基于语义标签的高铁接触网图像目标检测研究

发布时间：2020-12-21 18:15

　　基于深度学习的目标检测模型近些年快速发展,可以准确检测出物体在图像中的位置。但是多数检测模型一般不考虑物体之间的相对位置关系,而图像中物体间的相对关系包含有效高层语义信息,有利于对特殊的指代个体进行目标检测。通过提出基于语义标签与谓词字典构建图像中物体之间的相对位置关系的方法,对高层语义信息进行建模,实现物体感知任务与语义认知任务的协同,使图像目标检测模型具有推测相对位置语义的能力。论文通过对京津段高铁接触网图像的目标检测进行实验,实验结果表明上述方法的可行性。 

【文章来源】：计算机仿真. 2020年11期 北大核心

【文章页数】：5 页

【部分图文】：

谓词转移注意力示意图

使用谓词字典的预测结果如图2所示,其中,(a)为原图,(b)为未使用谓词字典的结果,(c)为谓词字典的预测结果。可以看出在图像中有同类别实体,使用了谓词转移操作后,模型能够理解物体之间的相对位置关系并且明确语义指代关系,使语义关系中所指代的对象更加明确,吊弦左侧的载流环的显著性更高,即输出结果是符合语义标签的。3 实验及实验结果分析

本文数据为京津段的高铁接触网图像数据,数据共500张,以6:2:2的比例将其划分为训练集、验证集、测试集。500张图片中,缺陷情况图像共50张,其余的450张图像为正常的情况。正常情况下,载流环应该分布在吊弦的两侧;异常情况下,载流环分布在吊弦的同一侧。如图3所示,分别为正常情况和异常情况的载流环。在高铁载流环数据集上,对象之间的关系仅限于2个空间谓词和2个不同的实体类别,定义的实体类别文件为objects.json,以列表的形式记录需要区分的实体,如["ring", "line"],在标签中以列表的索引号引用,其中ring指代载流环,line指代吊弦。定义的谓词字典文件为predicates.json,以列表的形式记录需要学习的谓词,如["left of", "right of"],在标签中以列表的索引号引用。训练集标签与测试集标签分别记录在annotations_train.json与annotations_test.json文件中。

【参考文献】：
期刊论文
[1]深层卷积神经网络的目标检测算法综述[J]. 张泽苗,霍欢,赵逢禹.  小型微型计算机系统. 2019(09)
[2]基于级联Faster R-CNN的高铁接触网支撑装置等电位线故障检测[J]. 李长江,韩志伟,钟俊平,王立有,刘志刚.  铁道学报. 2019(06)
[3]高速铁路接触网吊弦的疲劳寿命分析[J]. 赵慧,肖晓晖,戚广枫,徐鸿燕,李红梅.  武汉大学学报(工学版). 2019(04)
[4]高铁接触网悬挂装置的等电位线故障检测方法[J]. 胡冉冉,刘志刚.  计算机工程. 2018(01)
[5]浅谈高铁接触网整体吊弦存在问题及解决措施[J]. 赵戈红.  电气化铁道. 2017(04)

硕士论文
[1]基于深度学习的高铁接触网悬挂目标检测图像处理研究[D]. 狄亚柳.西南交通大学 2018



本文编号：2930262