基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪
Noise Reduction of Rail Surface Defect Images Based on Attention-guided Poly-scale Denoising Convolutional Neural Networks作者机构:重庆交通大学交通工程应用机器人重庆市工程实验室重庆400074 重庆科技大学工商管理学院重庆401331 石家庄铁道大学道路与铁道工程安全保障教育部重点实验室河北石家庄050043
出 版 物:《铁道学报》 (Journal of the China Railway Society)
年 卷 期:2024年第46卷第5期
页 面:123-131页
核心收录:
学科分类:08[工学] 080203[工学-机械设计及理论] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0814[工学-土木工程] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程]
基 金:国家自然科学基金(51975079) 道路与铁道工程安全保障省部共建教育部重点实验室开放课题(STDTKF202204) 重庆交通大学市级研究生联合培养基地(JDLHPYJD2021007) 重庆市教育委员会科学技术研究项目(KJZD-M202200701) 重庆交通大学市级专业学位研究生教学案例库(JDALK2022007) 重庆交通大学研究生科研创新项目(2022S0045)
摘 要:针对钢轨表面缺陷图像降噪依赖人工设置滤波参数和缺陷边缘模糊的问题,提出基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪方法。首先采用深层网络中的多尺度卷积自动提取含噪图像的特征,使其不依赖于人工设置滤波参数,并克服单尺度卷积特征不够精细导致缺陷边缘模糊的问题;其次利用跳跃连接融合网络深层特征和浅层特征,强化浅层特征影响,克服因网络加深导致浅层特征被忽略的问题,使特征更充分;然后利用注意力机制调节特征在空间不同位置的权重,筛选出能表征噪声的特征,获得噪声信息;最后通过重建模块去除含噪图像中的噪声,实现端到端的降噪。试验结果从定性和定量角度证明所提方法不仅降噪效果更好,且更有效地保留了缺陷边缘信息,为缺陷精确分割提供条件。