet50,AlexNet和GoogLeNet进行对比实验验证。研究结果表明：在真实铁路环境工况下,改进的DenseNet201深度迁移学习模型感受野主要集中在扣件区间内,有效检出率达98.1%,且对于不同工况下的各类型扣件,模型表现出较强的鲁棒性和泛化性能,相比于其他5种经典的深度学习网络模型检测精度和准确率更高。该方法能适用于实际铁路扣件不同缺陷形态的快速检测,具有一定的实用价值,可为后续相关研究提供技术参考和理论支撑。