高速列车接触网定位器坡度值检测关键技术研究
发布时间：2020-12-19 03:11
高速列车接触网的定位器夹持导线,在保证受电弓具有良好的受流质量方面上发挥着关键作用。定位器容易受到弓网耦合系统所引起的激励作用而出现坡度值异常的情况,进而威胁列车的安全行驶。传统的定位器检测方法包括人工巡检和采用传统的图像处理技术。人工巡检方式高度依赖检测人员的经验,工作强度比较大。利用传统的图像处理技术检测定位器,检测的精确率和实时性都比较差。近年来,定位器检测领域逐渐开始应用基于卷积神经网络的计算机视觉技术,希望借此突破传统图像处理技术的检测性能的瓶颈,提高定位器检测的精度和速度。本文在前人定位器检测算法的研究基础上,设计了基于初定位和精定位级联的高速列车接触网定位器视觉检测系统,提出了特征金字塔网络（Feature Pyramid Networks,FPN）和基于更快速候选区域的卷积神经网络（Faster Regions with Convolutional Neural Network,Faster R-CNN）相融合的目标检测模型,利用FPN融合Faster R-CNN的检测模型对定位器关键区域进行初定位,然后在获得的关键区域内采用图像处理技术精确检测定位器。整体定位器检测系...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
全连接网络和局部连接网络示意图
输入的图像（或者特征图像）经过卷积核卷积处理之后，一般要加上（Bias），随后输入到非线性激活函数（ActivationFunction），最终得的输出。主流的激活函数有以下几种，分别为 Sigmoid 函数：( ) 1/(1h z = 函数：h ( z ) = tanh( z)；ReLU（RectifiedLinearUnit）函数：h ( z ) = max(三种激活函数如图 3-4 所示。输入6×6×33×3×34×44×4×2滤波器输出＝＝*0 13 11 22 1 14 0 10 2 1图 3-3 三通道图像与两个卷积核的卷积过程
3.2.2AlexNet 模型LeNet模型本身存在的最大弊端就是网络训练容易出现过拟合（Overfitting）现象。过拟合现象指的是模型在训练样本集表现过于优越，能够完美预测训练样本，但是在测试集上的预测效果比较差，模型的泛化性较弱，如图 3-7 所示。特征维度过多、模型比较复杂和训练样本数据比较少等原因容易增加模型受到过拟合的风险。Hinton 提出在网络训练过程中可以忽略一些节点（Dropout）[53]，将网络变得“稀疏”一些，能够有效地提高模型的泛化能力，如图 3-8 所示。图 3-6 LeNet 网络结构示意图[34]
本文编号：2925143
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
全连接网络和局部连接网络示意图
输入的图像（或者特征图像）经过卷积核卷积处理之后，一般要加上（Bias），随后输入到非线性激活函数（ActivationFunction），最终得的输出。主流的激活函数有以下几种，分别为 Sigmoid 函数：( ) 1/(1h z = 函数：h ( z ) = tanh( z)；ReLU（RectifiedLinearUnit）函数：h ( z ) = max(三种激活函数如图 3-4 所示。输入6×6×33×3×34×44×4×2滤波器输出＝＝*0 13 11 22 1 14 0 10 2 1图 3-3 三通道图像与两个卷积核的卷积过程
3.2.2AlexNet 模型LeNet模型本身存在的最大弊端就是网络训练容易出现过拟合（Overfitting）现象。过拟合现象指的是模型在训练样本集表现过于优越，能够完美预测训练样本，但是在测试集上的预测效果比较差，模型的泛化性较弱，如图 3-7 所示。特征维度过多、模型比较复杂和训练样本数据比较少等原因容易增加模型受到过拟合的风险。Hinton 提出在网络训练过程中可以忽略一些节点（Dropout）[53]，将网络变得“稀疏”一些，能够有效地提高模型的泛化能力，如图 3-8 所示。图 3-6 LeNet 网络结构示意图[34]
本文编号：2925143
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2925143.html
