基于迁移学习的车轮踏面损伤检测*

陈波，于赫天，翟容清，王月明

(内蒙古科技大学 信息工程学院，内蒙古 包头 014010)

工业生产中，链篦机台车的工作温度是不断变化的，链篦机台车车轮要经受高温、重载、冲击振动、粉尘气流冲刷和水冲淋等恶劣的工作环境，链篦机台车车轮踏面易发生损伤问题.这些车轮损伤不能及时发现会造成整个传动系统出现故障，引发生产事故和经济损失.

目前，对于缺陷检测主要有涡流检测法、红外检测法、漏磁检测法和机器视觉检测法.关于机器视觉检测，何静等人提出一种基于Canny-YOLOv3的踏面损伤检测方法，将深度学习算法应用到列车轮对踏面的损伤检测中[1].陈超等人提出一种基于辅助数据的增强型最小二乘支持向量机(LssVM)迁移学习策略，用于数据量不足时的轴承故障诊断[2].雷亚国等人提出机械装备故障的深度迁移诊断方法，将实验室环境中积累的故障诊断知识迁移应用于工程实际装备[3].邵海东等人提出了一种基于提升深度迁移自动编码器的新方法用于不同机械设备间的轴承故障智能诊断[4].冯毅雄等人针对轴件表面缺陷分析过程中存在小样本和实时检测效率低的问题，提出一种集成迁移学习的轴件表面缺陷实时检测方法[5].

近年来，随着图像处理技术与深度神经网络的发展[6-8]，基于深度神经网络可以有效地检测到车轮踏面的损伤问题，但是在深度神经网络训练中需要大量车轮踏面损伤的实际图像数据.本文根据车轮踏面损伤情况构建了相似车轮踏面损伤的数据集，运用YOLOv3深度学习模型框架对踏面损伤特征进行学习训练，获取车轮踏面损伤的深度神经网络训练权重参数后，采用迁移学习的思想，检测出车轮踏面损伤情况，避免因车轮踏面损伤引起的其它安全运行事故或安全隐患问题，提高生产效益，提升企业管理水平.

1 台车车轮踏面损伤数据集制作

数字图像识别处理技术是以图像为基础，再利用卷积神经网络对图像进行处理、分析、识别和理解，所以想要检测链篦机台车车轮踏面损伤必须采集大量的台车车轮踏面的损伤图片，原始图像数据的增加会提高特征学习的效率，可以更好地进行踏面损伤检测.

车轮常见的踏面损伤有踏面磨损(擦伤)与踏面剥离脱落.用深度神经网络方法对链篦机台车踏面损伤进行检测识别，需要大量的高质量标注数据来训练神经网络模型.由于目前车轮踏面的损伤数据较少，需要根据链篦机台车踏面的损伤图像特征，构建相似特征的车轮踏面损伤数据集，再运用YOLO深度学习模型框架对踏面损伤特征进行学习训练，获取车轮踏面损伤的深度神经网络训练权重参数后，采用迁移学习的思想，检测车轮踏面损伤情况.

考虑到车轮踏面损伤种类的不同，需要构建不同的踏面损伤图像数据.本实验通过人工制作构建相似目标领域(车轮踏面损伤)的源邻域图片565张，源邻域图片使用铁制品作为原材料通过磨损获得相似于车轮踏面损伤图像，目标领域是由35张真实车轮踏面损伤图像组成的目标数据集.如图1所示，通过源邻域图片(a)与目标领域图片(b)，构建与车轮踏面相似特征的图像数据集(使用相似的斑块作为图像特征).使用labelimg标注工具对数据集进行标注，整理并生成与图片对应的xml文件，生成相应的标注信息.数据集图片在训练前分辨率统一设定为1 400×1 200像素，便于后续利用YOLOv3深度学习识别踏面损伤图像.

图1 相似目标特征的迁移对象(a)源邻域图片；(b)目标领域图片

2 基于迁移学习车轮踏面检测

由于车轮踏面数据集较少，基于目标属性的特征进行迁移学习，使用新领域中存在的目标属性特征，然后利用新领域目标属性的特征进行迁移，使用神经网络对其特征进行描述，确保每一个目标特征的权重能够从一个训练好的数据集网络迁移到另一个特征网络当中，这样可以减少重新训练模型的时间，为后期的样本的检测提高检测效率，以达到快速检测的目的.

