针对钢轨表面缺陷检测中,钢轨表面图像存在背景不均匀、缺陷尺度变化大且样本数据不足的问题,提出一种基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测方法。首先,采用改进Retinex算法处理钢轨表面图像,增强缺陷与背景的对比度。然后,采用改进Cascade R-CNN对钢轨表面缺陷进行检测,并应用交并比(IoU)平衡采样、感兴趣区域对齐和完全交并比(CIoU)损失分别解决训练样本IoU分布与困难样本IoU分布不平衡、感兴趣区域池化中取整量化导致的感兴趣区域与提取的特征图不匹配和回归损失Smooth L1对于预测边框回归不准确的问题。最后,采用翻转变换、随机剪裁、亮度变换和生成对抗网络等方法增广钢轨表面缺陷图像数据集,消除样本数据不足导致的网络训练过拟合现象。实验结果表明,该方法以ResNet-50作为特征提取器,平均精度可达98.75%,相对于未改进的Cascade R-CNN提高了2.52%,且检测时间缩短了24.2 ms。

研究了点源、线源激光激发超声波对钢轨表面缺陷检测的影响。使用有限元法对比了这两种激发方式的声场、声波信号及对钢轨表面缺陷检测的有效性。通过有限元仿真分别对水平、垂直、斜45°的钢轨表面缺陷进行了检测并进行了实验验证。实验与仿真结果一致表明,由激光线源激发的声表面波指向性好、信号幅值大,更利于钢轨表面缺陷的检测,且对不同类型的钢轨表面缺陷均具有较好的检测能力。