摘要
磁粉探伤以漏磁场原理为基础，对铁磁性对象表面与近表面进行微米级别缺陷检测，是一种广泛应用于精密钢材的无损检测方法。当前高速铁路车轮生产线中的出厂磁粉探伤环节完全依赖人工，检测效果具有波动性，检测环境具有危险性，长远角度来看存在安全隐患，车轮行业亟需自动化检测来辅佐人工检测。 缺陷磁痕检测是磁粉探伤的关键环节，传统的机器视觉检测方法大多依赖图像处理与传统机器学习方法来实现缺陷磁痕检测，存在耗时、误报率和漏检率较高与泛化性能不足的问题。本文面向缺陷磁痕检测任务，针对小数据集难点，提出一种深度学习缺陷磁痕目标检测集成算法，设计并搭建模型车轮在线磁粉探伤样机，实现在线缺陷磁痕检测，验证检测算法性能。本文主要工作如下： （1）针对缺陷磁痕检测任务，总结了磁痕检测研究现状，详细阐述了本文研究目标与内容。通过介绍深度学习目标检测技术，奠定本文的理论基础。 （2）以YOLOv5s为基准网络，设计面向磁痕图像目标缺陷检测的算法。实地采集并构造高铁车轮磁痕图像数据集，针对缺陷磁痕的边缘特征和通道差异特点，分别使用图像初级特征在线数据增强方法和通道注意力机制。针对单阶段目标检测算法训练中边框回归和分类回归正负样本不均问题，提出Focal-α-CIoU边框损失函数并使用分类焦点损失函数，优化了训练过程中不同质量预测框对应的权重与学习率。实验结果表明，以上优化方法能使模型更快收敛，模型具有更强的检测性能与鲁棒性。 （3）针对工业检测对缺陷检测算法的泛化性与鲁棒性要求，研究目标检测集成学习策略，应用串行后处理的全局加权目标检测集成策略，采用基于距离交并比的非最大值抑制算法实现冗余框抑制，采用上述网络结构和损失函数优化方法训练得出的优秀模型作为子网络。集成模型实验结果表明，本文提出的缺陷磁痕目标检测集成算法在高铁车轮磁痕图像数据集上具有优秀的性能表现。 （4）根据现行工业高铁车轮磁粉探伤机器结构，设计并搭建模型车轮在线磁粉探伤样机。样机系统上复现现场工业检测环境，编写人机交互与样机控制程序，实现在线缺陷磁痕检测。在模型车轮上制造真实缺陷，采集并构造模型车轮缺陷磁痕数据集。鉴于工业现场恶劣的噪声环境，验证本文提出的缺陷磁痕目标检测集成算法在不同噪声条件下对模型车轮缺陷磁痕的检测性能，实验结果表明本文算法具有较强抗扰性与检测性能，符合在线检测实时性需求。
NETL