本文采用的是YOLOv3深度神经网络作为迁移学习的主体框架，YOLO是一种基于深度神经网络的目标属性识别的定位算法，其中心思想是把目标属性作为一个相关的边界和目标属性分类概率的回归任务.YOLOv3借鉴了残差网络结构，形成更深的网络层次以及多尺度检测，提升了mAP及小物体检测效果.它通过标注的某个特定区域进行学习，生成一个特定的卷积神经单元网格，在一次次的学习训练中，一个特定的卷积神经网络就会从图像信息中识别出该区域中所出现的目标属性.本实验中检测的标签只有一个损失，未对损伤的种类进行分类.

基于迁移学习，首先训练目标属性和原始目标属性必须具有一定的相似度，否则检测系统在卷积神经深度学习的时候会大大减小识别的准确率.本实验制作大量的相似图片，实验中采用铁制品划痕替代台车的踏面损伤，将铁制品进行手工打磨、抛光处理模仿台车车轮踏面，将源邻域图像数据集通过深度神经网络YOLOv3进行训练学习缺陷数据特征，再使用训练好的深度神经网络YOLOv3权重参数对车轮踏面损伤目标领域数据集进行验证识别.从实验结果来看基本能检测到台车踏面损伤，但是由于制作的铁制品缺陷数据缺少规范性，使得后期的训练检测学习到一些干扰图像特征，进而影响车轮踏面损伤检测的准确性.

3 实验结果分析

本次模型训练使用的卷积网络模型YOLOv3-tiny版本，训练系统使用的是Windows，电脑显卡为英伟达GeForce GTX 1050Ti，CPU为Intel Core i5-8300H.本次训练用在COCO数据集上所完成的预训练模型作为训练的原始数据集，训练时Epoch=2 000，Class设为1，未将踏面损伤进行详细分类.如图2所示为车轮踏面损伤检测结果，从图2可以看出：(b)和(e)检测框有重复结果，但总体上不影响迁移学习方法对车轮踏面损伤特征的检测.总体来说，训练实验结果较为理想，对车轮踏面损伤检测效果较好.

图2 车轮踏面损伤与检测结果

实验当中，使用到了召回率R与mAP作为评价车轮踏面损伤检测模型的指标.如图3和图4所示为迁移学习训练指标结果.其中图3为召回率(Recall)指标，即正确的图像有多少被识别.其计算如式(1)所示.图4为mAP指标，mAP是平均AP值，是对多个识别对象求平均精度值，作为目标检测中检测精度的判断指标.AP为Average Precision即平均精确度.Precision表示精确率，样本计算公式如式(2)所示.

图3 Recall训练指标结果

图4 mAP训练指标结果

Recall(R)=TP/(FP+FN) ，

(1)

Precision(P)=TP/(TP+FP) .(2)

式中：TP为正样本预测正确；FP为正样本预测错误；FN为负样本预测错误.

如图5所示，由于目标领域车轮踏面数据集较少，使用制作的图像数据进行迁移学习训练，把相似的损伤作为车轮踏面的基础损伤来学习，大部分的损伤还是可以识别，但是由于部分源领域数据制作难以制作出与目标领域相似的特征数据集，没有训练学习到相关的数据图像特征，例如大面积的鱼纹式磨损、台车车轮踏面断裂裂纹，因此在本实验中未能检测到该类别的车轮踏面损伤，后期需要制作此类别的车轮踏面损伤数据，进行神经网络的训练学习.但本实验方法可以验证将迁移学习应用于车轮踏面损伤检测是可行的.

图5 训练未能检测到的样本

4 结论

(1)应用迁移学习的思想，通过相似领域图片的迁移学习实现了车轮踏面损伤检测，建立车轮踏面缺陷的特征数据集，通过训练源领域图片的特征提取器，完成相似领域的知识迁移，建立链篦机台车运行状态下的车轮踏面实时检测模型.

(2)基于迁移学习进行车轮踏面检测方法是可行的.迁移学习的检测方法通用性强、不受实际生产的场地限制，检测成本相对较低.

(3)迁移学习检测技术需要在应用前对车轮踏面所有种类的损伤进行特征数据集的建立，不然对未训练过的车轮踏面缺陷检测会出现漏检现象.