将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。

应用2D-VMD算法对图像信号进行去噪,以提升图像质量。采用2D-VMD技术对含有噪声的轴承缺陷图像进行分解,将其分解为有限个固有模态函数(IMF)分量;利用模糊线性指数和标准差筛选各IMF分量,剔除噪声项,实现图像去噪。对比2D-VMD去噪算法和均值滤波、中值滤波的去噪效果,使用均方差和峰值信噪比对去噪后的图像进行客观评价。结果表明:使用2D-VMD算法去噪效果更好,去噪后的图像能保留更多有效信息、图像质量更好,能够满足铁路部门对轴承检修的需求。